开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

查找一组点是否描述凸包络的算法

凸包是一个计算几何的概念，它是一个包含一组点的最小凸多边形。在计算机科学中，凸包算法是一种用于找到一组点的凸包的算法。

常用的凸包算法有：

Graham Scan算法：该算法基于凸包的一个重要性质，即凸包上的任意两个点之间的线段不会包含在凸包内部。该算法的时间复杂度为O(nlogn)。
Jarvis March算法：该算法基于凸包的另一个重要性质，即凸包上的任意两个点之间的线段不会包含在凸包内部。该算法的时间复杂度为O(n^2)。
Chan算法：该算法基于凸包的一个重要性质，即凸包上的任意两个点之间的线段不会包含在凸包内部。该算法的时间复杂度为O(nlogn)。

在实际应用中，可以根据具体情况选择合适的算法来计算凸包。

推荐的腾讯云相关产品：

腾讯云数据库：提供了MySQL、PostgreSQL、MongoDB等多种数据库产品，可以满足不同应用场景的需求。
腾讯云服务器：提供了弹性云服务器、负载均衡、CDN等多种服务器产品，可以满足不同应用场景的需求。
腾讯云云原生：提供了Kubernetes、容器服务等多种云原生产品，可以满足不同应用场景的需求。

产品介绍链接地址：

腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器：https://cloud.tencent.com/product/cvm
腾讯云云原生：https://cloud.tencent.com/product/tke

相关搜索:kube-router IPVS-最小连接算法，是否在同一节点或不同节点的pod之间进行负载均衡？O(n)查找2个数组是否有2个元素加起来的算法如何使用PostGIS对点图层进行缓冲并查找点是否落入这些缓冲区中，从而忽略每个缓冲区自己的中心点如何使用postgresSQL查询查找某个点是否为线的折点之一如何检查给定的三维点是否在凸包之外如何知道一个点是否在图像中的一组点之外？是否有一种直接的方法来识别原始点集中凸壳点的索引？最近的点放在一组算法查找和固定日期交叉点的算法检查两个链表是否在任何点合并的最佳可能算法？如果是的话,在哪里？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

CGAL功能大纲

Computational Geometry Algorithms Library，CGAL，计算几何算法库。使用C++语言编写的，提供高效、可控的算法库。广泛应用于计算几何相关领域，如地理信息系统、计算机图形学、计算机辅助设计、信息可视化系统、生物医学等。

01

OpenCV 轮廓检测

http://blog.sina.com.cn/s/blog_8fc98fe501017ypb.html

02

几种常用的矩阵范数表示_向量范数怎么求

按道理讲，这些东西应该熟记于心的。但是自己真心不喜欢记这种东西，看到一个总结不错的博客，转载过来以便于自己查看把！原文

01

优秀的排序算法如何成就了伟大的机器学习技术（视频+代码）

【导读】在机器学习中，支持向量机（SVM）算法是针对二分类任务设计的，可以分析数据，识别模式，用于分类和回归分析。训练算法构建一个模型，将新示例分配给一个类别或另一个类别，使其成为非概率二元线性分类器；使用核技术还可以有效地执行非线性分类。迄今为止线性核技术仍是文本分类的首选技术。

02

OpenCV系列之轮廓特征 | 二十二

特征矩可以帮助您计算一些特征，例如物体的质心，物体的面积等。请查看特征矩上的维基百科页面。函数cv.moments()提供了所有计算出的矩值的字典。见下文：

02

【目标跟踪】奇葩需求如何处理（二）

昨天突然接到一个需求，识别井盖且判断是否有井盖或无井盖。而且时间紧急，比赛突然加的需求，只给一天时间。一天时间用深度学习方法大概率是来不及了，采集数据标注数据训练模型都要花时间。

