demi的博客

图形渲染的性能优化，分两大方面，CPU的优化和GPU的优化。GPU需要处理过多的顶点，多少合适取决于硬件性能和shader复杂度，一般移动设备上不超过10万，PC上不超过3百万；CPU需要处理过多的顶点，一般是因为蒙皮骨骼，布料模拟和粒子系统等。

目前在深度学习领域分类两个派别，一派为学院派，研究强大、复杂的模型网络和实验方法，为了追求更高的性能；另一派为工程派，旨在将算法更稳定、高效的落地在硬件平台上，效率是其追求的目标。本文主要介绍深度学习模型压缩和加速算法的三个方向，分别为加速网络结构设计、模型裁剪与稀疏化、量化加速。

在过去的一年里，人工智能(AI)、大数据、3D成像和机器人过程自动化等领域在取得了空前的发展。接下来的日子，机器视觉技术应用还将蓬勃发展......

作为新一代移动通信技术，5G技术切合了传统制造企业智能制造转型对无线网络的应用需求，能满足工业环境下设备互联和远程交互应用需求。在物联网、工业自动化控制、物流追踪、工业AR、云化机器人等工业应用领域，5G技术起着支撑作用。

渲染管线中一些技术名词大部分是英文直译，光看中文很容易被误导。所以我们必须在了解一个技术的具体作用之后，才能了解它到底是什么。

基于物理的渲染，英文缩写PBR，是一个渲染技术的集合，包含多种或多或少的利用物理来更真实的模拟现实世界的渲染技术，基于物理的渲染的目的是利用更接近实际物理理论的光照计算，生成比以前的Phong、Blinn-Phong算法更真实的画面，这项技术的好处不只是让画面看起来更好看了，也让我们可以简单的通过改变物体的几个物理属性就能渲染出想要的效果，而不用担心光照错误，这是非PBR渲染无法比拟的优势。

决策树算法在机器学习中算是很经典的一个算法系列了。它既可以作为分类算法，也可以作为回归算法，同时也特别适合集成学习比如随机森林。本文就对决策树算法原理做一个总结。

图像配准的方法大致分为三类，一类是基于灰度和模板的，这类方法直接采用相关运算等方式计算相关值来寻求最佳匹配位置，方法简单较为死板，一般效果不会太好。第二类是基于特征的匹配方法，如sift、surf点特征，或者向量特征等等，适应性较强。第三类是基于域变换的方法，采用相位相关（傅里叶-梅林变换）或者沃尔什变换、小波等方法，在新的域下进行配准。

虚拟现实系统的主要技术构成：虚拟世界的生成，人与虚拟世界的自然交互；识别用户各种形式的输入，并实时生成相应的反馈信息；模型的建立，虚拟声音的生成，管理，现实，数据库的建立管理；整个虚拟世界中所有物体的各方面信息。

本文将介绍一种非常重要的神经网络——卷积神经网络。这种神经网络在计算机视觉领域取得了重大的成功，而且在自然语言处理等其它领域也有很好的应用。深度学习受到大家的关注很大一个原因就是Alex等人实现的AlexNet在LSVRC-2010 ImageNet这个比赛中取得了非常好的成绩。此后，卷积神经网络及其变种被广泛应用于各种图像相关任务。