博客
随着机器人技术的发展，大多数机器人已经不再是单一用途，它们可以完成更多人类无法完成的危险工作。经过几十年的发展，如今的机器人已经能够模仿人类行为，被称为类人生物。目前世界上最先进的五大机器人，或许在未来登陆宇宙各大星球的就是它们。
<font size="3"><strong>全球最先进五大机器人</strong></font>
<font color="blue"><strong>腱悟郎（Kengoro）</strong></font>
作者 Jeff Russell
基于物理的渲染（PBR）是近来实时渲染领域的趋势。PBR经常被提及，同时它的准确定义也经常被混淆。这里我们将来解释什么是PBR，它与之前的渲染模式区别在哪里？这篇文档的目标读者是非技术人员（主要是美术人员），文档中将不会出现任何数学公式或代码。
基于物理的着色（PBS）跟之前着色方式最大的区别在于PBS是建立在对光和物体表面行为准确推论的基础上的。当前硬件着色性能已经足够好使得一些老的基于节省性能考虑的近似处理完全可以丢弃，与之相关的老的美术产出流程也可以丢弃。这意味着技术人员和美术人员需要明白这些改变的背后理论依据。
作为第五代移动通信网络，5G技术一直备受瞩目，尤其是随着“2020年商用”计划的渐行渐近，更是令人蠢蠢欲动。目前，各国政府也都在大力部署推进5G网络的发展与应用落地。然而，现在有关5G的一些“传说”却越来越邪乎，以至于我们认为是时候也非常有必要，在这里为屏幕前的各位亲们澄清一下了。
既然我们已经在标题中“点题”，那么不妨就先来说说“5G网络时延不到1秒”这个问题。时延，指的是数据包从发送端到接收端所需要的时间。换句话说，Ping延迟的一半，也叫单向时延。有时，时延指数据包传送的往返时间，与Ping延迟相同。
导语：转置卷积层（Transpose Convolution Layer）又称反卷积层或分数卷积层，在最近提出的卷积神经网络中越来越常见了，特别是在对抗生成神经网络（GAN）中，生成器网络中上采样部分就出现了转置卷积层，用于恢复减少的维数。那么，转置卷积层和正卷积层的关系和区别是什么呢，转置卷积层实现过程又是什么样的呢，笔者根据最近的预研项目总结出本文。
<font size="3"><strong>1. 卷积层和全连接层</strong></font>
<i>图片来源：视觉中国</i>
文｜脑极体
占据一辆无人驾驶汽车成本40%的激光雷达，以精准和无死角的空间探测能力，成为是无人驾驶领域不可或缺的存在。
但和汽车相比，似乎激光雷达在无人机上更有用武之地：成像精度要求不高、行动自由范围大、成本更低、应用领域广泛。
更重要的是，与传统的无人机摄像头相比，激光雷达不受光线限制，在任何光线条件下效果都不错。原本需要大量人力物力搞定的测绘工作，激光雷达飞一飞，分分钟就能完成。
听起来，激光雷达和无人机，完全可以组合出道成为科技圈新的“流量担当”。事实也正是如此。
2018年初开始，全国尤其是运营商网络开启了IPv6改造的大幕，很多企业都从工信部领到了军令状，要将IPv6改造工作彻底落实下去。现在2018年已接近尾声，回头看看实际部署情况如何。
IPv6涉及到应用网站、网络和应用服务器几个部分，网络部分作为关键，需要改造的地方很多，每套网络的实际情况各有不同，存在不少困难，好在IPv6喊了这么多年，技术上留了一些底子，每年采购设备虽IPv6没用，但一直作为技术必选项对网络设备强制要求，所以除了一些老旧设备，大部分网络天然具备平滑切换到IPv6的能力。即便这样，要将覆盖全国这么大的一张网络梳理清楚，并且都要打通开启IPv6，却非易事。
光线追踪是图形学领域里最为著名的一种技术，其中首要的一步是视点（相机，眼睛）穿过像素中心，发射一条射线，也就是主光线（次级光线指的是从物体表面反射或折射等发出的光线）。这一步看起来比较简单，但仍然涉及到一些细节和概念需要理清。