01

Nature子刊：基于静息态EEG功能连接模式识别精神疾病亚型

摘要：精神疾病在神经生物学和临床表征上存在异质性，基于数据驱动的疾病亚型识别有助于精神疾病的诊断和治疗，本文报告了创伤后应激障碍(PTSD)和重度抑郁障碍(MDD)两种临床相关亚型的识别，这两种疾病亚型主要通过在额顶叶控制网络（FPCN）和默认模式网络内（DMN）中稳定、有区分度的功能连接模式来建立。本文分析了四组PTSD和MDD患者数据集，在高密度静息态脑电图中重建信号，探究重建信号的能量包络连接性特征（PEC），通过有监督和无监督的机器学习确定疾病亚型，并表明这些疾病亚型在不同条件下记录的独立数据集之间是可转移的。与健康对照组相比，功能连接差异较大的疾病亚型对PTSD的心理治疗反应较差，对MDD的抗抑郁药物没有反应。在MDD数据集中，PTSD和MDD两种临床相关亚型对接受心理治疗同时接受重复经颅磁刺激（rTMS)治疗反应相似。本文通过稀疏聚类的数据驱动方法可能为基于连接组的诊断提供一个有效的解决方案。一、背景介绍精神病的诊断是根据一系列症状来定义的。例如，创伤后应激障碍(PTSD)涉及一系列情绪、认知和躯体症状，这些症状可能在一个人经历或目睹了一个对个人造成严重伤害或威胁的创伤事件后出现。同样，重度抑郁症(MDD)以持续的负面情绪为特征，通常与生理、心理或社会压力来源有关。研究精神疾病神经生物学的传统方法遵循了这一诊断框架，通过病例对照研究，将所有精神疾病患者与健康个体进行比较。然而，研究病例-对照组的差异可能会阻碍精神病学生物标志物的发现和对精神病理生物学的理解，在当前的临床诊断定义中，患者和健康对照患者中存在高度的生物学异质性，而这种生物异质性对治疗结果有重大影响，如何识别和复制能够阐明这种异质性的生物标志物是一个长期的挑战。本文试从高密度静息态脑电图（rsEEG）中重建源信号，并从重建的信号中提取功能包络连接特征（PEC），从PEC特征中寻找生物标志物。研究主要目标：描述PTSD和MDD的神经生物学异质性，通过稀疏聚类的数据驱动方法，从静息态脑电图的功能包络连接（rsEEG-PEC）中识别出生物标志物，从而阐明精神病学在神经生物学和临床表征上的异质性。研究方法概览在四个独立的数据集中进行亚型分析，数据集包括两个PTSD数据集和两个MDD数据集。从一个PTSD数据集的rs-EEG中重建信号，从信号中提取PEC特征，根据PEC特征确定两种稳定且可复制的临床相关亚型。然后在其他数据集上对发现的亚型进行复制分析，探究数据集疾病亚型的可转移性，最后探究发现的疾病亚型在不同的临床干预下的反应，分析亚型的临床意义。二、研究设计数据集1：106名创伤后应激障碍患者和95名健康对照者（曾受创伤的健康参与者）的创伤后应激障碍数据集；研究人员使用BrainAmp直流放大器(Brain Products)以5 kHz采样率采集PTSD患者的脑电图数据，模拟带通滤波在0 - 1 kHz之间。按照标准的10-20系统，使用带有64个Ag/AgCl电极的Easy EEG帽进行数据记录。参考电极被固定在鼻尖上。在实验过程中，参与者被安排坐在一张舒适的椅子上，并被要求保持清醒，完成两个阶段(闭上眼睛三分钟和睁开眼睛三分钟)，之后进行脑电信号的预处理。数据集2：创伤后应激障碍135例患者，这些参与者是在北加州或新墨西哥州的退伍军人事务诊所的心理治疗评估中，基于符合创伤后应激障碍的临床标准而招募的。采用 (EGI)放大器，以1 kHz采样率和256个电极采集创伤后应激障碍患者的脑电图数据，在数据记录期间电极阻抗保持在50 KΩ以下。在实验中，参与者坐在一张舒适的椅子上，并被要求保持清醒，完成两个阶段(10分钟闭眼和10分钟睁开眼)。静息状态的脑电图预处理。记录的rsEEG数据使用与PTSD研究数据集1中相同的方式处理。数据集3：重度抑郁症266例患者，在四个研究地点:德克萨斯大学西南医学中心(TX)、麻省总医院(MG)、哥伦比亚大学(CU)和密歇根大学(UM)，根据机构审查委员会批准的方案，每个参与者都获得了书面知情同意。rsEEG记录了四个研究地点。在所有研究地点，都进行了放大器校准。实验人员通过视频会议演示了准确的脑电图帽放置和任务指令传递，试验受试者脑电图数据获得了哥伦比亚脑电图团队的认证。rsEEG被记录在4个2分钟的区块中(两个闭着眼睛的区块和两个睁开眼睛的区块)。参与者被要求保持静止，尽量减少眨眼或眼球运动，并在眼睛睁开的情况下注视中心呈现的十字。记录的rsEEG数据使用与PTSD研究数据集1中相同处理。结果，在266例治疗前脑电图记录的患者中，228例有可用的脑电图数据可供分析。38例无法使用脑电图记录的患者主要表现为不良脑电图通道过多、通道总功率过大。数据集4：重度抑郁症179例患者，179名患者来自荷兰的三家门诊精神保健诊所。根据10-20电极国际系统，所有通道的采样率为500赫兹。受试者被要求睁开眼睛，闭上眼

