博客
2019年，随着智能家居概念的深入以及参与者的丰富，厂商之间的竞争将逐渐从产品扩展到生态，为各自在智能家居市场的发展提供加速器。IDC对于智能家居市场发展趋势的预测，主要从生态、交互以及渠道三方面展开......
对于更多缺乏发声能力的普通人（比如中风患者、植物人等）来说，无法与正常人交流的他们，生命已然停滞。技术能帮助他们“言其所不能言”，提高生活质量吗？
答案是肯定的。科学家们正试图让看不见摸不着的思维活动自动“显形”。通过计算机，将大脑中的所思所想转换成语音说出来，这种“读心术”距离现实究竟还有多远？
2012年左右，多伦多大学的研究人员首次使用深度学习来赢下了ImageNet，它是一项非常受欢迎的计算机图像识别竞赛。对于那些参与AI行业的人来说，这是一个大问题，因为计算机视觉是使计算机能够理解图像背景的学科，也是人工智能中最具挑战性的领域之一。
当然，与任何其他产生巨大影响的技术一样，深度学习成为炒作的焦点。不同的公司和组织开始应用它来解决不同的问题（或假装应用它）。许多公司开始使用深度学习和先进的人工智能技术重塑其产品和服务。
与此同时，媒体也经常撰写有关人工智能和深度学习的故事，这些故事充满误导性，并且大多是由那些对技术运作方式没有正确理解的人撰写。他们大多使用关于人工智能的耸人听闻的头条来博眼球，这些也促成了围绕深度学习的炒作。
随着通讯技术的发展，从3G到4G的转变是非常顺利。事实上，我的手机仍然时不时地恢复到3G模式。那么，5G有什么大不了的？是让我们欣喜若狂，还是让我们失望透顶？据我所见，答案是欣喜若狂，而且非常！
经过大范围的建模和运行超过10万次的模拟，一个人工智能系统被赋予预测2018年世界杯冠军的任务。人工智能预测西班牙夺冠的可能性最高，为28.9%，其次是德国26.3%和巴西21.9%。然而，冠军是法国，克罗地亚和比利时分列二三名。所以AI预测并不是每次都足够准确。
如果我们要最大限度地利用人工智能技术，就需要找到优化人工智能的方法，以获得最佳的结果。研究和咨询公司德勤(Deloitte)建议，不要把人工智能视为“思考机器”，而应将其视为能够帮助人类更好的思考的认知假体，其中的一种方法是在人工智能结果上建立准确性的检查点。为此，有人提出了加快这一进程的五个好的方法。
<strong>1. 明确定义人工智能和人类的角色</strong>
近数十年内，由于机器学习的热潮，计算能力有着摩尔定律的加持，以及大数据时代的来临，让越来越多的领域里都能被机器学习很好的应用。特别是在自然语言处理，计算机视觉等领域都有非常好的发展，甚至已经可以达到商业用途的地步。但是随着数据的增长，数据的安全是否得到了保障，模型的功能性是否得到了验证这仍然是个大大的问号。
在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量。需要人工设计特征，然后将用这些特征计算的值组成特征向量。在过去几十年的经验来看，人工找的特征并不总是好用。有时多了，有时少了，有时选的特征根本就不起作用（真正起作用的特征在浩瀚的未知里）。这就是为啥过去几十年神经网络一直被SVM等完虐的原因。
在OpenGL中，面是由多边形构成的。三角形可能是最简单的多边形，它有三条边。可以使用GL_TRIANGLES模式通过把三个顶点连接到一起而绘出三角形。使用GL_TRIANGLE_STRIP模式可以绘制几个相连的三角形，系统根据前三个顶点绘制第一个多边形，以后每指定一个顶点，就与构成上一个三角形的后两个顶点绘制形的一个三角形。使用GL_TRIANGLE_FAN模式可以绘制一组相连的三角形，这些三角形绕着一个中心点成扇形排列。
临时研究了下机器视觉两个基本算法的算法原理 ，可能有理解错误的地方，希望发现了告诉我一下
主要是了解思想，就不写具体的计算公式之类的了
<strong><（一） ICP算法（Iterative Closest Point迭代最近点）/strong>
ICP（Iterative Closest Point迭代最近点）算法是一种点集对点集配准方法，如下图1
<font size="3"><strong> shader和Material的基本关系</strong></font>
Shader（着色器）实际上就是一小段程序，它负责将输入的Mesh（网格）以指定的方式和输入的贴图或者颜色等组合作用，然后输出。绘图单元可以依据这个输出来将图像绘制到屏幕上。输入的贴图或者颜色等，加上对应的Shader，以及对Shader的特定的参数设置，将这些内容（Shader及输入参数）打包存储在一起，得到的就是一个Material（材质）。之后，我们便可以将材质赋予合适的renderer（渲染器）来进行渲染（输出）了。
