demi的博客

视觉的解析力，常常是指视觉语义，视觉特征，视觉场景理解，视觉目标检测，视觉变化，视觉运动状态理解等等。比如说，关于分辨率和清晰度，经常还可以见到清晰度，分辨力，分辨率，解析力，解析度，解像力，解像度这些词语。对于这些词语分别的含义和所指的具体内容是什么，怎样使用才合适，目前流行的看法是很不统一的。

图像分割的主要算法：1.基于阈值的分割方法；2.基于边缘的分割方法；3.基于区域的分割方法；4.基于聚类分析的图像分割方法；5.基于小波变换的分割方法；6.基于数学形态学的分割方法；7.基于人工神经网络的分割方法；8. 基于遗传学算法的分割方法。

物理性质可以在不同的方向进行测量。如果各个方向的测量结果是相同的,说明其物理性质与取向无关,就称为各向同性。如果物理性质和取向密切相关，不同取向的测量结果迥异，就称为各向异性。造成这种差别的内在因素是材料结构的对称性。

根据安卓应用特点，我们可以风险分析分为静态与动态两种。分析的过程不执行应用的方法称之为静态分析。比如说，静态分析中的权限分析可以通过AndroidManifest.xml文件获取，api调用等可以通过逆向dex工作逻辑获得。而动态分析主要是分析应用运行之后的逻辑。

在机器学习中，经常需要对模型进行正则化，以降低模型对数据的过拟合程度，那么究竟如何理解正则化的影响？本文尝试从可视化的角度来解释其影响。

渲染中常常要对一张图像进行采样，也就是在众多像素中选一些代表性的点。随机的均匀采样是最简单的，像下面左图那样。但是很多时候我们希望进行一些非均匀的采样，比如在环境光图像里集中采样亮度大的地方，如右图。这种采样叫做重要性采样（Importance Sampling）。

如今，大多数人仍然将智能家居技术视为无法实现的奢侈品。但是，将你家中所有简单的电器连接到互联网网络并不一定要花很多钱。对于小白来说，尽管通过单个网络连接你拥有的所有设备可能不是一件容易的事，但连接的家电体验优势使其对很多人具有极大的吸引力。

在机器学习的面试中，能不能讲清楚偏差方差，经常被用来考察面试者的理论基础，本文就机器学习中偏差和方差进行了详细总结，供参考。

在进行屏幕后处理的时候，我们往往会应用很多图像处理的相关算法，例如高斯模糊，sobel边缘检测等等。但是这些图像算法都是基于图像的颜色值来计算的，而我们通过渲染管线得到屏幕图像时，不仅可以得到颜色缓冲，还可以得到深度缓冲以及法线信息等。

腐蚀与膨胀是数字形态学里的两个基本操作，一般用于二值图像（当然RGB图也可以用）。腐蚀的作用说白了就是让暗的区域变大，而膨胀的作用就是让亮的区域变大。