demi的博客

序列图像的超分辨率复原是指采用信号处理的方法通过对序列低分辨率退化图像的处理来获得一幅或者多幅SR复原图像，该技术可以弥补硬件实现的局限并且成本低，在视频、遥感等领域有着重要的应用前景。简要介绍了超分辨率复原的应用，然后概述了相关的主要算法，最后指出了该领域的发展方向。

典型的卷积神经网络，开始阶段都是卷积层以及池化层的相互交替使用，之后采用全连接层将卷积和池化后的结果特征全部提取进行概率计算处理。在具体的误差反馈和权重更新的处理上，不论是全连接层的更新还是卷积层的更新，使用的都是经典的反馈神经网络算法，这种方法较原本较为复杂的......

一、完整机器学习项目流程

1. 数学抽象--任务目标

明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。

这里的抽象成数学问题，指的是根据数据明确任务目标，是分类、还是回归，或者是聚类。

2. 数据获取--数据集

数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。

数据要有代表性，否则必然会过拟合。

对于分类问题，数据偏斜不能过于严重（平衡），不同类别的数据数量不要有数个数量级的差距。

对数据的量级要有一个评估，多少个样本，多少个特征，据此估算出内存需求。如果放不下就得考虑改进算法或者使用一些降维技巧，或者采用分布式计算。

人工智能一词是在1956年的达特茅斯会议上被首次提出来的。作为一门新兴的交叉学科，人工智能在当今脑科学、认知科学飞速发展的基础下，被称为本世纪三大科技成就之一。目前来说，人工智能主要涉及计算机领域，它试图了解人类智能的实质，进而能够生产出一种媲美人类智能的软件系统、机器人、仿生人或者生化人，最后乃至能够全面超越当今人类的“新人类”。

2dx的时代UI树便利和渲染是没有分开的，遍历UI树的时候就渲染.3dx版本为了分离了ui树的遍历和渲染，先遍历生成渲染命令发到渲染队列，之后遍历渲染命令队列开始渲染.这样做的好处是渲染命令可以重用，单独的渲染可以做优化例如自动批绘制.本篇首先介绍cocos2D-X 3.x版本的渲染结构，之后会深入opengl es.

mainLoop

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。

做了几年的图像处理，可以对一些使用的方法进行总结：

1、图像变换

由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，例如：
傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。

2、图像编码压缩

图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。

3、图像增强

作为一个机器学习方面的小白，在闵老师课上学的两个聚类算法，即经典的K-means聚类和基于随机游走的聚类算法，是我学习到的头两个与机器学习相关的算法。算法课上，闵老师先讲了简单但是经典的K-means聚类算法，让我们对聚类算法有了一个初步的理解，紧接着又花了大量的时间剖析了基于随机游走的聚类算法。五周十二次的课程，我学到的不只是算法本身，下面将从几个方面来总结我对本课程的收获。

物联网是一种包含网络传感器的设备，可以进行远程监测和控制。到2025年，物联网设备的安装数量预计将达到750亿台。这些设备包括家用路由器、远程摄像头、医疗设备等等。物联网市场涵盖的领域非常广泛，包括工业、银行业、零售业、制造业以及医疗保健等行业。2018年以来，随着总体网络安全趋势的暴露，全球范围内大量正在使用中的物联网设备如今已沦落为网络犯罪分子的乐园。随着越来越多物联网设备被引入市场，物联网所面临的风险也在愈发增多，且威胁样式也在发生转变。

威胁之源

大数据、人工智能是目前大家谈论比较多的话题，它们的应用也越来越广泛、与我们的生活关系也越来越密切，影响也越来越深远，其中很多已进入寻常百姓家，如无人机、网约车、自动导航、智能家电、电商推荐、人机对话机器人等等。

说到协程，我们首先回顾以下线程与进程这两个概念。在操作系统（os）级别，有进程（process）和线程（thread）两个我们看不到但又实际存在的“东西”，这两个东西都是用来模拟“并行”的，写操作系统的程序员通过用一定的策略给不同的进程和线程分配CPU计算资源，来让用户“以为”几个不同的事情在“同时”进行“。