我系统的学习这些东西是从renderman规范开始的，看的第一本书是advanced renderman，这本比较难，我更推荐看An Introduction to Ray Tracing (1989)。
直方图均衡(Histogram Equalization)是图像处理中一个十分基础的概念，具有调整图像灰度，增强对比度的作用。
限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE),关于该算法的中文原理性描述可以参考网址：http://www.cnblogs.com/Imageshop/archive/2013/04/07/3006334.html
下面我按照自己的理解来介绍一下CLAHE算法：
国际研调机构Gartner公布2018至2023年引领数字企业创新的10大物联网（IOT）策略技术趋势。副总裁暨分析师Nick Jones指出，未来10年，物联网将带动数字企业创新的商机，能够掌握物联网创新趋势的信息官，将有机会带领企业迈向数字创新。
此外，他指出，信息官也应确保企业拥有必要的知识和合作伙伴来支持重要的物联网新兴趋势和技术，因为到了2023年，信息官需掌管的平均终端装置数量将是目前的3倍以上。
列出10项IoT策略技术趋势：
<strong>第一：AI人工智能。</strong>
该机构预测，2019年全球连网对象数量将达142亿美元，并在2021年将达250亿美元，因此将产生极大量的数据。未来AI将被用来处理各种IoT数据，包括影片、静态影像、语音、网络流量与传感器数据。
<font color="blue" size="3"><strong>Highway Networks</strong></font>
论文地址 : https://arxiv.org/abs/1505.00387 [cs.LG] (ICML 2015),
全文:Training Very Deep Networks( https://arxiv.org/abs/1507.06228 )
<font size="3"><strong>1、特征选择</strong></font>
特征选择也被称为变量选择和属性选择，它能够自动地选择数据中目标问题最为相关的属性。是在模型构建时中选择相关特征子集的过程。
特征选择与降维不同。虽说这两种方法都是要减少数据集中的特征数量，但降维相当于对所有特征进行了重新组合，而特征选择仅仅是保留或丢弃某些特征，而不改变特征本身。
降维常见的方法有PCA，SVD，萨蒙映射等，特征选择是丢弃作用小的特征。
<strong>为什么要做特征选择？</strong>
物联网是在计算机互联网的基础上，利用RFID、无线数据通信等技术，构造一个覆盖世界上万事万物的“Internet of Things”。在这个网络中，物品(商品)能够彼此进行“交流”，而无需人的干预。其实质是利用射频自动识别(RFID)技术，通过计算机互联网实现物品(商品)的自动识别和信息的互联与共享。比如超市里的付款系统，目前的超市里都是有专门的工作人员核算顾客的消费量，而利用物联网则能实现付款机对货物的自动核算功能，大大提高了购买效率。
<font size="3"><strong>那么物联网综合管控平台系统又有哪些优势呢？</strong></font>
随着硬件的更新换代，越来越多的机器学习从业者又开始面临选择 GPU 的难题。正如我们所知，机器学习的成功与否很大程度上取决于硬件的承载能力。在今年 5 月，我在组装自己的深度学习机器时对市面上的所有 GPU 进行了评测。而在本文中，我们将更加深入地探讨：
<font size="3"><strong>GPU + 深度学习</strong></font>
深度学习（DL）是机器学习（ML）的一个分支。深度学习使用神经网络来解决问题。神经网络的优点之一是自行寻找数据（特征）模式。这和以前告诉算法需要找什么不一样。但是，通常这意味着该模型从空白状态开始（除非使用迁移学习）。为了从头捕捉数据的本质／模式，神经网络需要处理大量信息。通常有两种处理方式：使用 CPU 或 GPU。