渲染管线是什么？渲染管线，英文 Rendering Pipeline，我们可以将其理解为一个流程，即我们告诉 GPU 一堆数据，最后得出来一副二维图像，这堆数据包括 "视点 / 三维物体 / 光源 / 光照模型 / 纹理" 等元素。
工作与生活的平衡是互联网上最备受争议的话题。我们在网上可以看到很多围绕这个话题的文章，它们给我们提出了许多建议，帮助我们提高生活质量，也建议我们哪些东西是应该放弃的。以下的10个给游戏开发者和程序员的建议，摘录自Livecoding.tv 发布的一篇博客。希望当大家看完这篇文章后会从中受到启示，可以拥有一个更美好的生活。本文旨在献给所有希望往游戏开发方面发展的朋友。
滤波也许可以说是图像处理和计算机视觉最基础的操作。术语”滤波“最宽泛的理解，即滤波后的图像在某一指定位置的像素值是输入图像在同一位置的 某邻域内的所有像素值的函数。例如，高斯低通滤波计算这个邻域内所有像素值的一个权重平均值，其中权重随着距离邻域中心越远而减小。
随着互联网红利逐渐消失，“Internet of things（IoT）”——物联网，在整体科技发展潮流中顺势而行，成为被普遍看好的新一代产业发展方向。
之所以称之为物联网，其本质实际上是互联网的延伸，只是终端由互联网时代的PC、服务器等转向了嵌入式计算机系统及其配套的传感器。各终端之间能彼此进行数据交互，便是物联网的基本原理。
据麦肯锡最新报告估算，全球物联网市场规模将在2025年前扩大到3.9——11.1兆美元，包括设备厂商的利润、效率、新兴业务以及具有更高执行效能的商品为消费者带来的利益等。这也意味着物联网产业将有潜力在2025年达到约11％的全球经济占有率。而随着AI、大数据、云计算的加速落地，2018年，物联网将在更多领域踵事增华。
虚拟现实（virtual reality）技术，又称临境技术，是指用立体眼睛和传感手套等一系列传感辅助设施来实现的一种三维现实，人们通过这些设施以自然的方式（如头的转动，手的运动等）向计算机送入各种动作信息，并且通过视觉，听觉以及触觉设施使人们得到三维的视觉，听觉及触觉等感觉世界。
仅依赖生物特征识别的身份验证既不准确又容易被黑，还远不是万无一失的。
忽然之间，好像全世界都爱上了生物特征识别——不仅仅是高端智能手机和笔记本的用户，甚至负责引领全球身份验证解决方案未来的资深安全专家都沉迷此道。最近召开的一个专注未来身份验证安全标准确立的业界讨论会上，众多与会者都认定生物特征识别是终极安全身份验证解决方案。但实际情况可能并非如此。
<font size="3"><strong>生物识别的缺陷</strong></font>
生物特征识别在验证人们身份上远不是人们所想的那么精确可靠，理由如下：
本文主要介绍计算机视觉中主要的五大技术，分别为图像分类、目标检测、目标跟踪、语义分割以及实例分割。针对每项技术都给出了基本概念及相应的典型方法，简单通俗、适合阅读。计算机视觉是当前最热门的研究之一，是一门多学科交叉的研究，涵盖计算机科学（图形学、算法、理论研究等）、数学（信息检索、机器学习）、工程（机器人、NLP等）、生物学（神经系统科学）和心理学（认知科学）。由于计算机视觉表示对视觉环境及背景的相对理解，很多科学家相信，这一领域的研究将为人工智能行业的发展奠定基础。
<font size="3"><strong>从图像分类到图像分割</strong></font>
卷积神经网络（CNN）自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。
CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。
这些抽象的特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体，但是因为丢失了一些物体的细节，不能很好地给出物体的具体轮廓、指出每个像素具体属于哪个物体，因此做到精确的分割就很有难度。
作者：陆勤。最近开始研究通信领域的先进机器学习技术，本科学的是通信工程，工作做的是机器学习，5G的到来，智能移动网络的需求和应用，预示着通信领域需要先进的机器学习技术，同时，也会带来新的挑战和机遇。
