机器人视觉解决方案是我们实现机器人视野的几大挑战。即便变得越来越简单易用，还是有一些棘手的问题。很多因素影响机器人在环境中的视觉，任务设置和工作场所。这里有9个总结出来的机器人视觉挑战：
1. 照明
如果有过在低光照下拍摄数码照片的经验，就会知道照明至关重要。糟糕的照明会毁掉一切。成像传感器不像人眼那样适应性强或敏感。如果照明类型错误，视觉传感器将无法可靠地检测到物体。
有各种克服照明挑战的方法。一种方法是将有源照明结合到视觉传感器本身中。其他解决方案包括使用红外照明，环境中的固定照明或使用其他形式的光的技术，例如激光。
2. 变形或铰接
球是用计算机视觉设置来检测的简单对象。你可能只是检测它的圆形轮廓，也许使用模板匹配算法。但是，如果球被压扁，它会改变形状，同样的方法将不再起作用。这是变形。它会导致一些机器人视觉技术相当大的问题。
随着自动驾驶汽车的兴起，使得不少传统车企似乎看到了新的商机，于是纷纷向该领域进行投资。然而提起“自动驾驶”，相信不少用户会感到陌生，但对于自动驾驶领域来说，从目前来看，它正以“飞速”的速度进行发展。小编坚信，未来，自动驾驶汽车将成为我们生活中最常见的交通方式，所以大家多少都需要知道一些关于自动驾驶的常识，也许当你想要购买该领域新车时，能够有一些自己的见解，正所谓“知己知彼百战百胜”嘛，下面小编为大家科普几个日常生活的需要的知识点，或许你看完会对自动驾驶有一个新的认识。
科普知识点一：记住这些知识点，关键时刻能保命
有研究表明，关于自动驾驶来说，人们仍要需要懂得一些常识才能上路，有人说，90%的驾驶任务不需要常识，需要使用常识的情况只有微不足道的10%。然而，如果你上路行驶的自动驾驶汽车错过了那10%的常识，遇到突发情况后，才会追悔莫及。
人工智能会让程序员失业吗？
当人工智能逐渐强大，大家开始担心：人工智能下一步又要在哪个领域干掉人类？
AI会让人类程序员失业吗？对此问题持肯定态度的人并不在少数。
比如：美国橡树岭国家实验室在去年底发布的论文《人机混编的代码意味着什么?人类 2040 年还需要亲自编写代码吗? 》中表示：到了2040年，大多数的程序代码将由机器生成。
2040年距今天还有些距离，至少当下，AI没有让程序员失业，而是让程序员更贵了。
前几天刷屏的《AI 时代，为什么程序员这么贵》一文，csdn的蒋总认为：AI的发展，不仅不会使程序员消亡，反而使得各行各业比现在更加需要程序员——程序员的求职范围不再局限于软件或互联网行业，社会总需求激增，人才自然也就更贵了。
笔者对蒋总的观点蛮赞同的，当前的势头也确实如此。
不过，再过5-10年，程序员还会如今日行情吗？
1、决策树
适用条件：数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。
优点：
• 直观的决策规则；
• 可以处理非线性特征；
• 考虑了变量之间的相互作用。
缺点：
• 容易过拟合（随机森林、剪枝）；
• 处理缺失数据时的困难；
• 数据集中属性间的相关性。
2、SVM
适用条件：特征空间大，可以处理非线性的特征。
优点：
• 可以处理小样本情况下的机器学习问题；
• 可以处理高维特征；
• 使用核函数应对非线性特征空间，解决非线性问题；
• 分类面不依赖所有数据，只与几个支持向量有关
从VR元年的轰轰烈烈到如今的稳步发展，VR行业“诞生”的时间实际上只有三年，但在这三年中，VR给我们的生活带来的切实改变和对未来的畅想却无处不在，VR直播、VR看房、VR游戏等都为我们的生活带来了许多便利和色彩。但与此同时，VR也受到了一些质疑，例如在一些VR应用中，部分用户会感到眩晕，并因此认为VR不适合长时间佩戴。那么不吹不黑地说，VR到底对我们的生活产生了什么影响？
VR（Virtual Reality）即虚拟现实，与传统的屏幕相比有着本质的不同。无论是手机、平板还是电视，它的屏幕尺寸是固定的，也会占据现实世界中的相应面积。而VR则能够通过左右眼各一块屏幕为用户创造一个360°沉浸式的虚拟世界，这两者的区别是显而易见的——屏幕是一块画面，而VR则是一个世界。
