分箱过程是点特征直方图估计的一部分,结果是b^3
bins 如果仅使用三个角度特征(alpha、phi、theta),其中 b 是 bins 的数量。
为什么b^3
并不是b * 3
?
假设我们考虑阿尔法。
将特征值范围细分为b个区间。您迭代查询点的所有邻居并计算位于一个间隔内的 alpha 值的数量。所以你有 b 个用于 alpha 的容器。当您对其他两个功能重复此操作时,您会得到3 * b
bins.
我哪里错了?
为简单起见,我将首先以 2D 方式进行解释,即具有两个角度特征。在这种情况下,您将拥有 b^2 个 bin,而不是 b*2。
特征空间被划分为规则的网格。特征根据其在 2D(或 3D)空间中的位置进行分箱,而不是沿每个维度独立进行分箱。请参阅以下具有两个特征维度且 b=4 的示例,其中特征被分箱到标记有的单元格中#
:
^ phi
|
+-+-+-+-+
| | | | |
+-+-+-+-+
| | | | |
+-+-+-+-+
| | | |#|
+-+-+-+-+
| | | | |
+-+-+-+-+-> alpha
该特征被分箱到单元格中,其中 alpha 位于给定区间内,而 phi 位于另一个区间内。您理解的主要区别在于尺寸是not独立对待。每个单元格指定所有维度上的间隔,而不是单个维度。
(这在 3D 中的工作方式相同,只是您将拥有另一个维度的 theta 和 3D 网格而不是 2D 网格。)
对于 2D 情况,这种分箱方式会产生 b^2 个分箱,因为alpha
维度与所有间隔相结合phi
维,导致数字平方,而不是加倍。添加另一个维度,您将得到立方而不是三倍,如您的问题所示。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)