博客

图像识别过程（概念）

图像处理(imageProcessing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像处理,而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。

（1）图像采样

2019年物联网九大预测

到2020年，物联网（IoT）预计将产生3440亿美元的额外收入，同时还会降低1770亿美元的经营成本。物联网和智能设备已经在提高全球主要工厂的性能指标，并将生产率水平提高40-60％。

以下预测探讨了2019年物联网的发展状况，内容涵盖物联网对业务和技术等方面的影响，包括数字化转型、区块链、人工智能（AI）和5G。

物联网预测一、数据和设备的增长

在2019年，将有大约36亿台设备主动连接到互联网，用于日常任务。随着5G的推出，将为更多设备和数据流量打开大门。您可以通过增加边缘计算的使用来应对这种趋势，这将使企业更容易、更快地在接近操作点处理数据。

软件光栅器实现（一、管线概述）

一个半月的时间实现了一个软件光栅器，这个是导入茶壶obj文件后的效果，主要难点在于：

1、Cohen-SutherLand CVV裁剪（两周工作量）
2、法线贴图（一周）
3、OBJ，MTL文件解析和加载（三天）

【译】自然语言处理中的深度学习：优势与挑战

本文翻译自李航老师发表在 National Science Review 上关于自然语言处理中的深度学习文章，该文讨论了目前存在的优势与挑战。

基于双目视觉的无人驾驶算法

引言

2019年应当认真对待的6大移动安全威胁

移动端的恶意软件，在近年来愈发频繁的出现在了网络世界中，随着安全威胁的升级，越来越多的企业或组织也开始重点关注这些问题。

如今，移动安全已经成为了很多公司网络安全威胁来源的头牌，随着智能手机的普及、应用日渐多样化，以及互联网不断的深入人们的生活，移动端也承载了比以往更多的数据信息，其中不乏敏感信息，这也招致了大量的外来者攻击。如何解决这个问题，成为越来越复杂的难题。

根据Ponemon研究机构2018年的报告，企业数据泄露平均损失已达386万美元，这比以往任何时候都要高，相较于去年，上升了大约6.4%。

虽然大量的恶意软件新闻看起来骇人听闻，事实上，作为个体我们也并不容易去切身体会，也许茫茫人海中你的手机被恶意软件攻击的概率比你被雷劈还要低。当然，这大多归功于移动恶意软件的自身性质以及现代移动端操作系统内置的保护机制。

机器学习十大算法的每个算法的核心思想、工作原理、适用情况及优缺点

一、C4.5 算法：

ID3 算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。

C4.5 算法核心思想是ID3 算法，是ID3 算法的改进，改进方面有：
1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；
2）在树构造过程中进行剪枝
3）能处理非离散的数据
4）能处理不完整的数据

优点：产生的分类规则易于理解，准确率较高。

通俗易懂，理解移动网络的“弱”和“慢”

本文章引用了腾讯技术专家樊华恒《海量之道系列文章之弱联网优化》的部分章节，感谢原作者。

1、前言

随着移动互联网的高速发展，移动端IM以移动网络作为物理通信载体早已深入人心，这其中的成功者就包括微信、手机QQ、支付宝（从即时通讯产品的角度来看，支付宝已经算的上是半个IM了）等等，也为移动端即时通讯开发者带来了各种可以参考的标杆功能和理念：语音对讲、具有移动端体验特性的图片消息、全时在线的概念、真正突破物理体验的实时通知等。

上述IM产品、功能和概念，在开发者间讨论时，无一例外都会被打上“移动端”这个特性，从网络通信的角度来说，这个特性的本质可以认为就是移动网络的特性。

常见的三个光照模型：Lambert,Phong,BlinnPhong

常见的三个光照模型

（1）漫反射与Lambert光照模型

粗糙的物体表面向各个方向等强度地反射光，这种等同度地散射现象称为光的漫反射（Diffuse Reflection）。产生光的漫反射现象的物体表面称为理想漫反射体，也称为Lambert反射体。

对于暴露在环境光下的Lambert反射体，可以用以下公式表示某点处的漫发射光强：
Iad= K*Ia

其中Ia表示环境光强度，k（0<k<1）为材质对环境光的反射系数，Iad是漫发射体与环境光交互时反射的光强。

机器学习难吗？这12大经验总结，让你瞬间理解机器学习

机器学习难吗？有些小伙伴们会说，难！真的难！不知道怎么去应用实践？弯路陷阱太多不知如何避免？不知道如何更好的学习机器学习？这些问题相信大部分人都有过疑虑。

今天，小编整理了下，关于机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。

希望这些经验对机器学习爱好者有一些帮助。

01“表征+评估+优化”构成机器的主要内容

构成机器学习算法的 3 部分：

图像质量评估算法 SSIM(结构相似性)

