demi的博客

与传统的追求照片真实感的真实感渲染不同，非真实感渲染（Non-Photorealistic Rendering，NPR）旨在模拟艺术式的绘制风格，常用来对绘画风格和自然媒体（如铅笔、钢笔、墨水、木炭、水彩画等）进行模拟。而卡通渲染（Toon Rendering）作为一种特殊形式的非真实感渲染方法，近年来倍受关注。

卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？看到有些答案是刚开始随机初始化卷积核大小，卷积层数和map个数是根据经验来设定的，但这个里面应该是有深层次原因吧？

机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。

我们离完全靠谱的自动驾驶还有多远？要实现完全靠谱的自动驾驶，目前有两种主流的方向：一是利用激光雷达等传感设备，通过AI和单车智能，让车辆自己识别各种路况，并且根据识别后的路况进行判断，再采取相应的措施。这种技术偏向于让车辆进行即时演算，通过摄像头和雷达等车载设施的相互配合完成自动驾驶；二是车路协同，通过网络让所有的交通参与者实现在线互联，让所有的交通参与者都能随时掌握附近的各种路况信息......

上一篇讲到了追踪算法的比较简单的形式，看上去比较假，因为AI控制的对象过于精确地跟踪目标。一种更自然的追踪方式可以这样做，使得跟踪者的方向矢量与从跟踪目标的中心到跟踪者的中心所定义的方向矢量靠拢。

人工神经网络有两个重要的超参数，用于控制网络的体系结构或拓扑：层数和每个隐藏层中的节点数。配置网络时，必须指定这些参数的值。

我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun大神发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！

作为一个未来主义者，我每天都在思考人工智能的演变。最被炒作的技术也是最复杂、最普遍、最难监测、监管和控制的技术。机器学习实现的发展已经有了“自己的生命”，超出了任何一家公司、国家或学术机构的范围。在资本和创新的驱动下，人工智能是一个特洛伊木马，既能帮助、增强、自动化，又能将人类武装起来相互对抗。这既令人兴奋，又令人恐惧，而且不可避免。但具体包括哪些内容呢？

物联网（IoT）正在以前所未有的速度发展，这为企业创造了新的业务机会，并有助于他们在长期竞争中立于不败之地。

人工智能是一种引发诸多领域产生颠覆性变革的前沿技术，而生物识别技术的应用特别是在计算机视觉中的应用，在当前智慧社区建设中发挥很大作用。原有的被动识别、被动管理技术实现模式逐渐由人工智能技术代替，从而实现主动识别、无感采集、主动辨识的技术能力......