demi的博客

从神经网络到卷积神经网络（CNN）

demi 在周三, 07/25/2018 - 16:29 提交

卷积网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。

物联网通信架构总结

demi 在周三, 07/25/2018 - 14:09 提交

本文从宏观上介绍IoT的通信架构，让大家都日渐频繁的物联网设备工作原理有一个初步的理解，主要分为了直连、网关、云三种模式。

1. 直连模式（direct integration pattern）

通常我们使用的小米手环等物联网设备，和手机就是直连模式，但其使用的是蓝牙，并不能提供通用的接口来访问；解决这一问题的方法是使用已经成熟多年的Web技术，所以也有人提出了Web of Things的概念。

如果设备支持HTTP和TCP/IP，并且能够直接连接互联网，比如使用Wi-Fi，那么可以使用这种直连模式。通常设备需要较为强大的处理能力，并且有持续的电源，比如智能家居等。要通过Web直接控制设备，其自身需要实现类似下图的功能，从硬件控制、RESTFUL API的设计到HTTP服务器的实现。

人脸的两个关键问题——光照和姿态

demi 在周三, 07/25/2018 - 10:35 提交

人脸识别关键问题研究

a) 人脸识别中的光照问题

光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败。研究思路是将在对其进行系统分析的基础上，考虑对其进行量化研究的可能性，其中包括对光照强度和方向的量化、对人脸反射属性的量化、面部阴影和照度分析等等。在此基础上，考虑建立描述这些因素的数学模型，以便利用这些光照模型，在人脸图像预处理或者归一化阶段尽可能的补偿乃至消除其对识别性能的影响。重点研究如何在从人脸图像中将固有的人脸属性（反射率属性、3D表面形状属性）和光源、遮挡及高光等非人脸固有属性分离开来。基于统计视觉模型的反射率属性估计、3D表面形状估计、光照模式估计，以及任意光照图像生成算法是目前的主要研究内容。

具体考虑两种不同的解决思路：

1、利用光照模式参数空间估计光照模式，然后进行针对性的光照补偿，以便消除非均匀正面光照造成的阴影、高光等影响；

Android OpenGL ES 开发（八）: OpenGL ES 着色器语言GLSL

demi 在周三, 07/25/2018 - 09:26 提交

前面的文章主要是整理的Android 官方文档对OpenGL ES支持的介绍。通过之前的文章，我们基本上可以完成的基本的形状的绘制。

这是本人做的整理笔记： https://github.com/renhui/OpenGLES20Study

目前到这里第一阶段的学习，也就是基本的图形绘制，基本的交互的实现。

• 平面绘制：三角形、正方形、在相机视角下的三角形、彩色三角形
• 立体绘制：正方体、圆柱体、圆锥体、球体
• 基本交互：手绘点、旋转三角形

知道了基本的图形绘制，也知道了基本的交互的实现，现在可能大多数人还是对整个实现的流程有点懵，最主要的地方可能就是对顶点着色器和片元着色器了。前面的使用过程中，我们大概也对着色器语言有一定的了解了，但是在前面我们使用的着色器代码还是很简单的，做的事情也是很有限的，后面的开发过程中，我们用到的着色器会越来越复杂，So，这里我们想一下着色器语言GLSL。