立体视觉意味着人工智能可以通过一对相机来感知图像的深度以及物体的距离。大多数三维相机模型都是基于立体视觉理论和技术的。两台摄像机之间设置一定的距离，这样它们就可以从不同的角度“看”物体。评估两个图像之间的对应关系，人工智能确定到目标的距离，分析，并建立目标的3D结构。
汽车智能化、网联化、电动化的发展，使得汽车正在成为一个新兴的智能终端。在万物互联的时代，汽车将与其他智能终端设备实现互联互通，深刻改变交通出行体验。IDC FutureScape对2021年中国数字化汽车发展的预测如文……
全新的2021年，Imagination期待与更多的行业从业者、技术工程师或是个人开发者进行交流。对Imagination公司或是产品技术您有哪些想法或建议？您最看好GPU、AI在哪些细分市场的落地，自动驾驶？安防？数据中心？游戏？又如何看待未来的中国芯片的发展趋势的？
光线追踪技术带来的变化不止是游戏画面上的，在游戏制作流程上的影响也是非常巨大的。首先采用光线追踪技术能够更加规范场景光照的制作流程，其次可以加速开发流程，这为美术人员节约了大量的调试时间，使其可以将更多时间和精力投入艺术设计中。
在图形渲染中有一个很大的敌人就是渲染不必要的多边形，比如处于背面的三角面片。拿起一本数，无论你怎么看最多也只能看到书的三个面，有的时候只能看到书的一个面。看不到的面我们完全可以把它剔除掉，这门武功就叫做背面剔除。
经常能看到类似“如何入门游戏开发？游戏开发需要掌握哪些技能？”这样的问题，下面试着概括性的对游戏开发所需要的技能做一个总结，希望大家对游戏开发能有一个基本的认识！
人工智能和机器学习是市场上的热门技术。从电子商务到先进的量子计算系统，再到医疗诊断系统再到消费电子产品，尤其是时下流行智能助手，各行各业都在将人工智能和机器学习应用到行业的创新中。根据IDC的数据，2020年人工智能在全球范围内产生的收入约为1560亿美元 ，比2019年增长了12.3%。在已经到来的2021年AI和ML趋势又将如何演进？
纹理贴图之所以复杂是因为矩形的纹理数据需要被合理地映射到非矩形的区域上面，纹理就是数据的数组，例如颜色数据亮度数据alpha数据等，纹理的单个数据值 被叫做纹理元素 英文叫做texual,初学者会本能地把纹理当成二维图像，但是纹理也可以是一维和三维的数据。
在机器学习中，过拟合（overfitting）会使模型的预测性能变差，通常发生在模型过于复杂的情况下，如参数过多等。本文对过拟合及其解决方法进行了归纳阐述。
我们在训练网络的时候经常会设置 batch_size，这个 batch_size 究竟是做什么用的，一万张图的数据集，应该设置为多大呢，设置为 1、10、100 或者是 10000 究竟有什么区别呢？
1月20日，由5G云游戏产业联盟等单位主办的2020年度5G云游戏产业年会暨第一届“登云奖”颁奖典礼在北京顺利举行。Imagination 公司的光线追踪（Ray Tracing）技术凭借先进的性能获评最佳云游戏解决方案大奖。
中国智能家居市场在过去两到三年里经历了从野蛮生长到调整期的重大变化，语音交互随着智能音箱的爆发走进大众视野并逐渐被人接受，智能音箱市场发展速度正在趋稳，面临着产业升级、优化体验的可持续发展挑战。而智能照明、安防等碎片化设备正在快速崛起，并将多模态交互方式向视觉和传感等技术延伸，也对IoT生态连接和家庭交互中心算力的提升和分布提出了更高的要求。
根据多家科技媒体的消息，一款名为realme C21新机通过了印尼电信监管机构（BIS）的认证。从印尼电信监管机构（BIS）的数据来看，realme C21的型号为RMX3201。据悉，该机将会搭载联发科Helio G35处理器。
无人驾驶汽车，又称自动驾驶汽车或轮式移动机器人，是一种运输动力的无人地面载具。我们理想的无人驾驶汽车是无需人类操作即能从地点A行驶到地点B，不管途中环境多复杂天气多恶劣都由机器自己完成。无人驾驶汽车的核心在于无人驾驶技术，如果说汽车工业是制造业的皇冠，那么无人驾驶技术就是皇冠上的明珠。
应用程序阶段：主要任务是在应用程序阶段的末端，将需要在屏幕上显示出来绘制的集合体（如点、线、矩阵等）输入到绘制管线的下一个阶段。对于被渲染的每一帧，应用程序阶段将摄像机位置，光照和模型的图元输出到管线的下一个主要阶段——几何阶段。
如今，深度学习是必经之路。大规模数据集以及深层卷积神经网络（CNN）的表征能力可提供超准确和强大的模型。但目前仍然只有一个挑战：如何设计模型？像计算机视觉这样广泛而复杂的领域，解决方案并不总是清晰明了的。计算机视觉中的许多标准任务都需要特别考虑：分类、检测、分割、姿态估计、增强和恢复以及动作识别。尽管最先进的网络呈现出共同的模式，但它们都需要自己独特的设计。
在传统神经网络中，模型不会关注上一时刻的处理会有什么信息可以用于下一时刻，每一次都只会关注当前时刻的处理。举个例子来说，我们想对一部影片中每一刻出现的事件进行分类，如果我们知道电影前面的事件信息，那么对当前时刻事件的分类就会非常容易。