00

音频知识（二）--MFCCs

音频项目中，比如识别，重建或者生成任务之前通常都需要将音频从时域转换到频域，提取特征后再进行后续工作。MFCC(Mel-Frequency Cepstral Coefficients)，梅尔倒谱系数，就是比较常用的音频特征提取方式。本文主要介绍mfcc提取流程。

09

经典算法

问题：在空间上线性可分的两类点，分别向SVM分类的超平面做投影，这些点在超平面上的投影仍然是线性可分的吗？

03

ArcGIS绘制矢量要素的最小外接矩形、外接圆

本文介绍在ArcMap软件中，基于一个面图层，绘制其中面要素的最小外接矩形、最小外接圆等的方法。

02

数值优化（A）——线性规划中的单纯形法与内点法

在这一节我们会给大家介绍带约束优化中更为具体的线性规划的内容。相信大家在运筹学中会对线性规划更加熟悉，比方说单纯形法就是运筹学一开始就会讲授的内容。那么在优化中，我们也会关注它们，通过介绍他们来了解优化在运筹中的应用，也能够让大家更好的了解为什么“运筹优化”一般都放在一起来说。

01

cv2.drawContours

1.1什么是轮廓轮廓可以简单认为成连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。

01

Adam真的是最好的优化器吗？

Adam 优化器是深度学习中最流行的优化器之一。它适用于很多种问题，包括带稀疏或带噪声梯度的模型。其易于精调的特性使得它能够快速获得很好的结果，实际上，默认的参数配置通常就能实现很好的效果。Adam 优化器结合了 AdaGrad 和 RMSProp 的优点。Adam 对每个参数使用相同的学习率，并随着学习的进行而独立地适应。此外，Adam 是基于动量的算法，利用了梯度的历史信息。基于这些特征，在选择优化算法时，Adam 往往是「当仁不让」。

02

自动驾驶安全挑战：行为决策与运动规划

在自动驾驶技术发展中，安全性一直作为首要因素被业界重视。行为决策与运动规划系统作为该技术的关键环节，对智慧属性具有更高要求，需要不断地随着环境变化做出当前的最优策略与行为，确保车辆行驶过程中的安全，文中分别对行为决策和运动规划系统进行深层次阐述。首先，介绍行为决策中基于规则的决策算法、基于监督学习的决策算法、基于强化学习的决策算法的算法理论及其在实车中的应用，然后，介绍运动规划中基于采样的规划算法、基于图搜索的规划算法、基于数值优化的规划算法和基于交互性的规划算法，并对算法的设计展开讨论，从安全角度分析行为决策和运动规划，对比各类方法的优缺点。最后，展望自动驾驶领域未来的安全研究方向及挑战。

