这两年人工智能很吃香,今年的人工智能应届博士年薪甚至有高达80万,而且很稀缺。我一向对此感兴趣,于是查找了一下西工大的博士研究生招生。现在将资料放此,以备查看。 西北工业大学研究生招生信息网:http://yzb.nwpu.edu.cn/new/sy.htm 招生简章:http://yzb.nwpu.edu.cn/info/1180/6927.htm 专业招生目录:http://yzb.nwpu.edu.cn/info/1182/6926.htm 有关的几个方向:阅读全文

Pandaboard/Pandaboard ES开发板简介: 基于 OMAP 4 平台的 PandaBoard ES 包含集成 2 颗 ARM Cortex-A9 处理器(每颗运行速率为 1 GHz)的 OMAP4460 处理器,可提供对称多处理 (SMP) 性能以及丰富的多媒体与 3D 图形支持。此外,该电路板还具有 WLAN 与蓝牙 (Bluetooth) 连接技术。 PandaBoard 可提供一款能够在紧张的移动功率预算内确保项目充分发挥其功能的理想平台。 参数: PandaBoard  Technical Specs Core Logic OMAP4430 applications processor Dual-core ARM? Cortex?-A9 MPCore? with Symmetric Multiprocessing (SMP) at 1 GHz each. Allows for 150% performance increase over previous ARM Cortex-A8 cores. Full HD (1080p) multi-standard video encode/decode Imagination Technologies’ POWERVR? SGX540 graphics core supporting all major API&阅读全文

电脑摄像头,手机摄像头,监控摄像头等都是摄像头,但是接口却不一样。 常用的电脑摄像头是USB接口, 主流的智能手机摄像头是MIPI接口 树莓派等硬件却常常为CSI接口 对于开发硬件产品的人来讲,哪种最好呢?它们的区别是什么呢? DVP总线PCLK极限大约在96M左右,而且走线长度不能过长,所有DVP最大速率最好控制在72M以下,故PCB layout会较好画 MIPI总线速率随便就几百M,而且是lvds接口耦合,走线必须差分等长,并且注意保护,故对PCB走线以及阻抗控制要求高一点。 一般而言,96M pclk是DVP的极限,曾经在一个team做多摄相头的图象采集设备,DVP总线连接。几个不懂技术的一直push我说是硬件走线干扰啊,拘泥纠缠在什么I2C这种低速控制信号受干扰,还搞了好几天看示波器,被烦的不行,我用一个晚上时间改驱动降低PCLK降桢率搞定。 DVP是并口,需要PCLK、VSYNC、HSYNC、D[0:11]——可以是8/10/12bit数据,看ISP或baseband是否支持; MIPI是LVDS,低压差分串口。只需要要CLKP/N、DATAP/N——最大支持4-lane,一般2-lane可以搞定。 显然,MIPI接口比DVP的接口信号线少,由于是低压差分信号,产生的干扰小,抗干扰能力也强。最重要的是DVP接口在信号完整性方面受限制,速率也受限制。500W还可以勉强用D阅读全文

一直对计算机视觉保持关注,也想过很多计算机视觉上的问题。这个视频将机器视觉的几大类说的很清楚。 人类进化出了双目视觉去,且有几大特点: 双目同时运动,聚焦于同一物体,双目也可向内聚焦(对眼)。它们的共同特点就是——聚焦同一物体,判断距离和大小。 人眼可以同时上下、左右运动,且同时聚焦于同一物体。人眼的中心凹范围很小,所以只能集中精力处理一件事物,而其他区域很大,视觉模糊,但低精度意味着信息简单,大脑可以快速对周围作出反应,因此可以同时关注多个目标(不需要特别精确)。 耳朵控制眼睛的水平,类似于陀螺仪。 机器视觉相比于人的优势: 瞳距可调,意味着精度可调。(这个太酷了,我之前从来没有想到) 焦距可调,意味着可以望远和观近。(不知道人眼佩戴特殊眼镜是否也可以实现) 可移植,眼、脑分离,可以靠无线信号传递信息。且尺寸不限。(人无法做到,除非脑科学与芯片学发展成熟,不过要实现这一目标,现在还还非常早) 计算机还可以多目视觉。人眼可否实现类似二郎神的功能呢?即计算机视觉辅助系统,帮助完善和扩展人眼的功能,甚至取代人眼(盲人就可以看见了,技术拯救盲人)阅读全文

