博客

学习结构光问题总结

发表于:03/26/2020 , 关键词: 图像处理
点结构光只能获取单个点的深度信息,如要获取整个被测对象表面结构信息,需要沿着水平和垂直两个方向逐点扫描,效率比较低。点结构光技术只是对点状光斑进行处理,算法简单,计算复杂度小,但是需要引入扫描移动设备,以保证点光斑的遍历扫描,使得系统效率低下,难以满足实时性要求。

如何理解CNN中的池化?

发表于:03/26/2020 , 关键词: CNN, 池化
我们之所以使用卷积后的特征,是因为图像具有“静态型”的属性,也就意味着在一个图像区域的特征极有可能在另一个区域同样适用。所以,当我们描述一个大的图像的时候就可以对不同位置的特征进行聚合统计这种统计方式不仅可以降低纬度,还不容易过拟合。

怎么解决过拟合与欠拟合?

发表于:03/26/2020 , 关键词: 过拟合, 欠拟合, 机器学习算法
随着训练过程的进行,模型复杂度,在training data上的error渐渐减小。可是在验证集上的error却反而渐渐增大——由于训练出来的网络过拟合了训练集,对训练集以外的数据却不work。

渲染管线有什么作用?流程是什么?

发表于:03/26/2020 , 关键词: 渲染管线
渲染管线也称为渲染流水线或像素流水线或像素管线,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。在某种程度上可以把渲染管线比喻为工厂里面常见的各种生产流水线,工厂里的生产流水线是为了提高产品的生产能力和效率,而渲染管线则是提高显卡的工作能力和效率。

边缘AI有助于解决未来AIoT发展中的安全问题

发表于:03/26/2020 , 关键词: 边缘安全, AIoT
智能手机和移动设备的激增让我们的社会受益匪浅,这些智能设备的存在丰富并简化了我们的生活。智能设备以及物联网(IoT)和人工智能(AIoT)所带来的便利已经深深的植入我们的脑海中,以至于我们现在将其视为理所当然。

关于人工智能监控的影响,你应该知道的三件事

发表于:03/25/2020 , 关键词: 人工智能, 智能监控
据IDC预测,全球数据圈将从2018年的33ZB增长到2025年的175ZB。数据的真正价值在于,决策者能够从相关数据中提取洞察与见解,并采取相关行动。人工智能(AI)和机器学习在数据分析中的应用预计将大幅增加。事实上,IDC表示,到2025年,认知系统所触及的分析数据量将增长100倍,高达1.4ZB。

世界十大新科技科普

发表于:03/25/2020 , 关键词: 新科技
随着科技不断的发展与进步,人们的生活得到了“质”的提高。那么,你知道现在的发展如何了吗?又有哪些新的科技出现了吗?今日就为大家列出世界十大新科技,感兴趣的小伙伴不妨看看。

颜色空间:RGB,CMY,HSV,HSL,Lab详解

发表于:03/25/2020 , 关键词: 颜色空间, 图像
颜色空间(彩色模型、色彩空间、 彩色系统etc)是对色彩的一种描述方式,定义有很多种,区别在于面向不同的应用背景。

数据预处理详解

发表于:03/25/2020 , 关键词: 预处理
由于当今数据的数量庞大且来自于各种不同类型的来源,因此出现数据异常的可能性不断增加。鉴于高质量数据可生成更好的模型和预测,数据预处理的重要性与日俱增,并且已经成为数据科学、机器学习、AI 管道中的基本步骤。在本文中,我们将探讨数据处理需求,并讨论用于完成此流程中每个步骤的不同方法。

计算机图形学常用术语整理

发表于:03/24/2020 , 关键词: 计算机图形学
计算机图形学常用术语整理

科普:Shadow mapping、Path tracing

发表于:03/24/2020 , 关键词: Mapping
以光源为原点,即光源坐标系,将视点移至光源处,启用depth buffer形成一张depth map,也就是所谓的shadow map,这样得到的是一张离光源最近的图,即没有阴影的图

快来看看卷积操作到底都干了什么!

发表于:03/24/2020 , 关键词: 卷积
卷积解决全连接参数过多的问题(参数多容易过拟合和,局部极值,鞍点)

深度学习—BN的理解(一)

发表于:03/24/2020 , 关键词: 深度学习
机器学习领域有个很重要的假设:IID独立同分布假设,就是假设训练数据和测试数据是满足相同分布的,这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。那BatchNorm的作用是什么呢?BatchNorm就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。

图像颜色空间理解

发表于:03/24/2020 , 关键词: 颜色空间
计算机系统中表示现实世界各种颜色的色彩模型。常用的颜色空间有RGB,BGR,CMY,YUV,HSI等。不同的色彩空间只是同一物理量的不同表示法。

图像处理(1)频域滤波与空间域滤波比较

发表于:03/24/2020 , 关键词: 图像处理
空间域滤波是在图像空间中借助模板对图像进行邻域操作,处理图像的每一个像素的取值都是根据模板对输入像素邻域内的像素值进行加权叠加得到的。空间域滤波是让图像在频域空间内某个范围的分量受到抑制,同时保证其他分量不变,从而改变图像的频率分布。空间域滤波是应用模板卷积对图像每一个像素进行局部处理。