demi的博客

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。

常用的图像特征有：颜色特征（描述了图像或图像区域所对应的景物的表面性质）、纹理特征（描述了图像或图像区域所对应景物的表面性质）、形状特征（各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索）、空间关系特征（是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系）。

当今时代，网络世界处处充满了危机，对于网络用户来说，能够对各种类型的恶意软件进行了解，也许有助于在网上冲浪的过程中保全自身。

Unity3D光照系统中，一共有四种选项，分别为Directional Light（平行光），Point Light（点光源），Spotlight（聚光灯），Area Light（区域光）。