博客

卷积神经网络，简称CNN，常用于视觉图像分析的深度学习的人工神经网络。形象地来说，这些网络结构就是由生物的神经元抽象拟合而成的。正如，每个生物神经元可以相互通信一般，CNN根据输入产生类似的通信输出。

对于2D游戏，将Transparency Sort Mode (Edit > Project Settings > Graphics ) 设置为Custom Axis，然后设置Transparency Sort Axis，场景中的Sprite可以根据Y轴进行排序。

图像金字塔是以多个分辨率表示图像的一种有效且简单的概念，是一系列以金字塔形状排列的、分辨率逐层降低的图像集合

基本原则：

1）数据标注前的标签体系设定要合理

2）用于标注的数据集需要无偏、全面、尽可能均衡

3）标注过程要审核

集成学习（ensemble learning）是通过构建并结合多个学习器来完成学习任务。在一些数据挖掘竞赛中经常需要对几个模型进行融合，这时候就可以用到集成学习算法。

在大数据时代，数据挖掘、分析，可以通过方方面面来影响我们的生活，不仅更便利，而且还直接可以提升幸福感。那么，大数据未来的发展趋势有哪些呢？

根据噪声是如何添加进信号中的可以将噪声分为加性噪声和乘性噪声。加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在；而乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在

边缘计算和人工智能是如何协同工作的？为什么边缘计算很适合人工智能？有哪些用例？IT主管应该知道这些内容。

R-CNN 系列算法是目标检测 two-stage 类的代表算法，本文将从 问题背景，创新点，框架模块，训练流程，检测流程五个方面比较，了解它们的的发展历程，以及发展原因。

视频监控系统的发展经历了第一代的全模拟系统，第二代的部分数字化的系统，第三代的完全数字化的系统（前端用网络摄像机）三个阶段的发展演变，现在整个行业正在酝酿一场视频监控的新革命——智能视频监控。

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。

图像复原的一般那过程：分析退化原因——建立退化模型——反映推演——恢复图像。

图像复原与图像增强相似，主要目的是以预先确定的目标来改善图像。但图像增强是一个主管的过程，而图像复原主要是一个客观的过程。图像复原试图通过通过退化现象的某种先验知识来复原被退化的图像。

在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据。

机器学习经典算法总结：支持向量机持向量机、贝叶斯分类器

传感器是任何物联网部署的基础。他们收集信息并向软件提供实现其全部潜力所需的感官信息。这篇文章将介绍物联网部署的各种重要传感器。传感器是任何物联网部署的骨干。他们收集信息，并为软件提供所需的感官信息，以充分发挥其潜力。

特征的分类：1. 相关特征：对当前学习任务有用的属性。2. 无关特征：对当前学习任务没有用的属性。

随机梯度下降针对神经网络解决的优化问题具有挑战性，解决方案的空间（权重集）可能包含许多良好的解决方案（称为全局最优），并且易于查找，但技能解决方案较少（称为本地解决方案）最优）。

科技爱好者和未来主义者一直都在对可能的未来科技设备做出预测。有时他们的猜测会化为乌有，有时他们完全是错的，但可以肯定的是：在技术领域，总会有一些令人期待的事物。例如，通信、娱乐和健康行业在技术创新方面正经历稳定的增长浪潮，而且这种浪潮似乎不会很快放缓。

物联网指的是世界各地数十亿个连接到互联网的物理设备，所有设备都在收集和共享数据。得益于超低价电脑芯片的到来和无线网络的普及，任何东西都有可能成为物联网的一部分，小到一粒药片，大到一架飞机。物联网将这些不同的对象连接起来并为其添加传感器，为设备增加了一定程度的数字智能，从而使其能够在人类不干涉的情况下进行实时数据通信。