本文主要介绍计算机视觉中主要的五大技术，分别为图像分类、目标检测、目标跟踪、语义分割以及实例分割。针对每项技术都给出了基本概念及相应的典型方法，简单通俗、适合阅读。计算机视觉是当前最热门的研究之一，是一门多学科交叉的研究，涵盖计算机科学（图形学、算法、理论研究等）、数学（信息检索、机器学习）、工程（机器人、NLP等）、生物学（神经系统科学）和心理学（认知科学）。由于计算机视觉表示对视觉环境及背景的相对理解，很多科学家相信，这一领域的研究将为人工智能行业的发展奠定基础。

<font size="3"><strong>从图像分类到图像分割</strong></font>

卷积神经网络（CNN）自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。

CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。

这些抽象的特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体，但是因为丢失了一些物体的细节，不能很好地给出物体的具体轮廓、指出每个像素具体属于哪个物体，因此做到精确的分割就很有难度。

作者：陆勤。最近开始研究通信领域的先进机器学习技术，本科学的是通信工程，工作做的是机器学习，5G的到来，智能移动网络的需求和应用，预示着通信领域需要先进的机器学习技术，同时，也会带来新的挑战和机遇。

<strong>1、Event Function:事件函数</strong>

为什么在纹理采样时需要texture filter（纹理过滤）？我们的纹理是要贴到三维图形表面的，而三维图形上的pixel中心和纹理上的texel中心并不一至（pixel不一定对应texture上的采样中心texel），大小也不一定一至。当纹理大于三维图形表面时，导至一个像素被映射到许多纹理像素上;当维理小于三维图形表面时，许多个象素都映射到同一纹理。

机器学习是个跨领域的学科，而且在实际应用中有巨大作用，但是没有一本书能让你成为机器学习的专家。

在这篇文章中，我挑选了10本书，这些书有不同的风格，主题也不尽相同，出版时间也不一样。因此，无论你是新手还是领域专家，一定能找到适合你的。

<strong>新手的最佳读物</strong>

一直以来，有件令人悲哀的事实：压力对于游戏开发者来说是一种很正常的事情。当游戏交期来临时、开发过程中意想不到的问题出现需要解决时、工作学习过程中（当这些状况出现时候，或者需要使用之前从未使用过的软件时）等等，存在很多原因给开发者带来压力。

然而幸运的是，目前有一些方法能帮助开发者减轻压力。互联网行业中的每个人都应该学习一下这些方法，否则压力太大会造成低效率的工作且影响团队整体工作。毕竟，整个游戏开发的本质是：团队合作。

这些建议对于缓解压力是方便有效的。

<font color="#aa8812"><strong>1、时刻铭记你不是一个人</strong></font>

GPU流水线主要分为两个阶段：几何阶段和光栅化阶段

<strong>几何阶段</strong>

顶点着色器 ——&gt; 曲面细分着色器（可选）-----&gt;几何着色器（可选）-----&gt;裁剪——&gt;屏幕映射

<font color="Purple">顶点着色器</font>
流水线的第一个阶段，输入来自于CPU，处理的基本单位为单个顶点，输入的每个顶点都会调用一次顶点着色器。

主要工作是：坐标变换（比如改变顶点位置模拟水面、布料等）和逐顶点光照，并输出后续阶段需要的数据（常见的输出路径是经光栅化后交给片元着色器处理）。

<font size="3"><strong>一 、形状特征</strong></font>

<font color="Purple"><strong>（一）特点</strong></font>

摘要： 本文对机器学习的一些基本概念给出了简要的介绍，并对不同任务中使用不同类型的机器学习算法给出一点建议。

在从事数据科学工作的时候，经常会遇到为具体问题选择最合适算法的问题。虽然有很多有关机器学习算法的文章详细介绍了相关的算法，但要做出最合适的选择依然非常困难。

在这篇文章中，我将对一些基本概念给出简要的介绍，对不同任务中使用不同类型的机器学习算法给出一点建议。在文章的最后，我将对这些算法进行总结。

5G这个概念在2018年的年末随着华为孟晚舟事件被推向高潮，除了华为、三星、诺基亚等设备商和三大运营商，对于落地场景的智能家居来说，5G的全面商用也有诸多影响。

不仅仅是宽带的提升，除了智能家居，5G在工业自动化、无人驾驶、网联无人机、远程医疗、智能交通等领域逐步兴起；移动超高清视频、增强现实(AR)/虚拟现实(VR)等大视频应用推动网络带宽需求大幅提升。5G将开启万物互联、无限遐想的新时代，整个社会对5G时代充满期待。

<strong>整合智能设备促行业发展原动力</strong>

VR即Virtual Reality，意思是“虚拟现实”，是一种可以创建和体验虚拟世界的计算机仿真系统。它利用计算机生成一种模拟环境，是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真使用户沉浸到该环境中。

