博客
裁剪（Culling）的字面意思是“从大量事物中进行删除”。在计算机图形学中，相对应的就是裁剪技术所要做的工作——“从大量游戏事物中进行删除”。所谓的“大量事物”就是需要绘制的整个场景，删除的是对最终图像没有贡献的场景部分，然后将剩余场景发送到渲染管线。
机器学习即 ML，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
彩色图像，每个像素通常是由红(R)、绿(G)、蓝(B)三个分量来表示的，分量介于(0，255)。灰度图像在黑色与白色之间还有许多级的颜色深度。二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。索引图像的文件结构比较复杂，除了存放图像的二维矩阵外，还包括一个称之为颜色索引矩阵MAP的二维数组。
经过前面章节学习，我们对Opengl ES在android中开发有了基本的整体认识，知道顶点着色器和片段着色器，以及它们的写法，可以绘制图形（三角形）和图像（纹理操作），本文我们对前面章节的学习做个总结。
在<a href="http://imgtec.eetrend.com/blog/2019/100044171.html">强化学习（二）马尔科夫决策过程(MDP)</a>中，我们讨论了用马尔科夫假设来简化强化学习模型的复杂度，这一篇我们在马尔科夫假设和贝尔曼方程的基础上讨论使用动态规划(Dynamic Programming, DP)来求解强化学习的问题。
动态规划这一篇对应Sutton书的第四章和UCL强化学习课程的第三讲。
一般的梯度下降方法寻找的是loss function的局部极小值，而我们想要全局最小值。如下误差曲面图所示，我们希望loss值可以降低到右侧深蓝色的最低点，但loss有可能“卡”在左侧的局部极小值中，也就是图中红线所走的路径。
经典的“铁三角”定律决定了每个项目都有三大目标：快速、低成本和优质效果，客户往往需要从中决定优先考虑实现的二个目标。Unity的光线追踪功能通过使用广泛运用且相对低廉的计算硬件，在实时渲染中实现极为逼真的可视化效果，打破了这个铁三角定律，这种组合效果展现了我们的关键突破。
虚拟现实在仿真环境中当使用者进行位置移动时，计算机可以迅速进行复杂的运算，将精确的动态运动特征传回，从而产生强大的临场感、真实感。要实现该类应用，首先要让计算机感知使用者在虚拟空间中所处的位置，包括距离和角度等，所以说位置追踪技术是虚拟现实技术中的重要组成部分之一。
如果你把图像看作信号，那么噪声就是干扰信号。我们在采集图像时可能因为各种各样的干扰而引入图像噪声。前面提到，我们可以把图像看作一个函数，那么带有噪声的图像，就可以看作是原始图像函数与噪声函数相加的和。
数量爆发式增长的背后，Wi-Fi、蓝牙、Zigbee三大无线连接技术正上演一场“争霸赛”。本文通过对三项技术的详细对比，以分析三项技术在具体应用场景中的优劣势。
企业比以往任何时候都更受数据所驱动，物联网(IOT)是这种转变的原因之一。如今，许多企业都在使用物联网数据来驱动决策。据专家预测，到2020年，物联网设备将超过300亿台，其中一个主要趋势是数据货币化。但有一个问题：物联网数据并没有被充分利用。
5G应用距离生活已经越来越近，作为市场中难得的一块新鲜出炉的蛋糕，大家都对5G发展有着很高期许。而5G与安防行业的发展也可谓休戚相关，以无人机为例，5G可以有效地促进无人机在巡检、应急、安防、物流等多个场景深度融合应用，实现无人机工作全时化、智能化和自主化。
通过阅读，你将对游戏开发与实时渲染中加速渲染算法的以下要点有所了解：常用空间数据结构（Spatial Data Structures）；各种裁剪技术（Culling Techniques）；各种层次细节（LOD，Level of Detail）技术；大型模型的渲染（Large Model Rendering）；点渲染（Point Rendering）。
网络已经成为人们生活中不可或缺的一部分，而且伴随着“互联网+”以及物联网的快速发展也成为人们创业创新的一个有力工具，然而现在的网络安全也越来越被人所关心。近年来越来越多的物品被贴上了“智能”标签，成为了联网设备。这给人们的生活带来许多便利，但是，这些设备的安全问题常常被人忽视，那么我们来回顾一下在物联网领域里的十大安全事件。
深度学习是使用现代硬件的人工神经网络的应用。它使开发，训练和使用比过去更大（更多层）的神经网络成为可能。研究人员提出了数千种类型的特定神经网络，它们往往是对现有模型的修改或调整。有时也会有全新的方法。作为一名从业者，我建议你等到模型出现后普遍适用后再使用。因为很难从每天或每周发布的大量出版物的中梳理出效果良好的那个。
KNN算法，即K近邻算法是一种监督学习算法，本质上是要在给定的训练样本中找到与某一个测试样本A最近的K个实例，然后统计k个实例中所属类别计数最多的那个类，就是A的类别。 从上面一句话中可以看出，KNN的原理非常简单粗暴，而且是一种“在线”的学习方式，即每一次分类都需要遍历所有的训练样本，此外KNN算法还有几个要素：K，距离，分类决策规则。
