想象一下你正在打造一辆可探测周围环境的自动驾驶车。你要如何让你的车感知行人、骑自行车的人以及其他车辆，以安全行驶呢？你可以给它装上相机，但效果并不是特别好：你面对的是整个 3D 环境，相机拍摄到的只是把它拍扁之后的 2D 图像，然后再尝试从这个 2D 图像中复原你真正需要用到的 3D 信息（比如与车前面的行人、汽车间的距离）。然而，一旦将 3D 环境挤压成 2D 图像，很多对你来说最重要的信息就会丢失，并且将这些信息重新拼凑起来十分困难——即使使用最先进的算法，也容易出错。

想象一下你正在打造一辆可探测周围环境的自动驾驶车。你要如何让你的车感知行人、骑自行车的人以及其他车辆，以安全行驶呢？你可以给它装上相机，但效果并不是特别好：你面对的是整个 3D 环境，相机拍摄到的只是把它拍扁之后的 2D 图像，然后再尝试从这个 2D 图像中复原你真正需要用到的 3D 信息（比如与车前面的行人、汽车间的距离）。然而，一旦将 3D 环境挤压成 2D 图像，很多对你来说最重要的信息就会丢失，并且将这些信息重新拼凑起来十分困难——即使使用最先进的算法，也容易出错。

深度学习扩展了数字图像处理的边界。然而，这并不代表在深度学习崛起之前不断发展进步的传统计算机视觉技术被淘汰。近期，来自爱尔兰垂利理工学院的研究者发表论文，分析了这两种方法的优缺点。

深度学习扩展了数字图像处理的边界。然而，这并不代表在深度学习崛起之前不断发展进步的传统计算机视觉技术被淘汰。近期，来自爱尔兰垂利理工学院的研究者发表论文，分析了这两种方法的优缺点。

随着深度学习的进步、计算存储的扩大、可视化数据集的激增，计算机视觉方面的研究在过去几年蓬勃发展。在自动驾驶汽车、医疗保健、零售、能源、语言学等诸多领域，计算机视觉的应用都越来越广。

2022年3月23日，来自哥伦比亚大学的Artem Cherkasov和英伟达的Abraham C等人在Nature Machine Intelligence杂志发表文章，全面阐述了GPU计算和深度学习的历史趋势和最新进展，并讨论了它们对药物发现的直接影响。

计算机基础的重要性我就不必多说了，「帅地玩编程」这个公众号也是主打计算机基础 + 算法相关知识，学习计算机基础，认准「帅地玩编程」。

作者：chriszyyang  腾讯CSIG基础研究工程师 |导语  在本篇文章中，我们首先向大家简单介绍耐药性的概念，以及展示耐药现象会对我们人类未来生存带来的巨大威胁。在临床实践中，耐药性通常是由直接影响药物结合的靶向蛋白质的突变所引发的。如果我们能够通过计算方法提前预测引起耐药性的蛋白质突变，这将会对精准医疗有着重要意义。因此，我们随后会简单介绍目前三种用于估计由靶点蛋白质突变引起耐药性的基于物理和数据驱动的计算方法，以及分析各自方法的优点和缺点。最后，我们会带领大家解析如火如荼的机器学习方法在耐药

标题：Review on 3D Lidar Localization for Autonomous Driving Cars

边缘计算是指在接近生成位置的地方处理信息。在现代移动通信中，这样做的原因包括延迟约束、带宽减少和节能。我们将介绍三种特别适合现代gpu边缘计算的机器学习方法，并展示它们之间的相互关系。首先，我们将讨论和演示硬件射线跟踪在移动通信中的应用。然后，我们将回顾从零开始训练的稀疏神经网络的效率收益。最后，我们将探讨基于核的学习方法在信道估计和波束形成中的应用。将基于内核的在线学习方法、用于快速数据理解的人工神经网络、用于预测的增强学习和硬件加速的射线跟踪结合在一个平台上，是5G gpu上高效、可扩展的边缘计算解决方案的基础。

