一年一度的PowerVR Inspire 2018是Imagination Technologies举办的全球性最新技术与SoC设计交流盛会，旨在启迪和助力芯片公司快速开发上市独具创新的SoC及系统级爆品。近年来所涉及的应用涵盖移动设备、人工智能、数字消费产品、先进汽车应用、AR/VR、智能家居以及安防等应用，为这些领域内的工程师及技术和产品管理人士提供了一个了解新技术、交流开发心得的绝佳平台。

在本年度活动上，我们将携合作伙伴，针对产业发展趋势和未来高价值应用，带给您精彩演讲和技术演示，您将了解我们独创的IP架构及最新IP产品如何以高效能、低功耗引领业界。为您带来创新灵感，助力您的SoC产品以创新尽占先机。

在过去的这些年里，对二维图像已经有了大量深入的研究，并且有着长足的发展。它在分类任务上取得了极好的结果主要得益于一下两个关键因素：

<strong>1. 卷积神经网络。</strong>

<strong>2. 数据 - 大量图像数据可用。</strong>

但是对于3D点云，数据正在迅速增长。大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDAR传感器或RGBD相机的扫描点云，无处不在。 另外，大多数系统直接获取3D点云而不是拍摄图像并进行处理。因此，在深度学习大火的年代，应该如何应用这些令人惊叹的深度学习工具，在3D点云上的处理上达到对二维图像那样起到很好的作用呢？

<font size="3"><strong>误区之一</strong></font>

把传感网或RFID网等同于物联网。事实上传感技术也好、RFID技术也好，都仅仅是信息采集技术之一。除传感技术和RFID技术外，GPS、视频识别、红外、激光、扫描等所有能够实现自动识别与物物通信的技术都可以成为物联网的信息采集技术。传感网或者RFID网只是物联网的一种应用，但绝不是物联网的全部。

<font size="3"><strong>误区之二</strong></font>

中国IoT创新奖由华强聚丰旗下领先的电子科技媒体电子发烧友主办。自2016年第三届中国IoT大会起，至今已成功举办两届。

中国IoT创新奖旨在发掘和表彰IoT行业中具有开拓精神并为企业带来杰出贡献的领导者，具有创新价值和深远影响的杰出技术，以及在过去一年中，被市场和行业用户所高度关注和认可的创新产品。

中国IoT创新奖鼓励更多优秀的人，推动IoT企业创造更多的社会价值，为IoT技术发展带来宏观视野，激励更多优秀的产品创新，为中国IoT产业的繁荣发展赋能。

中国IoT创新奖秉持公正、客观的评选流程，得到业界的广泛认可，并已成为中国IoT行业最具专业性和影响力的行业奖项。

<strong>1、什么是回归？ </strong>

是一种监督学习方式，用于预测输入变量和输出变量之间的关系，等价于函数拟合，选择一条函数曲线使其更好的拟合已知数据且更好的预测未知数据。

<strong>2、线性回归 </strong>

于一个一般的线性模型而言，其目标就是要建立输入变量和输出变量之间的回归模型。该模型是既是参数的线性组合，同时也是输入变量的线性组合。

Position：Hardware Customer Engineer Location: Shanghai, China

Position：Field Customer Engineer – Physical Design Location: Shanghai, China

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

机器学习的主要挑战在于在未见过的数据输入上表现良好，这就是泛化（generalization）能力。由于我们的机器学习模型都是从训练集中学习参数得到的，如何确保其在测试集上表现良好呢？

量化模型在训练集和测试集上的表现，分别成为训练误差（training error）和测试误差（test error），后者也称为泛华误差（generalization error）。理想的模型就是在最小化训练误差的同时，最小化泛化误差。

由于在看这类文章时专业名词较多，所以在正式开始前，我先介绍一些同义专业名词，各名词具体含义以及之间的关系在文中介绍。

卷积层 = C层

采样层 = 池化层（pooling层），S层

平面 = 特征图（feature map），通道，map

卷积核 = 权向量，滤波器

神经元 = 特征，结点，单元，像素点，patch

局部感受野的大小 = 滤波器的大小

<font size="3"><strong>1、 引入</strong></font>

关于5G的应用，你了解多少呢？要知道，每一次的网络革命都会给人们的生活带来翻天覆地的变化，当然5G也不例外。5G这个概念一出，立马引起了网上的众多讨论。而关于5G的应用你又了解多少呢？

所谓5G就是第五代移动通信技术，其理论的峰值已经达到了每秒10GB，比我们一般使用的4G网络要快数百倍，这样的速度下载整个超高的画质的电影只需要1秒内就可下载完成。

