博客
无人驾驶的操作流程，没有大家想的那么复杂。大家完全可以根据自己开车的实践，推断出自动驾驶应该包括那些内容。传统意义上，很多论文或者教材都喜欢把自动驾驶分成感知、预测、规划和控制四个部分，但是我个人喜欢再添加两个部分，即导航和停车，这样会构成一个更完整的整体。
<font size="3"><strong>1、导航</strong></font>
当车辆开始启动的时候，我们会输入起始地址和目的地址。有了这两个地址，软件就可以帮助我们规划合理的行驶路线。目前导航这一块已经很成熟了，百度导航和高德导航也做的很好。
<font size="3"><strong>2、感知</strong></font>
大数据文摘出品 / 编译：罗然、云舟
为了应对宇宙数据即将出现的指数级增长趋势，天体物理学家也开始将目光投向机器学习。
<font size="3"><strong>Kevin Schawinski的问题</strong></font>
2007年，他在牛津大学担任天体物理学家，努力回顾了斯隆数字巡天计划中超过900,000个星系七年中有价值的照片。他花了几天时间翻来覆去观察这些图像，并记录下了一个星系是螺旋形还是椭圆形的，以及它的旋转方式。
<font color="#33b1c8"><strong>1、池化层的作用</strong></font>
在卷积神经网络中，卷积层之间往往会加上一个池化层。池化层可以非常有效地缩小参数矩阵的尺寸，从而减少最后全连层中的参数数量。使用池化层即可以加快计算速度也有防止过拟合的作用。
<font color="#33b1c8"><strong>2、为什么max pooling要更常用？</strong></font>
在过去的这些年里，对二维图像已经有了大量深入的研究，并且有着长足的发展。它在分类任务上取得了极好的结果主要得益于一下两个关键因素：
<strong>1. 卷积神经网络。</strong>
<strong>2. 数据 - 大量图像数据可用。</strong>
但是对于3D点云，数据正在迅速增长。大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDAR传感器或RGBD相机的扫描点云，无处不在。 另外，大多数系统直接获取3D点云而不是拍摄图像并进行处理。因此，在深度学习大火的年代，应该如何应用这些令人惊叹的深度学习工具，在3D点云上的处理上达到对二维图像那样起到很好的作用呢？
<font size="3"><strong>误区之一</strong></font>
把传感网或RFID网等同于物联网。事实上传感技术也好、RFID技术也好，都仅仅是信息采集技术之一。除传感技术和RFID技术外，GPS、视频识别、红外、激光、扫描等所有能够实现自动识别与物物通信的技术都可以成为物联网的信息采集技术。传感网或者RFID网只是物联网的一种应用，但绝不是物联网的全部。
<font size="3"><strong>误区之二</strong></font>
<strong>1、什么是回归？ </strong>
是一种监督学习方式，用于预测输入变量和输出变量之间的关系，等价于函数拟合，选择一条函数曲线使其更好的拟合已知数据且更好的预测未知数据。
<strong>2、线性回归 </strong>
于一个一般的线性模型而言，其目标就是要建立输入变量和输出变量之间的回归模型。该模型是既是参数的线性组合，同时也是输入变量的线性组合。
<font size="3"><strong>前言</strong></font>
机器学习的主要挑战在于在未见过的数据输入上表现良好，这就是泛化（generalization）能力。由于我们的机器学习模型都是从训练集中学习参数得到的，如何确保其在测试集上表现良好呢？
量化模型在训练集和测试集上的表现，分别成为训练误差（training error）和测试误差（test error），后者也称为泛华误差（generalization error）。理想的模型就是在最小化训练误差的同时，最小化泛化误差。
由于在看这类文章时专业名词较多，所以在正式开始前，我先介绍一些同义专业名词，各名词具体含义以及之间的关系在文中介绍。
卷积层 = C层
采样层 = 池化层（pooling层），S层
平面 = 特征图（feature map），通道，map
卷积核 = 权向量，滤波器
神经元 = 特征，结点，单元，像素点，patch
局部感受野的大小 = 滤波器的大小
<font size="3"><strong>1、 引入</strong></font>
关于5G的应用，你了解多少呢？要知道，每一次的网络革命都会给人们的生活带来翻天覆地的变化，当然5G也不例外。5G这个概念一出，立马引起了网上的众多讨论。而关于5G的应用你又了解多少呢？
所谓5G就是第五代移动通信技术，其理论的峰值已经达到了每秒10GB，比我们一般使用的4G网络要快数百倍，这样的速度下载整个超高的画质的电影只需要1秒内就可下载完成。
伴随着5G技术的诞生，同样也在推动着其他不同领域的发展。这些5G的应用你一定要了解：
人工智能现在在全世界流行，如果你想进行AI开发，那就先来了解这5种开发AI的最佳语言吧！
<font size="3"><strong>1、Python</strong></font>
最近，在自然语言处理（NLP）领域中，使用语言模型预训练方法在多项NLP任务上都获得了不错的提升，广泛受到了各界的关注。我将最近看的一些相关论文进行总结，选取了几个代表性模型和大家一起学习分享。
<font size="3"><strong> 一、前言</strong></font>
