来源 | 知乎

Particle Filter - Kidnapped vehicle project

Github: https://github.com/williamhyin/CarND-Kidnapped-Vehicle

Email: williamhyin@outlook.com

K-Means算法适合处理无标签数据的分类问题，是无监督学习中最常用的算法之一，影响该算法的两大要素是聚类中心和聚类个数K；K-Means++算法基本上解决了聚类中心的问题；而如何选择聚类中心K的个数需要一种新的算法，那就是均值漂移算法-Mean Shift算法。

均值漂移向量:距离

核函数-权重

高斯核函数:很常用

高斯混合模型（Gaussian Mixture Model, GMM）是用多个高斯分布函数去近似任意形状的概率分布，所以GMM就是由多个单高斯密度分布（Gaussian）组成的。每个Gaussian叫一个"Component"，这些"Component"线性加和即为 GMM 的概率密度函数。今天就来深度了解高斯混合模型GMM吧！

将待聚类的数据点看成是分布的采样点，通过采样点利用类似极大似然估计的方法估计高斯分布的参数，用EM算法求出参数即得出了数据点对分类的隶属函数。

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

随着3D Gaussian Splatting（3DGS）成为新一代高效三维建模技术，它的自适应特性却悄然埋下了安全隐患。在本篇 ICLR 2025 Spotlight 论文中，研究者们提出首个专门针对3DGS的攻击方法——Poison-Splat，通过对输入图像加入扰动，即可显著拖慢训练速度、暴涨显存占用，甚至导致系统宕机。这一攻击不仅隐蔽、可迁移，还在现实平台中具备可行性，揭示了当前主流3D重建系统中一个未被重视的安全盲区。

引言：3D视觉的新时代与未设防的后门隐患

高斯混合模型（后面本文中将使用他的缩写 GMM）听起来很复杂，其实他的工作原理和 KMeans 非常相似，你甚至可以认为它是 KMeans 的概率版本。 这种概率特征使 GMM 可以应用于 KMeans 无法解决的许多复杂问题。

直方图密度函数在密度函数估计中存在不连续性问题，即密度值在相邻区间边界处发生突变。为获得随机变量的连续密度函数估计，核密度估计(Kernel Density Estimation, KDE)提供了有效的解决方案。

核函数

核函数本质上是密度估计中用于平滑处理的概率密度函数，通常选择对称核函数。核函数必须满足以下基本性质：非负性、曲线下面积为1、以零为中心、具有非零方差。这些约束条件保证了核函数作为概率密度函数的有效性。

一、研究背景

具

学习目标：

• 知道seaborn的基本使用