伴随着5G技术的诞生，同样也在推动着其他不同领域的发展。这些5G的应用你一定要了解：

人工智能现在在全世界流行，如果你想进行AI开发，那就先来了解这5种开发AI的最佳语言吧！

<font size="3"><strong>1、Python</strong></font>

最近，在自然语言处理（NLP）领域中，使用语言模型预训练方法在多项NLP任务上都获得了不错的提升，广泛受到了各界的关注。我将最近看的一些相关论文进行总结，选取了几个代表性模型和大家一起学习分享。

<font size="3"><strong> 一、前言</strong></font>

这篇卷积神经网络是前面介绍的多层神经网络的进一步深入，它将深度学习的思想引入到了神经网络当中，通过卷积运算来由浅入深的提取图像的不同层次的特征，而利用神经网络的训练过程让整个网络自动调节卷积核的参数，从而无监督的产生了最适合的分类特征。这个概括可能有点抽象，我尽量在下面描述细致一些，但如果要更深入了解整个过程的原理，需要去了解DeepLearning。

这篇文章会涉及到卷积的原理与图像特征提取的一般概念，并详细描述卷积神经网络的实现。但是由于精力有限，没有对人类视觉的分层以及机器学习等原理有进一步介绍，后面会在深度学习相关文章中展开描述。

Imagination负责PowerVR Series2NX神经网络加速器（NNA）的设计团队日前获得了著名的英国工程优秀奖（BEEA）的荣誉。该奖项成立于2009年，旨在展示英国在工程设计和创新方面的高水平能力。今年有40家不同的公司在11个类别展开竞争，NNA设计团队获得了BEEA颁发的“年度最佳设计团队奖”。

<font size="3"><strong> 1、SVM的原理是什么？</strong></font>

SVM是一种二类分类模型。它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。（间隔最大是它有别于感知机）

试图寻找一个超平面来对样本分割，把样本中的正例和反例用超平面分开，并尽可能的使正例和反例之间的间隔最大。

无线解锁汽车虽然很方便，但同时也要付出极大的代价，比如黑客的窥视。随着智能汽车越来越多，依附于这类型汽车的新形式犯罪也出现了，行业里将这部分犯罪分子称为“钥匙黑客”，顾名思义就是借助廉价电子配件和新的黑客攻击技术，相对轻松的拦截或阻挡车钥匙向车发出的信号。想象一下，如果一个小偷能截获并复制你的车钥匙信号，那他就可以打开你的车，而且不会发出任何警报！

根据联邦调查局的数据，汽车盗窃数量自1991年达到顶峰以来一直呈螺旋式上升趋势。然而，自2015年以来，汽车被盗数量却呈现新的直线上升趋势。事实上，2015年汽车盗窃案件增加了3.8％，2016年增加7.4％，2017年上半年增加4.1％。

“随着全社会对虚拟现实的关注度和理解力不断提高，虚拟现实的影响力也在逐渐扩大，向各行业各领域的渗透在不断深入，市场需求、行业应用正在激活，虚拟现实产业发展的战略窗口期已然形成……”在近日由工业和信息化部和江西省人民政府联合主办的2018世界VR产业大会上，工业和信息化部部长苗圩这样说。

未来，5G网络新技术将成为VR（虚拟现实）、AR（增强现实）产业赖以发展的通信技术。业界认为，5G可以根据业务需求匹配网络和计算资源，将更好地满足VR业务需求，推动VR创新应用发展。当VR产业遇上5G网络新技术，将产生哪些“化学反应”？

<font color="blue"><strong>VR产业在垂直领域的融入度不断提升</strong></font>

本文基于2018年发表于期刊 ISPRS Journal of Photogrammetry and Remote Sensing （IF 5.994）上的论文“A deep learning framework for remote sensing image registration [1]”，王爽，权豆，梁雪峰，宁梦丹，郭岩河，焦李成。

<font size="3"><strong>1. 背景</strong></font>

随着对地观测技术的不断发展与更新，获取遥感图像的传感器也越来越多。为了分析某一场景，我们有时需要把不同时期的、不同传感器的、甚至于不同视角的遥感图像融合在一起处理，因此需要对遥感图像进行配准，将多幅遥感图像进行匹配和叠加。

Imagination是第一家将光线追踪技术变成现实的厂商，我们方法的与众不同之处在于：从头开始设计，采用严格标准在嵌入式硬件平台实现部署。换句话说，Imagination所做的正是我们所擅长的：让前沿技术更加的高效。

<font size="3"><strong> 一、介绍</strong></font>

基于图的图像分割（Graph-Based Image Segmentation），论文《Efficient Graph-Based Image Segmentation》，P. Felzenszwalb, D. Huttenlocher，International Journal of Computer Vision, Vol. 59, No. 2, September 2004