博客
接下来就是要进行更为精准更智能的追踪。因此，在接下来的代码演示Demo中我重新设计了几个类，一个是PlayObject，这个类其实也没有什么新的东西，都是之前已经介绍过的，无非就是速度向量、位置以及移动控制等它的代码设计如......
物联网正在快速发展，每月都有数以百万计的新传感器和设备上线。如果您觉得您最近听到了很多关于它的事情，那可能是因为，尽管物联网历史相当悠久，但它也才刚刚真正开始起步，并由廉价、低功耗的组件、广泛的网络连接以及企业和消费者的许多兴趣所推动。
在Opengl ES中我们使用最多的有两种类型的纹理：TEXTURE_2D和TEXTURE_EXTERNAL_OES，后面一种纹理主要用于摄像头数据采集，通过SurfaceTexture来转换得到，而摄像头采集获得的数据一般是YUV格式的，事实上，通过查看Opengl的源码我们知道，Android底层对TEXTURE_EXTERNAL_OES这种类型的纹理是经过特殊转换的......
Linear Discriminant Analysis (也有叫做Fisher Linear Discriminant)是一种有监督的（supervised）线性降维算法。与PCA保持数据信息不同，LDA是为了使得降维后的数据点尽可能地容易被区分！
假设原始数据表示为X，（m*n矩阵，m是维度，n是sample的数量）
既然是线性的，那么就是希望找到映射向量a， 使得 a‘X后的数据点能够保持以下两种性质：
1、同类的数据点尽可能的接近（within class）
2、不同类的数据点尽可能的分开（between class）
所以呢还是上次PCA用的这张图，如果图中两堆点是两类的话，那么我们就希望他们能够投影到轴1去（PCA结果为轴2），这样在一维空间中也是很容易区分的。
1987年，美国学者Robert Hecht-Nielsen提出了对偶传播神经网络模型 （Counter Propagation Network，CPN），CPN最早是用来实现样本选择匹配系统的。CPN 网能存储二进制或模拟值的模式对，因此这种网络模型也可用于联想存储、模式分类、函数逼近、统计分析和数据压缩等用途。
你是否想过，入主客厅的智能音箱正在悄悄记录你的一言一行？又是否想过这些不被隐瞒的数据被心怀不轨的黑客利用？“入侵”生活的智能产品在带来万物互联的利好之外，它更像是悬在头顶的达摩克利斯之剑，不知道会在哪个毫无征兆的瞬间突然落下。对于隐私安全泄漏的问题，我们真的无法避免了吗？
美国黑帽大会召开在即，随着完整会议议程上线，是时候规划下该怎么利用这大好学习机会了。时间流逝，技术发展，黑帽大会的演讲主打新零日漏洞、新兴技术突破方法研究，以及在不断变迁的技术世界中防护各类系统的新方法。
5G来了，WiFi 6也来了。关于5G，无论是朋友圈，还是媒体上，大家已经了解很多。但是，对于WiFi 6，很多人依然不清楚。今天，我们一次性为你解答WiFi 6的所有问题。
在强化学习（一）模型基础中，我们讲到了强化学习模型的8个基本要素。但是仅凭这些要素还是无法使用强化学习来帮助我们解决问题的, 在讲到模型训练前，模型的简化也很重要，这一篇主要就是讲如何利用马尔科夫决策过程(Markov Decision Process，以下简称MDP)来简化强化学习的建模。
与传统的追求照片真实感的真实感渲染不同，非真实感渲染（Non-Photorealistic Rendering，NPR）旨在模拟艺术式的绘制风格，常用来对绘画风格和自然媒体（如铅笔、钢笔、墨水、木炭、水彩画等）进行模拟。而卡通渲染（Toon Rendering）作为一种特殊形式的非真实感渲染方法，近年来倍受关注。
卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？看到有些答案是刚开始随机初始化卷积核大小，卷积层数和map个数是根据经验来设定的，但这个里面应该是有深层次原因吧？
机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。
我们离完全靠谱的自动驾驶还有多远？要实现完全靠谱的自动驾驶，目前有两种主流的方向：一是利用激光雷达等传感设备，通过AI和单车智能，让车辆自己识别各种路况，并且根据识别后的路况进行判断，再采取相应的措施。这种技术偏向于让车辆进行即时演算，通过摄像头和雷达等车载设施的相互配合完成自动驾驶；二是车路协同，通过网络让所有的交通参与者实现在线互联，让所有的交通参与者都能随时掌握附近的各种路况信息......
上一篇讲到了追踪算法的比较简单的形式，看上去比较假，因为AI控制的对象过于精确地跟踪目标。一种更自然的追踪方式可以这样做，使得跟踪者的方向矢量与从跟踪目标的中心到跟踪者的中心所定义的方向矢量靠拢。
我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun大神发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！
作为一个未来主义者，我每天都在思考人工智能的演变。最被炒作的技术也是最复杂、最普遍、最难监测、监管和控制的技术。机器学习实现的发展已经有了“自己的生命”，超出了任何一家公司、国家或学术机构的范围。在资本和创新的驱动下，人工智能是一个特洛伊木马，既能帮助、增强、自动化，又能将人类武装起来相互对抗。这既令人兴奋，又令人恐惧，而且不可避免。但具体包括哪些内容呢？
人工智能是一种引发诸多领域产生颠覆性变革的前沿技术，而生物识别技术的应用特别是在计算机视觉中的应用，在当前智慧社区建设中发挥很大作用。原有的被动识别、被动管理技术实现模式逐渐由人工智能技术代替，从而实现主动识别、无感采集、主动辨识的技术能力......