这是一个转型AI的励志故事,从非科班到拿下竞赛一等奖[转载]

本文大概描述了机器学习领域之外的人如何转行到机器学习领域内。说得很详细。 下文转载自CSDN:http://blog.csdn.net/qq_40027052/article/details/78542679?locationNum=3&fps=1 在计算机行业,关于从业人员的素质,一直都有一个朴素的认识——科班出身好过非科班,学历高的好过学历低的。大部分时候,这个看法是对的。在学校学习,有老师指点,有同学讨论,有考试压迫,有项目练手。即便不大用心的学生,几年耳濡目染下来,毕业后作为半个专业人士,还是没什么问题的。 不过,量子物理告诉我们,这个世界的本质要看概率。所以,科班出身的同学,在技术上好过非科班出身的同学,这是大概率事件;相反,非机器学习专业,甚至非计算机专业的同学,在这个领域做的比本专业同学更好,则就是小概率事件了。但小概率事件并非“不可能事件”,国内很多做机器学习公司的CTO,都不是机器学习专业的科班出身,却能够抓住这里的“小概率”,让自己华丽地转身并实现弯道超车。 他们是怎么做到的? 如果在上学的时候,我们没能嗅到机器学习领域的机会,而是选择其他领域来学习和工作……如今却打算半路出家、改行机器学习,应该怎么做,才能做到跟这些人一样好?或者,至少是足够好? 我自己痛苦转型的经历,说出来可以供大家参考一下。 我也是非科班出身,但因为工作,一直需要接触计算机视觉的一阅读全文

微型无人机携带炸药可以杀人。 这并不是危言耸听 伯克利大学教授在联合国大会上展示了“AI杀人蜂”机器人 搭载人脸识别、传感器以及3克炸药 可以在人群中精确定位到需要干掉的人 杀人成本极其低廉 同时教授警告:该项技术已经成熟 要警惕落入恐怖分子之手(感谢阿尔法小分队译制,网易公开课编辑整理) 本视频来自网易公开课 http://open.163.com/movie/2017/11/0/9/MD32SIIIB_MD32SJS09.html 这是视频最后给出的“防止这种悲剧发生的”公益网站:http://autonomousweapons.org/ 我也相信机器人一定会与人类共享世界,甚至取代人类。阅读全文

深度学习:Python深度学习完全路线指南[转载]

转载自:https://zhuanlan.zhihu.com/p/29309218 Python深度学习完全路线指南 介绍 深度学习目前已经成为了人工智能领域的突出话题。它在“计算机视觉”和游戏(AlphaGo)等领域的突出表现而闻名,甚至超越了人类的能力。近几年对深度学习的关注度也在不断上升,这里有一个调查结果可以参考。 这里有一个 Google 的搜索趋势图: 如果你对这个话题感兴趣,这里有一个很好的非技术性的介绍。如果你有兴趣了解最近的趋势,那么这里有一个很好的汇总。 在这篇文章中,我们的目标是为所有深度学习的人提供一条学习之路,同时也是为想要进一步学习的人提供一条探索的路径。如果你准备好了,那么让我们开始吧! 步骤0:先决条件 建议在学习深度学习之前,你应该先了解一些机器学习的基础知识。这篇文章列出了完整的学习机器学习的资源。 如果你想要一个简单的学习版本。那么可以看下面的列表: 数学基础(特别是微积分,概率和线性代数) Python 基础 统计学基础 机器学习基础 建议时间:2-6个月 步骤1:机器配置 在进行下一步学习之前,你应该确保你有一个支持你学习的硬件环境。一般建议你至少拥有以下硬件: 一个足够好的 GPU(4 GB),最好是 Nvidia 一个还可以的 CPU(比如:Intel Core i3,Intel Pentium 可能不适合) 4 GB RAM(这个取决阅读全文