SSIM的全称为structural similarity index，即为结构相似性，是一种衡量两幅图像相似度的指标。该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Image and Video Engineering)提出。而如果两幅图像是压缩前和压缩后的图像，那么SSIM算法就可以用来评估压缩后的图像质量。

SSIM如何表征相似性：

5G时代即将到来，你每天都在使用的WiFi会消失不见吗？

说到WiFi大家都不陌生了，特别是智能手机出现后，WiFi发展的速度更是可以用“神速”来形容，几乎到处都有WiFi覆盖。以致于现在大家无论去到哪里，往往第一句话就是问“这里有没有WiFi?”或者“WiFi密码是多少?”

确实，过去移动互联网发展还不成熟的时候，上网资费特别昂贵，所以很多人为了省钱，都会选择WiFi上网，甚至还会有人借助蹭网神器偷偷蹭隔壁邻居的网络。

不过，如果说不久的未来，WiFi可能要消失了，你会相信吗?

卷积神经网络的最佳解释！

CNN由由可学习权重和偏置的神经元组成。每个神经元接收多个输入，对它们进行加权求和，将其传递给一个激活函数并用一个输出作为响应。整个网络有一个损失函数，在神经网络开发过程中的技巧和窍门仍然适用于CNN。很简单，对吧？

无人驾驶汽车想要“普渡众生”，还要经历15个磨难

无人驾驶汽车的未来与电动平衡车的历史有什么关系吗？电动平衡车也曾被预言将彻底改变交通。史蒂夫·乔布斯曾经说，城市将围绕这一设备重新设计；约翰·杜尔说，它将比互联网更大。电动平衡车在技术上很成功，但从未达到其支持者所期望的对市场的巨大影响，相反其现在仅仅占有一个很狭窄的市场。

人们可以想象出自动驾驶汽车（autonomous vehicles, AVs）的类似命运：这项技术可以很好地发挥作用，但却只能局限在狭窄的市场环境中，就像预先设定好的航天飞机路线和缓慢移动的无人机。一些狭窄的应用，比如长途运输的州际高速公路，可能非常有价值，但远不及许多人想象的那样。

预见未来丨机器学习：未来十年研究热点

本文中，微软亚洲研究院机器学习组的研究员们为我们盘点最热门的机器学习技术，梳理机器学习面临的挑战以及未来十年的发展趋势。

人工智能正热。

技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技术”，比如蒸汽机、内燃机、电力等。如今这个时代，人工智能就是最重要的“通用技术”。特别是行业与人工智能的结合，释放了行业的潜力，重塑了我们的生活。

人工智能备受关注、取得革命性进步背后的推手，其实是“机器学习”。

译：渲染管线概述

什么是渲染管线？

渲染管线也称为渲染流水线，是显示芯片内部处理图形信号相互独立的的并行处理单元。

一个流水线是一序列可以并行和按照固定顺序进行的阶段。每个阶段都从它的前一阶段接收输入，然后把输出发给随后的阶段。

然后u3d的文档看上去像是只说了渲染路径，而渲染管线（渲染流水线）并没有怎么说明。

干货丨一文看懂什么是“自然语言处理”

作者：武汉飔拓科技

一、什么是自然语言处理

简单地说，自然语言处理（NaturalLanguage Processing，简称NLP）就是用计算机来处理、理解以及运用人类语言(如中文、英文等)，它属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言，人类的思维也就无从谈起，所以自然语言处理体现了人工智能的最高任务与境界，也就是说，只有当计算机具备了处理自然语言的能力时，机器才算实现了真正的智能。

物联网中机器学习的挑战和机遇

据研究报告到2020年，将有超过200亿台互联网连接设备投入使用，这些设备每年将产生超过500个zettabytes的数据，随着更多的技术进步，这个数字预计将继续大幅增加。对于已经投资物联网的70%以上的组织而言，所有这些数据自然代表了独特的竞争优势，并且获得了用于开发创新AI应用程序的宝贵信息和见解的巨大机会。

事实证明，对于数据科学家和机器学习工程师而言，物联网数据与商业领袖一样令人兴奋。从医疗保健和农业到教育和运输，物联网蓬勃发展的领域与其应用程序一样多样化，从发现新信息到决策控制。物联网数据科学为创建令人兴奋的新数据产品打开了大门。但是，我们将在本文中研究物联网数据科学的一些特殊性。

数据注意事项