在前一个小节中，简单地谈了谈什么是“M-P神经元模型”，顺便用生活中生动的小案例，把激活函数和卷积函数的概念撸了一遍。下笔之处，尽显“神经”。当然这里所谓的“神经”，是说我们把不同领域的知识，以天马行空地方式，揉和在一起，协同提升认知水平。其实，这不也正是深度学习的前沿方向之一——“迁移学习（Multi-Task and Transfer Learning）”要干的事情吗？
下面，继续“神经”下去，首先聊聊机器学习的三大分支，然后以“中庸之道”来看机器学习的发展方向。
<font size="3"><strong>4.1 机器学习的三个层次</strong></font>
过去的二十年，汽车行业把大量的数字化技术应用在协同工作、设计开发、销售及服务等方面，因此信息安全建设过去几乎没有围绕汽车实施。同时由于生产环境和物理环境的相对封闭，我们也看到国内大量整车厂针对传统信息安全建设的缺位。信息安全不是个新话题，但是在汽车行业开始被重视并且实践，是近两年才开始的。
近年通过大量的走访、调研，我们发现汽车行业在智能网联汽车信息安全建设过程中，目前存在大量的建设误区，导致成本及资源的浪费，未来甚至可能埋下新的安全隐患。
因此我们总结了十大常见误区，供行业管理者参考：
<font size="3"><strong> 1. 信息安全战略不清晰</strong></font>
机器学习算法已经被广泛应用于自动驾驶各种解决方案，电控单元中的传感器数据处理大大提高了机器学习的利用率，也有一些潜在的应用，比如利用不同外部和内部的传感器的数据融合(如激光雷达、雷达、摄像头或物联网)，评估驾驶员状况或为驾驶场景分类等。在KDnuggets网站发表的一篇文章中，作者Savaram Ravindra将自动驾驶中机器学习算法主要分为四类，即决策矩阵算法、聚类算法、模式识别算法和回归算法。我们跟他一起看看，这些算法都是怎样应用的。
<font size="3"><strong>算法概览</strong></font>
我们先设想这样一个自动驾驶场景——汽车的信息娱乐系统接收传感器数据融合系统的信息，如果系统发现司机身体有恙，会指导无人车开往附近的医院。
<font size="3"><strong>背景介绍</strong></font>
从纸笔办公到物联网时代，你知道哪些攻击面是攻击者最常利用，而我们又最常忽略的吗？
现在，在你的办公室中可能还有一些老旧的传真机或是布满灰尘的打印机，在你的眼中，它们或许只是已经无法用来发送邮件或复印文档的过时技术。你可能也会将收发室/信房视为收集未经请求的垃圾信件的地方，而这些垃圾信件很快就会被你丢进垃圾箱。
是的，如此寻常的物件，如此寻常的操作，可能每天都在我们的生活和工作中上演。但是，攻击者却能够从中发现一些不同的东西：漏洞，一些通常会被安全部门忽略的漏洞。要记住，非计算机向量上的网络攻击要比你想象的更常见。
<font color="#9a9a9a"><i>文章发于《智能家居》杂志，经亿欧家居编辑，供行业人士参考。</i></font>
在人工智能、5G、IoT突破融合的趋势下，各地加速智慧城市建设，城市安防更是加深发展，利用深度学习技术来理解视频内容，使得安防领域成为人工智能技术最大应用场景之一。安防，被视为下一个即将爆发的市场，是国内现阶段人工智能直接创收最多的行业。据数据统计，目前国内大约装有1.76亿个监控摄像头，预计三年内数量会增加到6.26亿。未来每个新增摄像头的背后，AI都大有可为，预计到2022年整个市场将达到万亿规模。本文将重点探讨AI+安防在家庭、社区、楼宇等场景下的相关应用。
时下机器人技术发展火热，随着人们对机器人技术智能化本质认识的加深，机器人技术开始源源不断地向人类活动的各个领域渗透。小编带大家来看十项最具前景的机器人技术!
<font size="3"><strong>「软体的机器人」：柔性机器人技术</strong></font>
该技术是指采用柔韧性材料进行机器人的研发、设计和制造。