04

Adam真的是最好的优化器吗？

Adam 优化器是深度学习中最流行的优化器之一。它适用于很多种问题，包括带稀疏或带噪声梯度的模型。其易于精调的特性使得它能够快速获得很好的结果，实际上，默认的参数配置通常就能实现很好的效果。Adam 优化器结合了 AdaGrad 和 RMSProp 的优点。Adam 对每个参数使用相同的学习率，并随着学习的进行而独立地适应。此外，Adam 是基于动量的算法，利用了梯度的历史信息。基于这些特征，在选择优化算法时，Adam 往往是「当仁不让」。

01

visualgo学习与使用

visualgo是新加坡国立大学计算机学院一位很棒的博士老师Dr. Steven Halim 在2011年写的一个可视化数据结构和计算机常用算法的开源项目，虽然现在没有维护了，但不可否认他依旧是一个很棒的网站。它最初的目的是为了帮助他的学生更好地理解算法和数据结构，但随着时间的推移，它已经成为了一个广受欢迎的在线教育工具。

01

凸优化和机器学习

转载说明：CSDN的博主poson在他的博文《机器学习的最优化问题》中指出“机器学习中的大多数问题可以归结为最优化问题”。我对机器学习的各种方法了解得不够全面，本文试图从凸优化的角度说起，简单介绍其基本理论和在机器学习算法中的应用。

03

DBSCAN聚类

物以类聚，人以群分，平常我们把人和物进行分类，今天来讲一讲如何通过DBSCAN用数据把样本进行聚类。

02

裴健团队KDD新作：革命性的新方法，准确、一致地解释深度神经网络

AI 科技评论按：你有没有想过，深度神经网络是依据什么来准确识别有猫的图片的？随着深度神经网络在金融、医疗及自动驾驶等领域的广泛应用，深度神经网络无法明确解释自身决策行为的问题也引起了越来越多的关注。明确解释深度神经网络的决策行为，能够大幅提升各类用户对深度神经网络的信任，并显著降低大规模使用深度神经网络所带来的潜在风险，是基于深度神经网络的人工智能应用成功落地的重要一环。

03

为什么凸性是优化的关键

当你刚开始学习机器学习时，可能最有趣的就是优化算法，具体来说，就是梯度下降法优化算法，它是一个一阶迭代优化算法，用来使成本函数最小化。

06

基于深度学习的高精地图的自动生成与标注

文章：Automatic Building and Labeling of HD Maps with Deep Learning

03

理解凸优化

凸优化（convex optimization）是最优化问题中非常重要的一类，也是被研究的很透彻的一类。对于机器学习来说，如果要优化的问题被证明是凸优化问题，则说明此问题可以被比较好的解决。在本文中，SIGAI将为大家深入浅出的介绍凸优化的概念以及在机器学习中的应用。

02

DBSCAN密度聚类算法

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。下面我们就对DBSCAN算法的原理做一个总结。

02

一文详解点云库PCL

随着新型，低成本的3D传感器硬件的出现（例如Kinect），以及科研人员在高级点云处理研究上的不断努力，3D感知在机器人技术以及其他领域显得愈发重要。

02

手把手教你EMD算法原理与Python实现(更新)

Rose今天主要介绍一下EMD算法原理与Python实现。关于EMD算法之前介绍过《EMD算法之Hilbert-Huang Transform原理详解和案例分析》,

