Feb, 2017
利用覆盖树熵减的标记点云差异的监督学习
Supervised Learning of Labeled Pointcloud Differences via Cover-Tree
Entropy Reduction
TL;DR介绍了一种名为CDER的新算法，将Cover Trees的多尺度几何属性与熵的信息理论属性相结合，用于有标签点云的监督学习，可在通常为线性时间的情况下识别标签对应的典型点云在任何子区域、任何尺度上的差异，并创建一组分布坐标，作为特征提取机制，以提高监督学习的性能。