demi的博客

想做计算机视觉？深度学习是最近的发展方向。大规模数据集加上深度卷积神经网络（CNN）的表征能力使得超精确和稳健的模型成为可能。由于计算机视觉领域广泛而复杂，因此解决方案并不总是很清晰。计算机视觉中的许多标准任务都需要特别考虑：分类，检测，分割，姿势估计，增强和恢复以及动作识别。

卷积神经网络中的权值更新也是使用误差的反向传播算法。损失函数一般使用最小平方误差函数。由于卷积网络中存在两部分区域：卷积区和全连接区，它们在计算损失时有所不同我们将其分开进行讨论。

深度神经网络是连接主义系统，通过它通过学习例子来完成任务，而不需要事先了解这些任务。它们可以很容易地扩展到数百万个数据点，并且可以通过随机梯度下降进行优化。CNN是DNN的变体，能够适应各种非线性数据点。起始层学习更简单的特征，如边和角，后续层学习复杂的特征，如颜色，纹理等。

蜂窝物联网使用与智能手机相同的广泛覆盖蜂窝网络连接设备。听起来像是Wi-Fi的明显替代品。问题在于，历史上，蜂窝模块一直很昂贵，这增加了构建蜂窝物联网设备的价格。此外，蜂窝服务的成本与用于互联网接入的Wi-Fi相比相形见绌，这在很大程度上是因为他们无法利用无线(OTA)更新。对于小型，电池供电的物联网设备来说，更令人沮丧的是蜂窝电池的巨大功率需求，这会快速耗尽电池电量。

Fast R-CNN就是在R-CNN的基础上采纳了SPP Net的方法，使得性能进一步提高。与R-CNN相比，Fast R-CNN主要有两点不同：一是最后一个卷积层加入了ROI pooling layer，二是损失函数使用了多任务损失函数（multi-task loss），将边框回归Bounding Box Regression直接加入到CNN网络中训练

在一月底结束的2019年国际消费电子产品展会上(CES 2019)，LG总裁兼首席技术官帕克(I.P.Park)发表了关于AI如何促进“自我进化”产品的主旨演讲。“人工智能与伦理”的讨论，成为了这场原本与严肃话题不太相关的消费技术盛会的序幕。

去年开始，工作中需要做许多有关 AI 科普的事情。很长时间里一直在想，该如何给一个没有 CS 背景的人讲解什么是深度学习，以便让一个非技术的投资人、企业管理者、行业专家、媒体记者乃至普通大众明白深度学习为什么会特别有效，理解 AI 是如何帮助人们解决具体问题的。

傅立叶变换在图像处理中有非常重要的作用。因为不仅傅立叶分析涉及图像处理很多方面，傅立 叶改进算法，比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声；边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘......

机器学习的目的是得到可以泛化（generalize）的模型，即在前所未见的数据上表现很好的模型，而过拟合则是核心难点。你只能控制可以观察的事情，所以能够可靠地衡量模型的泛化能力非常重要。

正如我们所知，物联网正在改变世界。多年来，随着越来越多的事物相互连接，业界一直在谈论未来会是什么样，以及我们的生活会如何不同。未来不再是一个愿景，而是一个个激动人心的现实。随着我们步入2019年，我们看到了一些物联网趋势和预测......