04

深度学习中的数学（一）——高等数学

关键词：值域、定义域、单调性、对称性、饱和性、周期性、奇偶性、连续性、变化趋势（从图像上来看）

03

手把手教你EMD算法原理与Python实现

SSVEP信号中含有自发脑电和大量外界干扰信号，属于典型的非线性非平稳信号。传统的滤波方法通常不满足对非线性非平稳分析的条件，1998年黄鄂提出希尔伯特黄变换(HHT)方法，其中包含经验模式分解(EMD)和希尔伯特变换(HT)两部分。EMD可以将原始信号分解成为一系列固有模态函数(IMF) [1]，IMF分量是具有时变频率的震荡函数，能够反映出非平稳信号的局部特征，用它对非线性非平稳的SSVEP信号进行分解比较合适。

02

opencv(4.5.3)-python(十九)--轮廓线的特征

从这个矩，你可以提取有用的数据，如面积、中心点等。中心点是由Cx=M10/M00和Cy=M01/M00的关系给出的。这可以按以下方式进行。

02

A Discriminatively Trained, Multiscale, Deformable Part Model

本文提出了一种训练有素、多尺度、可变形的目标检测零件模型。在2006年PASCAL人员检测挑战赛中，我们的系统在平均精度上比最佳性能提高了两倍。在2007年的挑战赛中，它在20个类别中的10个项目中都取得了优异的成绩。该系统严重依赖于可变形部件。虽然可变形部件模型已经变得相当流行，但它们的价值还没有在PASCAL挑战等困难的基准测试中得到证明。我们的系统还严重依赖于新方法的甄别培训。我们将边缘敏感的数据挖掘方法与一种形式主义相结合，我们称之为潜在支持向量机。隐式支持向量机与隐式CRF一样，存在非凸训练问题。然而，潜在SVM是半凸的，一旦为正例指定了潜在信息，训练问题就变成了凸的。我们相信，我们的训练方法最终将使更多的潜在信息的有效利用成为可能，如层次(语法)模型和涉及潜在三维姿态的模型。

04

人工神网络来解码皮质电图(ECoG)数据

俄罗斯科学家提出了一种自动解码和解释解码器权重的新算法，该算法可用于脑机接口和基础研究。该项研究结果发表在《神经工程杂志》上。

01

博客 | 机器学习中的数学基础（凸优化）

机器学习中几乎所有的问题到最后都能归结到一个优化问题，即求解损失函数的最小值。我们知道，梯度下降法和牛顿法都是通过逼近的方式到达极值点，如何使损失函数的极值点成为它的最值点就是凸函数和凸优化关注的内容。

03

基于线性预测的语音编码原理解析

早期的音频系统都是基于声音的模拟信号实现的，在声音的录制、编辑和播放过程中很容易引入各种噪声，从而导致信号的失真。随着信息技术的发展，数字信号处理技术在越来越多领域得到了应用，数字信号更是具备了易于存储和远距离传输、没有累积失真、抗干扰能力强等等，信号和信号处理都往数字化发展。为了使得数字音频可以被高效地压缩存储并高品质地还原，数字音频的编码技术就变成至关重要的一个部分了。本篇文章会介绍当今的音频的编码器(传统算法非深度学习)的两大主流阵营之一的基于线性预测的语音编码器的原理。

02

凸包问题之蛮力解法

1 　点集Q的凸包（convex hull）是指一个最小凸多边形，满足Q中的点或者在多边形边上或者在其内。下图中由红色线段表示的多边形就是点集Q={p0,p1,...p12}的凸包。

02

Open3d学习计划（3)点云

Open3D是一个开源库，支持快速开发和处理3D数据。Open3D在c++和Python中公开了一组精心选择的数据结构和算法。后端是高度优化的，并且是为并行化而设置的。

04

深度学习与统计力学(III) ：神经网络的误差曲面

即使一个深层网络能够通过选择参数表达所需的函数，也不清楚什么时候可以通过（随机）梯度下降将公式(3)中的训练误差 εTrain((w,D) 下降来成功地找到这组参数。这种误差曲面的典型特征、它对训练样本数量和网络结构的依赖性，以及它对学习动力学的影响，成为人们非常感兴趣的问题。

