demi的博客

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。

这篇文章的目的是希望能够解释一些关于深度学习（DL）的误解，在机器学习领域，同时也被称为爆发的小宇宙和科研炒作。事实是在中间的某个地方，我希望能把这趟浑水弄清 - 至少有一点点。重要的是，我希望澄清一些攻击深度学习的问题，并讨论为什么它在自然语言处理（NLP），图像识别和机器翻译等方面表现良好，而在其他方面却失败了。

只有当公司解决客户问题、节约成本或符合标准时，物联网才有可能取得成功。在物联网领域，我花了大量时间与初创企业和成熟的产品公司合作，我深刻认识到，所有物联网公司都必须遵守12条法则才能取得成功。

本文我们就讨论另一类输出和模型间有反馈的神经网络：循环神经网络(Recurrent Neural Networks ，以下简称RNN)，它广泛的用于自然语言处理中的语音识别，手写书别以及机器翻译等领域。

在物联网应用中，5G网络切片可以提供优质的服务，并可增强可靠性和安全性。5G是下一代移动通信网络技术，可以为物联网应用提供不少关键的优势，包括低延迟、高带宽，以及支持在室内和室外的长期、密集的网络覆盖。

表面遮挡住光源路径就会产生阴影，由理想点光源产生的阴影边缘是比较锐利的，而现实世界中的阴影边缘确是模糊的，该模糊部分成为半影。半影的出现，是由于现实世界的点光源不是空间意义上的一个点，它会覆盖一定的面积，就会产生以不同角度掠过物体边缘的光线。

图像增强是图像模式识别中非常重要的图像预处理过程。图像增强的目的是通过对图像中的信息进行处理，使得有利于模式识别的信息得到增强，不利于模式识别的信息被抑制，扩大图像中不同物体特征之间的差别，为图像的信息提取及其识别奠定良好的基础。图像增强按实现方法不同可分为点增强、空域增强和频域增强。

人工智能(AI)在人们的日常工作和生活中日益普及，而且企业越来越依赖于人工智能来完成一系列任务，因此IT团队实施人工智能面临的风险越来越高。其实施成功与否的后果可能是深远的。如果没有正确实施，人工智能可能带来更多的偏见，以及许多其他的破坏性后果。

很多人以为虚拟现实是现代才有的产物，但是其实早在上世纪20年代，它就已经以某种形式存在。人们对于VR的了解还是相当有限的，甚至还有一些误解，为了更进一步了解这个领域，让大家能够更清楚的认识虚拟现实，并去接受它。本文总结分析了虚拟现实革命的十大必读和十大误区。

近几年来，“深度学习”在国内暴得大名，无论是理论界还是实践界都对此趋之若鹜，许多学者对此有过论述，几乎所有一线教师都非常关心这一论题。就国内研究而言，短短五年就有论文500篇之多。然而，我们不无遗憾地看到，绝大多数理论及实践成果都有一种“单向度取向”，即主要是基于学习心理学认知学派的“信息加工”理论而展开的研究成果，鲜有“全视角”观照；其中国内研究多数又以“译介”为主，实证成果稀少。