这篇卷积神经网络是前面介绍的多层神经网络的进一步深入，它将深度学习的思想引入到了神经网络当中，通过卷积运算来由浅入深的提取图像的不同层次的特征，而利用神经网络的训练过程让整个网络自动调节卷积核的参数，从而无监督的产生了最适合的分类特征。这个概括可能有点抽象，我尽量在下面描述细致一些，但如果要更深入了解整个过程的原理，需要去了解DeepLearning。
这篇文章会涉及到卷积的原理与图像特征提取的一般概念，并详细描述卷积神经网络的实现。但是由于精力有限，没有对人类视觉的分层以及机器学习等原理有进一步介绍，后面会在深度学习相关文章中展开描述。
<font size="3"><strong> 1、SVM的原理是什么？</strong></font>
SVM是一种二类分类模型。它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。（间隔最大是它有别于感知机）
试图寻找一个超平面来对样本分割，把样本中的正例和反例用超平面分开，并尽可能的使正例和反例之间的间隔最大。
无线解锁汽车虽然很方便，但同时也要付出极大的代价，比如黑客的窥视。随着智能汽车越来越多，依附于这类型汽车的新形式犯罪也出现了，行业里将这部分犯罪分子称为“钥匙黑客”，顾名思义就是借助廉价电子配件和新的黑客攻击技术，相对轻松的拦截或阻挡车钥匙向车发出的信号。想象一下，如果一个小偷能截获并复制你的车钥匙信号，那他就可以打开你的车，而且不会发出任何警报！
根据联邦调查局的数据，汽车盗窃数量自1991年达到顶峰以来一直呈螺旋式上升趋势。然而，自2015年以来，汽车被盗数量却呈现新的直线上升趋势。事实上，2015年汽车盗窃案件增加了3.8％，2016年增加7.4％，2017年上半年增加4.1％。
“随着全社会对虚拟现实的关注度和理解力不断提高，虚拟现实的影响力也在逐渐扩大，向各行业各领域的渗透在不断深入，市场需求、行业应用正在激活，虚拟现实产业发展的战略窗口期已然形成……”在近日由工业和信息化部和江西省人民政府联合主办的2018世界VR产业大会上，工业和信息化部部长苗圩这样说。
未来，5G网络新技术将成为VR（虚拟现实）、AR（增强现实）产业赖以发展的通信技术。业界认为，5G可以根据业务需求匹配网络和计算资源，将更好地满足VR业务需求，推动VR创新应用发展。当VR产业遇上5G网络新技术，将产生哪些“化学反应”？
<font color="blue"><strong>VR产业在垂直领域的融入度不断提升</strong></font>
本文基于2018年发表于期刊 ISPRS Journal of Photogrammetry and Remote Sensing （IF 5.994）上的论文“A deep learning framework for remote sensing image registration [1]”，王爽，权豆，梁雪峰，宁梦丹，郭岩河，焦李成。
<font size="3"><strong>1. 背景</strong></font>
随着对地观测技术的不断发展与更新，获取遥感图像的传感器也越来越多。为了分析某一场景，我们有时需要把不同时期的、不同传感器的、甚至于不同视角的遥感图像融合在一起处理，因此需要对遥感图像进行配准，将多幅遥感图像进行匹配和叠加。
<font size="3"><strong> 一、介绍</strong></font>
基于图的图像分割（Graph-Based Image Segmentation），论文《Efficient Graph-Based Image Segmentation》，P. Felzenszwalb, D. Huttenlocher，International Journal of Computer Vision, Vol. 59, No. 2, September 2004
虽然 AI 语音翻译已经应用到了不少生活、工作场景，但不得不说，AI 也许在国际象棋、自动驾驶、诊断癌症、射击罚球和预测农作物产量等方面优于人类，但是当涉及到翻译和口译时，它还是没法完全取代人类大脑。
<strong>其一，语言是主观的。</strong>
人工智能通常擅长做客观现实的任务。无论是识别数据集中难以捉摸的信号模式，还是导航复杂的路况，机器在面对决策制定的、明确的数学或物理规则时，都能发挥最佳作用。
相比之下，自然语言是由人类群体发明的，用于彼此交流的主观结构。它们有类似规则的行为（例如语法），但这些规则仅基于惯例，而不是客观现实，并且它们存在随机性、且在不断发展。
自然语言是人类独有的智慧结晶。自然语言处理（Natural Language Processing，NLP）是计算机科学领域与人工智能领域中的一个重要方向，旨在研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。用自然语言与计算机进行通信，有着十分重要的实际应用意义，也有着革命性的理论意义。
由于理解自然语言，需要关于外在世界的广泛知识以及运用操作这些知识的能力，所以自然语言处理，也被视为解决人工智能完备（AI-complete）的核心问题之一。对自然语言处理的研究也是充满魅力和挑战的。
训练有素的士兵无法空手执行任务。 数据科学家拥有自己的武器 - 机器学习（ML）软件。 已经有大量文章列出了可靠的机器学习工具，并对其功能进行了深入的描述。 然而，我们的目标是获得行业专家的反馈。
这就是为什么我们采访数据科学从业者 - 大师，真正考虑他们为项目选择的有用工具。 我们联系的专家拥有各种专业领域，并且在Facebook和三星等公司工作。 其中一些代表AI创业公司（Objection Co，NEAR.AI和Respeecher）; 一些人在大学任教（哈尔科夫国立无线电大学）。
<font size="3"><strong>最流行的机器学习语言</strong></font>
