机器视觉系统中使用的摄像机、镜头和照明都对图像的整体质量做出了重要贡献。过去几年CMOS图像传感器技术的快速发展为镜头制造商带来了重大挑战。越来越高的传感器分辨率意味着现在有许多传感器具有更小的像素，需要更高分辨率的镜头。

机器学习性能评价标准是模型优化的前提，在设计机器学习算法过程中，不同的问题需要用到不同的评价标准，本文对机器学习算法常用指标进行了总结。

遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。

当前以人工智能为代表的第四次工业革命正在快速改变着我们的生产、生活环境，其中以对就业结构的改变尤为显著。因此，在产业结构调整、人口老龄化严重、人口出生率下降的背景下，如何将“人口红利”转化为“人才红利”成为人工智能背景下解决就业问题的关键。

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。

这篇文章的目的是希望能够解释一些关于深度学习（DL）的误解，在机器学习领域，同时也被称为爆发的小宇宙和科研炒作。事实是在中间的某个地方，我希望能把这趟浑水弄清 - 至少有一点点。重要的是，我希望澄清一些攻击深度学习的问题，并讨论为什么它在自然语言处理（NLP），图像识别和机器翻译等方面表现良好，而在其他方面却失败了。

只有当公司解决客户问题、节约成本或符合标准时，物联网才有可能取得成功。在物联网领域，我花了大量时间与初创企业和成熟的产品公司合作，我深刻认识到，所有物联网公司都必须遵守12条法则才能取得成功。

本文我们就讨论另一类输出和模型间有反馈的神经网络：循环神经网络(Recurrent Neural Networks ，以下简称RNN)，它广泛的用于自然语言处理中的语音识别，手写书别以及机器翻译等领域。

在物联网应用中，5G网络切片可以提供优质的服务，并可增强可靠性和安全性。5G是下一代移动通信网络技术，可以为物联网应用提供不少关键的优势，包括低延迟、高带宽，以及支持在室内和室外的长期、密集的网络覆盖。

表面遮挡住光源路径就会产生阴影，由理想点光源产生的阴影边缘是比较锐利的，而现实世界中的阴影边缘确是模糊的，该模糊部分成为半影。半影的出现，是由于现实世界的点光源不是空间意义上的一个点，它会覆盖一定的面积，就会产生以不同角度掠过物体边缘的光线。

“以信息化培育新动能，用新动能推动新发展，以新发展创造新辉煌“。2019年5月6日至8日在福州市举办的第二届数字中国建设峰会，盛况空前。在展区，Imagination通过生动、直观的现场演示为与会代表和观众展现了图形处理、人工智能、无线通信等领域的多项领先技术和解决方案。

图像增强是图像模式识别中非常重要的图像预处理过程。图像增强的目的是通过对图像中的信息进行处理，使得有利于模式识别的信息得到增强，不利于模式识别的信息被抑制，扩大图像中不同物体特征之间的差别，为图像的信息提取及其识别奠定良好的基础。图像增强按实现方法不同可分为点增强、空域增强和频域增强。

人工智能(AI)在人们的日常工作和生活中日益普及，而且企业越来越依赖于人工智能来完成一系列任务，因此IT团队实施人工智能面临的风险越来越高。其实施成功与否的后果可能是深远的。如果没有正确实施，人工智能可能带来更多的偏见，以及许多其他的破坏性后果。

很多人以为虚拟现实是现代才有的产物，但是其实早在上世纪20年代，它就已经以某种形式存在。人们对于VR的了解还是相当有限的，甚至还有一些误解，为了更进一步了解这个领域，让大家能够更清楚的认识虚拟现实，并去接受它。本文总结分析了虚拟现实革命的十大必读和十大误区。

5月6日，第二届数字中国建设峰会在福建省福州市拉开帷幕。Imagination Technologies公司在本次展览会期间设有展位（中国国新展区，5号馆5C10号），通过生动、直观的现场演示为与会者展现了公司在图形处理、人工智能、无线通信等领域的多项领先技术和解决方案。

近几年来，“深度学习”在国内暴得大名，无论是理论界还是实践界都对此趋之若鹜，许多学者对此有过论述，几乎所有一线教师都非常关心这一论题。就国内研究而言，短短五年就有论文500篇之多。然而，我们不无遗憾地看到，绝大多数理论及实践成果都有一种“单向度取向”，即主要是基于学习心理学认知学派的“信息加工”理论而展开的研究成果，鲜有“全视角”观照；其中国内研究多数又以“译介”为主，实证成果稀少。

最近几年，AI炒翻天。有太多商业泡沫遮蔽了我们的认知。即便有些虽然看上去合理的讨论，也容易被扭曲。比如，前年下半年、去年上半年，几个行业大人物围绕中美AI核心竞争力做着比较，最后我们大都在强调自己的数据优势、场景优势，而美国强调了自己的算法与底层的综合技术。

机器学习和互联网意味着海量数据和复杂的联系，同时也意味着人类无法理解的运行过程——人工智能的“黑箱”是近期学界热议的一个话题，当我们无法理解算法和它生产出的内容，它会怎样改变人类的思想和整个世界的运行？与此同时，完全无法理解这些数据意味着什么的人工智能，真的是在分析世界吗？

前不久，Cybersecurity Ventures的主编Steve Morgan在发表了一篇文章，里面推荐了十本关于网络安全的好书。

几年前，在学术机构之外很难找到人认真讨论人工智能(AI)。但在今天，几乎每个人都在说AI。和所有新技术趋势一样，这波新浪潮正源源不断地带来好奇心和热情。普罗大众的参与，虽然创造了不少伟大的想法，但在许多情况下也导致了错误看法的出现。