demi的博客

作为备受瞩目的下一代移动通信网络，全球围绕5G的测试、布局与谈判不断升温。而与之相关的竞争也越发白热化，公司间的竞争、城市间的竞争、国家前的竞争，5G背负着太多的使命和期待。

lightmode为forwardbase、forawardadd的pass内，_WorldSpaceLightPos0只会含有pixel光源，在forwardbase pass内，只有场景中存在rendermode为important的pixel平行光时，才会含有有效的_WorldSpaceLightPos0和_LightColor0的组合......

Batch_size参数的作用：决定了下降的方向......对于新手而言，在GPU内存足够的情况下，结合样本大小，可以尝试batch_size为8，16，32，64等。

在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。图像具有一种"静态性"的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。

当用均值滤波器降低图像噪声的时候，会带来图像模糊的副作用。我们当然希望看到的是清晰图像。那么，清晰图像和模糊图像之间的差别在哪里呢？从逻辑上考虑，图像模糊是因为图像中物体的轮廓不明显，轮廓边缘灰度变化不强烈，层次感不强造成的，那么反过来考虑，轮廓边缘灰度变化明显些，层次感强些是不是图像就更清晰些呢。

本文的目标是在流行的、传统的预测建模系统（如基于静态数据集训练的线性和树型模型）的上下文中，对潜在的安全漏洞和防御方法进行头脑风暴。虽然我不是安全专家，但我一直在密切关注机器学习的调试、解释、公平性、可解释性和隐私等领域。我认为这些领域中的许多技术可以应用于攻击和防御预测性模型系统。

随着IoT与AI逐步走向融合，AIoT正将以全新的方式改变人们的生活。

一个三维场景的画面的好坏，百分之四十取决于模型，百分之六十取决于贴图，可见贴图在画面中所占的重要性。本文将列举一系列贴图，并且初步阐述其概念，理解原理的基础上制作贴图，也就顺手多了。

目标识别的评价指标主要有ROC曲线，missrate、FPPI、FPPW等。单图像跟踪的评价指标主要有两个，一个是pixel error，一般是算中心距离，另一个是overlap rate，区域重叠率，用重叠区域除以两个矩形所占的总面积Aoverlap /（A1+A2-Aoverlap），常常用pixel error绘制帧误差曲线，用重叠率绘制误差曲线。

机器视觉主要解决四大问题：定位、测量、检测、识别。在机器视觉中打光和光源影响着系统的稳定性，比如在测量应用中，光照发生10%-20%的变化，就可能导致图像边缘偏移1-2个像素，这些问题在算法层面是不容易解决的。所以了解光源和打光非常重要。