边缘计算是指在接近生成位置的地方处理信息。在现代移动通信中，这样做的原因包括延迟约束、带宽减少和节能。我们将介绍三种特别适合现代gpu边缘计算的机器学习方法，并展示它们之间的相互关系。首先，我们将讨论和演示硬件射线跟踪在移动通信中的应用。然后，我们将回顾从零开始训练的稀疏神经网络的效率收益。最后，我们将探讨基于核的学习方法在信道估计和波束形成中的应用。将基于内核的在线学习方法、用于快速数据理解的人工神经网络、用于预测的增强学习和硬件加速的射线跟踪结合在一个平台上，是5G gpu上高效、可扩展的边缘计算解决方案的基础。

边缘计算是指在接近生成位置的地方处理信息。在现代移动通信中，这样做的原因包括延迟约束、带宽减少和节能。我们将介绍三种特别适合现代gpu边缘计算的机器学习方法，并展示它们之间的相互关系。首先，我们将讨论和演示硬件射线跟踪在移动通信中的应用。然后，我们将回顾从零开始训练的稀疏神经网络的效率收益。最后，我们将探讨基于核的学习方法在信道估计和波束形成中的应用。将基于内核的在线学习方法、用于快速数据理解的人工神经网络、用于预测的增强学习和硬件加速的射线跟踪结合在一个平台上，是5G gpu上高效、可扩展的边缘计算解决方案的基础。

第一性原理计算方法是通过求解薛定谔方程来模拟材料中的电子结构。在这种方法中，计算是从基本原理开始的，而不是从经验参数或实验数据开始的。这种方法通常需要高度的计算能力和复杂的数学算法，但是它可以为材料学研究提供非常准确和可靠的数据。其中，原子电荷是材料学研究中非常重要的参数，可以用于描述原子与分子间相互作用的强度。

相信很多来这里的人和我第一次到这里一样，都是想找一种比较好的目标跟踪算法，或者想对目标跟踪这个领域有比较深入的了解，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我们比较关注目标跟踪中的相关滤波方向，接下来我帮您介绍下我们所认识的目标跟踪，尤其是相关滤波类方法，分享一些我们认为比较好的算法，顺便谈谈我的看法。

本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。内容如有错误欢迎评论留言，未经允许请勿转载！

图神经网络是人工智能的一个热点方向，从图的视角解读大数据，可以灵活建模复杂的信息交互关系，吸引大量学者的关注并在多个工业领域得到广泛应用。

导读/ 3D点云学习（ Point Clouds）作为近年来的研究热点之一，受到了广泛关注，每年在各大会议上都有大量的相关文章发表。当前，点云上的深度学习变得越来越流行，人们提出了许多方法来解决这一领域的不同问题。国防科技大学郭裕兰老师课题组新出的这篇论文对近几年点云深度学习方法进行了全面综述，是第一篇全面涵盖多个重要点云相关任务的深度学习方法的综述论文，包括三维形状分类、三维目标检测与跟踪、三维点云分割等，并对点云深度学习的机制和策略进行全面的归纳和解读，帮助读者更好地了解当前的研究现状和思路。也提供了现有方法在几个可公开获得的数据集上的全面比较，最后也介绍了未来的研究方向。

http://mi.eng.cam.ac.uk/projects/relocalisation/

计算机视觉是一个广泛而复杂的领域，而深度学习的发展则为该领域提供了许多解决方案，带来更鲁棒、更精确的模型算法。本系列《“深度学习与计算机视觉”学习笔记》简要地记录了我近期在梳理计算机视觉领域应用深度学习技术的历史发展进程、基础原理以及应对不同任务提出的经典网络架构和未来发展方向的所获所得。特此整理与大家分享。

以激光扫描为代表的主动采集装备在易操作性、机动灵活性、智能化、高效化等方面日益成熟，利用三维成像技术采集密集点的空间坐标、色彩纹理和反射强度等信息，可高保真且快速重建被测目标的三维实体，在工程测量、生物医学、智慧城市、虚拟现实(VR)、增强现实(AR)等科学与工程研究中发挥十分重要的作用[1-4]。