计算机视觉(Computer Vision, CV) & 机器视觉（Machine Vision, MV） 从学科分类上， 二者都被认为是 Artificial Intelligence 下属科目。
什么是计算机视觉？
“计算机视觉”是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。计算机视觉是一个处于指示前沿的领域。我们认为计算机视觉，或简称为“视觉”，是一项事业，它与研究人类或动物的视觉是不同的。它借助于几何、物理和学习技术来构筑模型，从而用统计的方法来处理数据。
因此从我们的角度看，在透彻理解摄像机性能与物理成像过程的基础上，视觉对每个像素进行简单的推理，将在多幅图像中可能得到的信息综合成和谐的整体，确定像素集之间的联系以便将它们彼此分割开，或推断一些形状信息，使用几何信息或概率统计技术来识别物体。
什么是机器视觉？
据权威机构统计，2018年，全球智能家居市场规模预计将达到710亿美元。高热度的市场，也表明传统家居已无法满足年轻人对生活品质的需求，智能家居成为居家生活的必备产品。本文将带你纵观智能家居行业生态，了解2019智能家居发展的7大趋势。
一、可穿戴式智能设备
随着智能家居的火热发展，人们在熟悉了可穿戴设备对于睡眠习惯和身体各项指标的监测后，愈发期待可穿戴设备与智能家居的互动。
一方面，在终端控制、语音控制智能家居产品之后，人们希望能够研制出控制智能家居产品的可穿戴设备；另一方面，人们也希望现有的可穿戴设备能够与智能家居产品形成互动，以便在忙碌的生活中养成健康的生活习惯，如智能手环与智能体脂称之间数据的互通等等。
二、传感器成为智能家居工作重心
美国对信息技术的认识是：计算机技术是核心，敏感技术、光电子技术是关键和重点，足见美国对于传感器研究的重视。而国内企业竞争力薄弱，传感器市场七成被外资企业所垄断。中国对于传感器的不够重视，使我国智能家居行业虽然引入了人工智能，却仍未解决感知的问题。
虚拟现实系统（Virtual Reality System，简称VR；又译作灵境、幻真）是近年来出现的图形图像领域的高新技术，也被称为灵境技术或人工环境。虚拟现实是利用电脑模拟产生一个三度空间的虚拟世界，提供使用者关于视觉、听觉、触觉等感官的模拟，让使用者如同身历其境一般，可以及时、没有限制地观察三度空间内的事物。
本文主要是对红宝书（第八版）第五章中给出的透视投影矩阵和正交投影矩阵做一个简单推导。投影矩阵的目的是：原始点P(x,y,z)对应后投影点P'(x',y',z')满足x',y',z'∈[-1,1]。
透视投影
下图为透视投影的视锥体：
注：上图中忘了标注了，远裁剪平面距离原点距离为f，近裁剪平面距离原点距离为n。
设P(x0, y0, z0)，我们分别求各个坐标在投影后的值。将P点投影到近平面上，首先看x方向上的投影，沿着过P点，且平行于xoz平面切一刀，有如下图：
无人驾驶的操作流程，没有大家想的那么复杂。大家完全可以根据自己开车的实践，推断出自动驾驶应该包括那些内容。传统意义上，很多论文或者教材都喜欢把自动驾驶分成感知、预测、规划和控制四个部分，但是我个人喜欢再添加两个部分，即导航和停车，这样会构成一个更完整的整体。
一般情况下，一个TCP连接的建立需要经过三次握手的过程，即：
1、 建立发起者向目标计算机发送一个TCP SYN报文；
2、目标计算机收到这个SYN报文后，在内存中创建TCP连接控制块（TCB），然后向发起者回送一个TCP ACK报文，等待发起者的回应；
3、 发起者收到TCP ACK报文后，再回应一个ACK报文，这样TCP连接就建立起来了。
学习数据集训练时，电脑没有GPU，所以当时训练时用的是CPU，也没有意识到两者之间在训练数据集有什么差别，直到在一次训练过程中，着重看了一下训练过程，才发现，训练时间是真的差距大。接下来就给大家讲一下，这两个具体有什么差别。
对于游戏开发者来说，外挂是深通恶绝的，它一方面破坏了游戏的公平性，造成大量玩家流失，另一反面又加快了游戏节奏和资源产出，让开发商利益受损。对于这种让玩家和开发商都不讨好的行为，一定要坚决打击。
但现实情况是，外挂很难彻底杜绝，特别是你的游戏火爆的时候，会有一大批外挂盯着你的游戏漏洞，让你防不胜防，你唯一能做的只能去不断的完善，做好安全预防和检测，和它做攻防斗争，或者从设计之初，就做好主要安全构筑，提升游戏的防外挂能力。
下面我们介绍几种常见的外挂形式，给一些简单的建议，供大家一起探讨。本篇不涉及具体的操作和作弊工具使用。
常见的外挂分类
协议破解
协议破解是一种常见的方式，主要是针对通信内容进行破解，对于采用hash加密的协议来说，会被彩虹表暴力破解。对于采用对称加密的算法来说，如果密钥被截获或者从文件破解，都会触发这种解密行为。若是采用非对称加密，对服务器的性能损耗太严重了，不值得，所以好的方式还自定义一种动态密钥，加大被破解的难度。
深度学习中的卷积
当提到神经网络中的卷积时，我们通常是指由多个并行卷积组成的运算。（因为单个核只能特区一种类型的特征，我们usually希望可以在多个位置提取多个特征）
输入也不仅仅是实值的网格，而是由一系列观测数据的向量构成的网格。
我们有的时候会希望跳出核中的一些位置来降低计算的开销（相应的代价是提取特征没有先前那么好了）我们就把这个过程看作对全卷积函数输出的下采样(downsampling).如果只是在输出的每个方向上每间隔s个像素进行采样，那么可重新定义一个 下采样卷积函数。我们把s称为下采样卷积的步幅（stride）。
在任何卷积网络的实现中都有一个重要性质：能够隐含地对输入V用零进行填充（pad）使得它加宽。
普遍意义的卷积
从数学上讲，卷积只不过是一种运算，对于很多没有学过信号处理，自动控制的同学来说各种专业的名词可以不做了解。我们接着继续：
对于很多初入学习人工智能的学习者来说，对人工智能、机器学习、深度学习的概念和区别还不是很了解，有可能你每天都能听到这个概念，也经常提这个概念，但是你真的懂它们之间的关系吗？那么接下来就给大家从概念和特点上进行阐述。先看下三者的关系。