博客

我们知道，机器学习近些年来有非常多的应用，例如无人驾驶汽车、棋类游戏、垃圾邮件检测、金融分析、语音识别、图像识别、自然语言处理、产品推荐等，那么机器学习和他们到底是什么关系呢？

本文阐述深度学习中使用的一些初始化技术。任何甚至没有机器学习背景的人都必须知道我们需要学习权重或超参数来制作模型。这些参数控制着我们的算法在看不见的数据上的表现。要学习模型，我们需要初始化参数，应用损失函数然后对其进行优化。

针对CardBoard一类的眼镜用Unity3D开发VR内容。

数字图像，又称为数码图像或数位图像，是二维图像用有限数字数值像素的表示。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。

极大似然估计中取对数的原因：取对数后，连乘可以转化为相加，方便求导；对数函数ln为单调递增函数，不会改变似然函数极值点。统计学三大相关系数对比：pearson积差相关系数，计算连续性变量才可采用；Spearman秩相关系数或Kendall等级相关系数，适合于定序变量或不满足正态分布假设的等间隔数据......

务必删除脚本中为空或不需要的默认方法； 只在一个脚本中使用OnGUI方法；避免在OnGUI中对变量、方法进行更新、赋值，输出变量建议在Update内； 同一脚本中频繁使用的变量建议声明其为全局变量，脚本之间频繁调用的变量或方法建议声明为全局静态变量或方法；不要去频繁获取组件，将其声明为全局变量......

在概念层面，图像处理和计算机视觉之间存在很多重叠，并且经常被误解的术语可以互换使用。在这里，我们简要概述了这些技术，并解释了它们在基础层面上的不同之处。

十一种通用滤波算法：限幅滤波法；中位值滤波法；中位值滤波法；递推平均滤波法；中位值平均滤波法；限幅平均滤波法；一阶滞后滤波法；加权递推平均滤波法；消抖滤波法；限幅消抖滤波法；IIR 数字滤波器。

从多张航拍图像中恢复建筑和地貌稠密结构是建筑，农业，测绘等行业迫切需要的。无人机的出现大大降低了航拍图像的获取成本，使得快速，低成本测量，创建需要的三维模型成为可能。本篇文章将剖析近年来的热点应用航拍图像三维重建。

在现代生产企业中，生产线的自动化系统一般采用以 PLC 为主要节点的控制、通信网络，最常用的是现场总线协议；同时在企业的管理经营系统一般采用计算机为主要节点的通信网络，以 TCP/IP 协议为主，如何实现不同应用系统间的数据通信，打通不同通信协议间的数据通路，对数据进行分析、存储、转发等功能，如生产指示快速下达和生产状态的快速发布，从而提升企业管理生产效率，是数据网关技术出现和发展的客观要求。

本文将推荐五种机器学习算法，你应该考虑是否将它们投入应用。这五种算法覆盖最常用于聚类、分类、数值预测和朴素贝叶斯等四个门类。

计算机视觉的几大任务：图像识别；目标检测；图像分割；目标跟踪；多模态问题。

UNITY3d在移动设备上的一些优化资源的方法：使用assetbundle，实现资源分离和共享，将内存控制到200m之内，同时也可以实现资源的在线更新；顶点数对渲染无论是cpu还是gpu都是压力最大的贡献者，降低顶点数到8万以下，fps稳定到了30帧左右。

监督学习（supervised learning）关注对事物未知表现的预测，包括分类问题（classification）和回归问题（regression）。无监督学习（unsupervised learning）倾向于对事物本身特性的分析，数据降维（dimensionality reduction）和聚类（clustering）。

脑机接口应用于医疗领域，实现瘫痪人士通过脑机设备控制机械臂完成相应动作，也可实现对多动症、癫痫等疾病采取神经反馈方式做对应的恢复训练；用于智能家居，实现意念控制开关灯、开关门、开关窗帘等。

无人车视觉传感器：超声波雷达（倒车）、毫米波雷达、LiDAR与摄像头。激光雷达精度，速度高（厘米级），成本高；毫米波雷达可适应恶劣天气

最近几年，随着技术的发展，VR（Virtual Reality）跟人工智能一样，火的简直不能再火了。其带来的视觉上的冲击、沉浸式的感官体验有很多人跃跃欲试，于是不少公司开始做VR，结果看起来容易，做起来却是步履维艰。

机器视觉是配备有传感视觉仪器(如自动对焦相机或传感器)的检测机器，其中光学检测仪器占有比重非常高，可用于检测出各种产品的缺陷，或者用与判断并选择出物体，或者用来测量尺寸...等，应用在自动化生产线上对物料进行校准与定位。是计算视觉中最具有产业化的部分，主要大量应用于工厂自动化检测及机器人产业等。

数字图像处理分为三个层次：低级图像处理、中级图像处理和高级图像处理（狭义图像处理、图像分析和图像理解）。

国外网络安全公司Cylance发布报告称，人工智能(AI)应用落地的两个最主要障碍是人工智能本身发展不成熟以及应用企业对技术储备的缺乏。人工智能可以有效地帮助网络安全专业人员应对更复杂更危险的威胁，但根据SANS研究所进行的一项调查，AI在被广泛采用之前面临着几个关键障碍。