demi的博客

由于图像数据之间存在着一定的冗余，所以使得数据的压缩成为可能。信息论的创始人Shannon提出把数据看作是信息和冗余度（redundancy）的组合。所谓冗余度，是由于一副图像的各像素之间存在着很大的相关性，可利用一些编码的方法删去它们，从而达到减少冗余压缩数据的目的。为了去掉数据中的冗余，常常要考虑信号源的统计特性，或建立信号源的统计模型。

图像的冗余包括以下几种：

（1）空间冗余：像素点之间的相关性。
（2）时间冗余：活动图像的两个连续帧之间的冗余。
（3）信息熵冗余：单位信息量大于其熵。
（4）结构冗余：图像的区域上存在非常强的纹理结构。
（5）知识冗余：有固定的结构，如人的头像。
（6）视觉冗余：某些图像的失真是人眼不易觉察的。

压缩原理

对数字图像进行压缩通常利用两个基本原理：

(1) 数字图像的相关性。

在图像的同一行相邻像素之间、活动图像的相邻帧的对应像素之间往往存在很强的相关性，去除或减少这些相关性，也就去除或减少图像信息中的冗余度，即实现了对数字图像的压缩。

(2) 人的视觉心理特征。

深度学习成为了当今最热门的话题之一，但对于大多数人来说，这是一个陌生而又神秘的学科。很多人认为，深度学习就是包括了大量的数学和统计知识。本文列举了常见的12个深度学习的问题。

决策树又叫判定树，是一种基本的分类与回归方法。通常分为3个步骤：特征（属性）选择、决策树的生成、决策树的修剪。

图像复原技术主要是针对成像过程中的“退化”而提出来的，而成像过程中的“退化”现象主要指成像系统受到各种因素的影响，诸如成像系统的散焦、设备与物体间存在相对运动或者是器材的固有缺陷等，导致图像的质量不能够达到理想要求。

在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP)

在没有开启双面渲染的时候，我们常常无法观察到物体内部及背面的形状，这是因为另外一面并没有被渲染而是被默认剔除了。 所以我们需要用到一个新的指令Cull来设置......

车联网应用层产值最高，占到整个车联网市场规模的70%，车联网服务进入快速发展通道，随着车联网技术和产业链发展，车联网应用也将分成三个阶段实现不同服务。

超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。通过超分辨率重建我们可以让单张或多张不清晰的图片变得清晰，拯救拍照时使用的较低像素相机，亦或是将一张悠久而经典的低分辨率老照片轻松的在先进的高清显示器上播放。

人工智能简单的来说包括三个部分，接受信息，处理信息和做出行动。当然，这其中任何一部分都可以是人工智能的一个研究领域。接受信息包括语音识别，模式识别，计算机视觉等。处理信息就是计算机的推理能力，最有名的例子就是下围棋的阿法狗（AlphaGo）。行动部分的例子包括机器人和自动驾驶车。

6个快速且关键的AR概念：情感分析、面部识别、目标识别、信息增益与显示、从移动手机转移到AR头显、处理、传感以及扫描。本文将盘点AR在各行各业的用法。