在VR领域里，最被大家所熟知的就是VR眼镜了。VR眼镜是“虚拟现实头戴式显示器设备”的简称，亦可称为VR头显。

<font size="3"><strong>VR眼镜原理</strong></font>

VR眼镜的主要配置就是两片透镜。VR透镜属于成像光学设计，透镜表面设计有平凸（非球面）、双凸和凹凸效果，透镜边缘薄，中心厚。凸透镜能修正晶状体的光源的角度，使其重新被人眼读取，达到增大视角、将画面放大、增强立体效果的作用，让人有身临其境的感觉。

<font size="3"><strong>前言</strong></font>

近二十年来，DNS重绑定（DNS rebinding）攻击一直是讨论的话题。尽管浏览器厂商做出了努力，但仍然无法找到一个能稳定抵御这些攻击的防御系统。据说这类问题八年前就已经被修复了。但是这类攻击通过新的攻击向量再次出现。

总的来说，可以肯定未来的黑客活动将通过多个现有攻击组合形成新的攻击向量。这些新攻击向量的一个很好的例子就是攻击加密货币钱包的DNS重绑定攻击。

在本文中，我们讨论了Princeton（普林斯顿大学）和UC Berkeley（加州大学伯克利分校）关于基于web的方式攻击物联网设备的研究，这些攻击会导致设备被黑客发现、攻击和接管。研究于2018年8月发表。

卷积神经网络作为深度学习的典型网络，在图像处理和计算机视觉等多个领域都取得了很好的效果。

Paul-Louis Pröve在Medium上通过这篇文章快速地介绍了不同类型的卷积结构（Convolution）及优势。为了简单起见，本文仅探讨二维卷积结构。

<font size="3" color="#33b1c8"><strong>卷积</strong></font>

首先，定义下卷积层的结构参数。

边缘计算能就近提供智能互联服务，满足行业在数字化变革过程中的关键需求。在物联网时代，不断增长的数据催生了对边缘计算的需求，据IDC预测，未来超过50%的数据需要在网络边缘侧分析、处理和储存。其巨大的市场空间也被玩家们看在眼里，2019边缘计算还将如何更好地推动物联网技术发展？这里列出了7个有关边缘计算和物联网的预测。

<font size="3"><strong>1、IIoT分析和机器学习（ML）公司会重点衡量它们在计算方面的交付能力。</strong></font>

如何对现有的程序进行并行优化，是 GPU 并行编程技术最为关注的实际问题。本文将提供几种优化的思路，为程序并行优化指明道路方向。

<font color="Purple"><strong>优化前准备</strong></font>

首先，要明确优化的目标 - 是要将程序提速 2 倍？还是 10 倍？100倍？也许你会不假思索的说当然是提升越高越好。

但这里存在一个优化成本的问题。在同样的技术水平硬件水平下，提升 2 倍也许只要一个下午的工作量，但提高 10 倍可能要考虑到更多的东西，也许是一周的工作量。提高 100 倍， 1000 倍需要的成本，时间就更多了。

本文整理了网络/游戏/编程相关的专业术语，作为游戏开发中的辅助参考资料。

<strong>16毫秒 / 帧速率</strong>

Frame Rate。

电子游戏使用的光栅显示器是普通电视时，图像一般每秒更新60次。图像更新的时间叫做帧，1秒60次即1次16毫秒（0.0167秒 = 16.7毫秒）。

16毫秒是玩家可以识别的游戏画面改变的最短时间间隔。

<strong>ARPG</strong>

Action Role Playing Game。

角色扮演类游戏中动作性较强的实时游戏，也指包含冒险游戏特征的游戏。

<strong>bot</strong>

VR视频，这里指的是沉浸式全景视频，基本场景是观影者戴上显示头盔（如cardboard），在其中通过头部的转动可以看到全景视频的每个方向的图像。同时也能听到来自各个方向的声音，声音也会随着头部的转动而发生变化。通过这种视频和声音与人的头部转动的配合，来给人一种身临其境的感觉。

<strong>纹理特征</strong>

纹理特征刻画了图像中重复出现的局部模式与他们的排列规则，常用于图像分类和场景识别。其只能反映物体表面的特性，无法完全反映出物体的本质属性，所以仅仅利用纹理特征无法获得图像的高层次内容。

<strong>优点： </strong>
1. 具有旋转不变性
2. 具有良好的抗噪性能。

<strong>缺点： </strong>
1. 当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差
2. 有可能受到光照、反射情况的影响
3. 从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理

常用的纹理特征提取方法一般分为四大类：

Unity Integrations现已正式发布，它允许你将重要的Unity服务连接到Slack、Jira和Discord等热门的生产和通讯工具。

使用Unity Integrations将是获取即时通知的最好方法，例如：当通过Cloud Diagnostics云诊断提交新的用户报告，或是团队成员将新改动推送到Collaborate多人协作时，你会马上得到通知。