基于物理的渲染，英文缩写PBR，是一个渲染技术的集合，包含多种或多或少的利用物理来更真实的模拟现实世界的渲染技术，基于物理的渲染的目的是利用更接近实际物理理论的光照计算，生成比以前的Phong、Blinn-Phong算法更真实的画面，这项技术的好处不只是让画面看起来更好看了，也让我们可以简单的通过改变物体的几个物理属性就能渲染出想要的效果，而不用担心光照错误，这是非PBR渲染无法比拟的优势。

决策树算法在机器学习中算是很经典的一个算法系列了。它既可以作为分类算法，也可以作为回归算法，同时也特别适合集成学习比如随机森林。本文就对决策树算法原理做一个总结。

图像配准的方法大致分为三类，一类是基于灰度和模板的，这类方法直接采用相关运算等方式计算相关值来寻求最佳匹配位置，方法简单较为死板，一般效果不会太好。第二类是基于特征的匹配方法，如sift、surf点特征，或者向量特征等等，适应性较强。第三类是基于域变换的方法，采用相位相关（傅里叶-梅林变换）或者沃尔什变换、小波等方法，在新的域下进行配准。

虚拟现实系统的主要技术构成：虚拟世界的生成，人与虚拟世界的自然交互；识别用户各种形式的输入，并实时生成相应的反馈信息；模型的建立，虚拟声音的生成，管理，现实，数据库的建立管理；整个虚拟世界中所有物体的各方面信息。

本文将介绍一种非常重要的神经网络——卷积神经网络。这种神经网络在计算机视觉领域取得了重大的成功，而且在自然语言处理等其它领域也有很好的应用。深度学习受到大家的关注很大一个原因就是Alex等人实现的AlexNet在LSVRC-2010 ImageNet这个比赛中取得了非常好的成绩。此后，卷积神经网络及其变种被广泛应用于各种图像相关任务。

凭借着简化业务流程、降低运营成本以及自动完成繁琐任务等能力，人工智能（AI）技术已经在众多行业当中成为重要的增长驱动因素。与此同时，云计算、大数据以及物联网等技术的发展，亦促进AI领域的后续市场增长。我们预计这部分市场总额到2025年将增长至1906.1亿美元。而在一份最新报告中，Tractica预计到2025年，仅全球AI软件的收入就有望达到1058亿美元。

【渲染流程】应用阶段：该阶段由CPU负责实现。开发者有三个主要任务：准备场景数据、 粗粒度剔除（将不可见的物体剔除出去）、设置每个模型的渲染状态（即渲染图元） ；几何阶段 ：这阶段在GPU上进行，负责与每个渲染图元打交道，进行逐顶点，逐多边形的操作。该阶段重要任务是将顶点坐标变换到屏幕空间去，再交给光栅器进行处理。该阶段会输出屏幕空间的二维顶点坐标、每个顶点对应的深度值、着色等相关信息。

技术改变生活，而各种新技术每天都在重新定义我们的生活状态。技术改变娱乐，甚至有了互联网时代“娱乐至死”的警语。当人工智能介入我们的生活，特别是娱乐的时候，一切又将大为不同。尽管很多时候我们很难察觉人工智能的存在，但它正在带给我们一个又一个无法拒绝的崭新的现实。

我国智慧城市建设起步早、见效快，信息采集、网络传输、信息处理、信息开发应用等网络信息技术处于国际领先水平。目前来看，大多数城市已经完成了智慧城市建设得第一、二阶段任务,即数字化、网络化任务,部分城市已向智能化、智慧化阶段迈进。但不可否认的是，现阶段新型智慧城市建设中也存在诸多痛点，亟待解决。

来源：微信号 - 机器学习与统计学（tjxj666）：统计学家。文末附高清大图下载链接

每一波浪潮的到来，都意味一片无人占领的蓝海，也意味着众多新成长起来的巨头，还意味着什么？大量的技术人员需求，供不应求的开发市场，以及从业者的高薪与众多的机会。我们最常做的事情是目送着上一次浪潮的余波远去，感叹自己生不逢时，却没有意识到，下一波浪潮已经到了我们脚下。没错，我们说的就是AI。

对于深度学习本人也是半路出家. 现在的工作内容主要就是使用CNN做CV任务. 干调参这种活也有两年时间了. 我的回答可能更多的还是侧重工业应用, 技术上只限制在CNN这块.

神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。早期感知机的推动者是Rosenblatt。

一定程度上，每个人都清楚自动驾驶普及是大势所趋，但我们也不能忽视自动驾驶可能给我们社会交通状况带来的冲击，这种冲击包括了更加严重的交通压力，汽车耐久性不堪重负以及汽车行业彻底的重塑。自动驾驶并不是百利而无一害。

如何将二维几何图形显示到屏幕上？或者更一般地，如何将三维几何图形显示到屏幕上，并采用一定的真实感技术来渲染出独具风格的图形？这是计算机图形学要研究的。其中最重要的就是图形绘制管线的概念。

广义的“图像跟踪”技术，是指通过某种方式(如图像识别、红外、超声波等)将摄像头中拍摄到的物体进行定位，并指挥摄像头对该物体进行跟踪，让该物体一直被保持在摄像头视野范围内。狭义的“图像跟踪”技术就是我们日常所常谈到的，通过“图像识别”的方式来进行跟踪和拍摄。

光栅化是将一个图元转变为一个二维图像的过程。二维图像上每个点都包含了颜色、深度和纹理数据。将该点和相关信息叫做一个片元（fragment）。光栅化的目的，是找出一个几何单元（比如三角形）所覆盖的像素。

涉及人工智能应用的法律目前还很少，这使得很多组织面临各方面的压力，而为了让公众放心，人工智能应用必须是合乎道德和公平的。

深度学习作为机器学习的子集，它和普通机器学习之间到底有什么区别呢？作者使用了一种很普通的方式来回答这个问题。

深度学习的一个显著成功应用是嵌入，这是一种将离散变量表示为连续向量的方法。这项技术已经有了实际的应用，其中有在机器翻译中使用词嵌入和类别变量中使用实体嵌入。