今年特别火热的VR观影对这一特性做出了很好的诠释，一些价格亲民、操作简单的VR观影一体机也因此成为了今年倍受消费者喜爱的产品。对于观影爱好者来说，去影院看电影是一件很耗费时间的事情，除了影片本身的时间，我们还需要前往电影院，然后取票、候场、入场，而在家中用电视或者电脑看电影又没办法提供影院那样的氛围，让人专注于影片。
1、为什么要用神经网络？
对于非线性分类问题，如果用多元线性回归进行分类，需要构造许多高次项，导致特征特多，学习参数过多，从而复杂度太高 。
在神经网络中引入激活函数一个重要的原因就是为了引入非线性。
2、CNN基本问题
层级结构：输入层->卷积层->激活层->池化层->卷积层->激活层->池化层->全连接层····
（1）输入层数据预处理：去均值；归一化；PCA/白化；
去均值：即0均值化，CNN常用，训练集所有像素值减去均值，把输入数据各个维度中心化到0，测试集也减相同的均值；
目的：（1）数据有过大的均值可能导致参数的梯度过大，在梯度回传时会有一些影响；（2）如果有后续的处理，可能要求数据0均值，比如PCA。
归一化：幅度归一化到同样的范围；
目的：为了让不同维度的数据具有相同的分布规模，方便操作，图像一般不需要。
PCA/白化：降维，白化是对PCA降维后的数据每个特征轴上的幅度归一化；
人工智能等新一代信息技术的快速崛起，推动诸多行业掀起了变革大浪潮。随着智能化、数字化趋势日益凸显，人工智能受到了更多青睐，在各行各业实现了广泛应用，并且开始承担不同的角色，发挥独特的优势。
如何选择卷积核的大小？越大越好还是越小越好？
答案是小而深，单独较小的卷积核也是不好的，只有堆叠很多小的卷积核，模型的性能才会提升。
• CNN的卷积核对应一个感受野，这使得每一个神经元不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些感受不同局部的神经元综合起来就可以得到全局信息。这样做的一个好处就是可以减少大量训练的参数。
• VGG经常出现多个完全一样的3×3的卷积核堆叠在一起的情况，这些多个小型卷积核堆叠的设计其实是非常有效的。两个3×3的卷积层串联相当于1个5×5的卷积层，即一个像素会和周围5×5的像素产生关联，可以说感受野是5×5。同时，3个串联的3×3卷积层串联的效果相当于一个7×7的卷积层。除此之外，3个串联的3×3的卷积层拥有比一个7×7更少的参数量，只有后者的 (3×3×3) / (7×7) = 55%。最重要的是3个3×3的卷积层拥有比一个7×7的卷积层更多的非线性变换（前者可以使用三次ReLu激活，而后者只有一次）。
卷积神经网络池化后的特征图大小计算
研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。
本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。
1. 局部特征点
图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的 M × N × 3 的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。
误解一：5G是一场革命要取代4G
最初的5G采用NSA模式部署，即依托于现有4G来扩充网络容量和覆盖。最初的5G与4G非常相似，网络部署也主要利旧现有4G基站资源，这是一次从4G到5G的平滑演进过程。
事实上，不管是NSA还是SA部署模式，4G将在较长时间内继续提供语音、数据和物联网业务，与5G网络共存。
至于我们通常讲的“5G改变社会”，5G要对社会产生革命性的规模影响，还需要时间来孵化。
误解二：5G投资大、资费贵
从单站规模看，5G早期利旧4G基站及配套资源共站部署，可较大节省投资成本。