多帧点云分类评估：Point-wise与帧公平Frame-wise的科学性比较

2026-01-08 htzhao

多帧点云分类评估：点公平（Point-wise）与帧公平（Frame-wise）的科学性比较摘要多帧点云分类任务的评估通常有两类口径：点公平（将所有帧的所有点合并后计算一次指标）与帧公平（逐帧计算指标后对帧求平均）。两者对应不同的统计估计对象与“公平单位”，在点数分布不均、场景难度变化、时序相关

手推 Policy Gradient

2026-01-05 htzhao

1. 知识储备 1.1 期望 = 求和 / 积分随机变量 X 的期望就是“按概率加权平均”：离散： \mathbb E[f(X)]=\sum_x p(x)f(x) 连续： \mathbb E[f(X)]=\int p(x)f(x)\,dx 所以当我们写 \mathbb E_{\tau\sim p

点云特征值与几何意义

2025-12-24 htzhao

从局部点云坐标到特征值取局部邻域点集给定中心点 p_0 ，用 kNN 或半径搜索得到邻域： \mathcal{N}(p_0)=\{p_i\}_{i=1}^{N},\quad p_i= \begin{bmatrix} x_i\\y_i\\z_i \end{bmatrix} 常见：kNN（如 k=2

目标检测任务每个类别做2分类交叉熵 vs softmax

2025-12-22 htzhao

在目标检测里，这俩其实对应两种不同的“类别假设”，没有绝对谁更“合理”，取决于任务是不是“互斥单标签”。 1) Softmax（单个多类交叉熵）什么时候更合理前提：同一个框只属于一个类别（互斥），即 one-of-K。典型：COCO/VO C 检测、YOLO/FCOS/Faster R-CNN

初学强化学习有感

2025-12-22 htzhao #cs224r

最近在看CS224R的课程，模仿学习中提到了DAger方法。其中提到，纯粹靠模仿专家轨迹训练出来的模型泛化性不足，所以可以依靠给出一个专家模型（这个模型可以是NN也可以是真的人类专家），针对实际场景中超出模仿学习采样空间的状态，通过迭代收集模型的状态分布，并用专家动作标注，逐步提升模型在这些状态上的