01

Lasso 稀疏约束 + Group Lasso 分组最小角回归算法

1-范数：即向量元素绝对值之和，matlab中可以调用函数norm(x, 1)

02

《Nature》子刊：不仅是语言，机器翻译还能把脑波「翻译」成文字

论文链接：https://www.nature.com/articles/s41593-020-0608-8

04

点云处理算法整理（超详细教程）

https://www.cnblogs.com/armysheng/p/3422923.html

04

OpenCV 轮廓 —— 轮廓查找

取值含义 cv2.CHAIN_APPROX_NONE 存储了所有的轮廓点。也就是说，等高线的任意2个后续点(x1，y1)和(x2，y2)将是水平、垂直或对角线邻居，即 max (abs (x1-x2),abs (y2-y1)) = 1。 cv2.CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线段，只留下它们的端点。例如，一个直立的矩形轮廓用 4 个点进行编码。 cv2.CHAIN_APPROX_TC89_L1 运用了 Teh-Chin 连锁近似演算法的一种 cv2.CHAIN_APPROX_TC89_KCOS 运用了 Teh-Chin 连锁近似演算法的一种

02

从零推导支持向量机 (SVM)

AI 科技评论按，本文作者张皓，目前为南京大学计算机系机器学习与数据挖掘所（LAMDA）硕士生，研究方向为计算机视觉和机器学习，特别是视觉识别和深度学习。

03

中微笔记 | 03_偏好

完备性：指任何两个消费束都是可比较的。反身性：任何消费束至少与本身同样好。传递性：指假如消费者认为

04

BAT面试题38：梯度下降法找到的一定是下降最快的方向么？

梯度下降法并不是下降最快的方向，它只是目标函数在当前的点的切平面（当然高维问题不能叫平面）上下降最快的方向。

03

Netflix：通过可视化和统计学改进用户QoE

原文 https://medium.com/netflix-techblog/streaming-video-experimentation-at-netflix-visualizing-practical-and-statistical-significance-7117420f4e9a

02

深度学习中的优化问题以及常用优化算法

在深度模型中我们通常需要设计一个模型的代价函数（或损失函数）来约束我们的训练过程，训练不是无目的的训练，而是朝着最小化代价函数的方向去训练的。本文主要讨论的就是这类特定的优化问题：寻找神经网络上一组参

深度学习与统计力学(III) ：神经网络的误差曲面

即使一个深层网络能够通过选择参数表达所需的函数，也不清楚什么时候可以通过（随机）梯度下降将公式(3)中的训练误差下降来成功地找到这组参数。这种误差曲面的典型特征、它对训练样本数量和网络结构的依赖性，以及它对学习动态的影响，成为人们非常感兴趣的问题。

02

基于局部凹凸性进行目标分割

Object Partitioning using Local Convexity

02

机器学习：Python测试线性可分性的方法

线性和非线性分类两个子集是线性可分的,如果存在一个超平面将每组的元素的所有元素的一组驻留在另一侧的超平面其他设置。我们可以描述它在2D绘图中通过分离线,并且在3D绘图通过一个超平面。根据定义，线性

06

Google发布Objectron数据集

原文链接 / http://ai.googleblog.com/2020/11/announcing-objectron-dataset.html

03

双端队列

起初用记忆化搜索来写，可以有如下定义f(i, t)表示当前位置下的最小代价，但同时还有前一轮带来的时间总和。

04

语音识别中的声学特征提取：梅尔频率倒谱系数MFCC | 老炮儿改名PPLOVELL | 5th

MFCC是Mel-Frequency Cepstral Coefficients的缩写，全称是梅尔频率倒谱系数。它是在1980年由Davis和Mermelstein提出来的，是一种在自动语音和说话人识别中广泛使用的特征。顾名思义，MFCC特征提取包含两个关键步骤：梅尔频率分析和倒谱分析，下面分别进行介绍。

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