在上一篇文章中[1]，我们介绍了Graph Convolution Network的推导以及背后的思路等，但是，其实我们会发现，在傅立叶域上定义出来的GCN操作，其实也可以在空间域上进行理解，其就是所谓的消息传递机制，我们在本篇文章将会接着[1]，继续介绍Message Passing机制。

我们曾在[1]中探讨了欧几里德结构数据（如图像，音视频，文本等）和非欧几里德结构数据（如Graph和Manifold等）之间的不同点，在本文中，我们探讨如何在非欧几里德结构数据，特别是Graph数据上定义出卷积操作，以便于实现深度神经学习。

本文是笔者在学习Geometric deep learning的过程中的一些笔记和想法，较为零散，主要纪录了非欧几里德结构数据和欧几里德结构数据之间的区别，后续会引出图卷积网络模型。

在文献[1]中对few-shot learning进行了很好地总结，其中提到了一个比较有意思的观点，这里和大家分享下。

我们知道在透视法中，相互平行的平行线会在无限远处相交于一点，我们称之为理想点（ideal point），对于这个透视成像的介绍，我们在之前的文章[1,2,3]中都或多或少介绍过，同时还引入了齐次坐标系，以便于对投影变换下的不同情况进行统一建模...

相机一般来说是一种从3D到2D的一种投影工具，其按照数学模型可以分为投影相机，透视相机，弱透视相机和仿射相机等，笔者在本文中尝试对其进行区分和联系。

在相机成像过程中，我们经常会提到相机的内参数，外参数，这些参数决定了一个相机的成像的效果，是后续一系列计算机视觉问题的基础中的基础，然而因为较为底层的原因，现在却比较少人关心它，笔者最近在学习一些底层的计算机视觉成像理论，感觉有所裨益，希望能在此进行笔记，作为备忘，如果能对读者有所帮助，则是更好不过了。

相机中的成像其本质是从3D实体世界中的物体投影到2D成像平面上，在这个过程中存在着许多投影相关的内容，本文讨论了一些透视投影的内容，作为笔者在学习过程中的笔记。

之前我们讨论过一些几何元素，比如点线面等，在本文中，我们将谈到称之为圆锥线和二次曲锥面的几何元素，这种类型的曲线对于讨论计算机视觉中投影是非常有效的，同时也是定义不同几何变换——投影变换，仿射变换，欧几里德变换等区别的要点之一，需要我们很好地掌握。

几何变换非常常见，在计算机视觉和图形学上更是如此，而这里指的几何一般是由点，线，面等几何元素组成的1，2维或3维图形。几何变换能够实现不同空间几何元素的对应，在很多领域中有着非常多的应用，立体视觉便是其中一个。本文尝试对四种不同类型的几何变换进行辨析，这些几何变换是一系列计算机视觉处理和相机成像的基础，因此有必要进行掌握。