我们平常所提到的计算机的内存指的是动态内存（即DRAM），动态内存中所谓的“动态”，指的是当我们将数据写入DRAM后，经过一段时间，数据会丢失，因此需要一个额外设电路进行内存刷新操作。但时间一长，代表1的电容会放电，代表0的电容会吸收电荷，这就是数据丢失的原因。我们都知道，中间层是为了提供抽象转换而存在的，而这套叫做操作系统的中间层，定义了一套规则，使得后续的可执行程序能够更容易的被运行起来，而且

1.gcc是GNU Compiler Collection（就是GNU编译器套件），也可以简单认为是编译器，它可以编译很多种编程语言（括C、C++、Objective-C、Fortran、Java等等）。2.当你的程序只有一个源文件时，直接就可以用gcc命令编译它。3.但是当你的程序包含很多个源文件时，用gcc命令逐个去编译时，你就很容易混乱而且工作量大。

在目标检测领域，通常将网络的输出转为直观的检测框信息这一过程称为decode，就是根据网络的输出获取直观的检测框信息。那么encode就是将检测框信息（通常为ground-truth bounding box的坐标、宽高信息）转化为形为网络输出的信息，便于网络损失函数的求解。两阶段检测的框架就是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后

它的主要思想是将高维的数据映射到低维，使该低维的数据能够反映原高维数据的某些本质结构特征。可以简单的将流形理解成二维空间的曲线，三维空间的曲面在更高维空间的推广。下图是三维空间中的一个流形，这是一个卷曲面，像一个瑞士卷一样，而3维空间中的曲面可以看做是2维的流形，因为曲面是2维的。n维空间中的m维流形就是具有m维几何形状的一个子集，在这里，m小于n。图上所标注的两个圈圈，在流形（把卷展开）上本距离

利用下面两条原则，便可大杀四方。

神经网络中的多维矩阵乘积运算：多维矩阵乘积运算乘积两项的维度都应该是相同的，如果有论文中有遇到矩阵乘积的两项维度不一致，那就考虑它计算时是使用了广播机制（如YOLACT）。所有大于二维的，最终都是以二维为基础堆叠在一起的！！所以在矩阵运算的时候，其实最后都可以转成我们常见的二维矩阵运算，遵循的原则是：在多维矩阵相乘中，需最后两维满足shape匹配原则，最后两维才是有数据的矩阵，前面的维度只是矩阵的

在目标检测领域，通常将网络的输出转为直观的检测框信息这一过程称为decode，就是根据网络的输出获取直观的检测框信息。那么encode就是将检测框信息（通常为ground-truth bounding box的坐标、宽高信息）转化为形为网络输出的信息，便于网络损失函数的求解。两阶段检测的框架就是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后

想要充分理解粒子滤波算法，必须得从贝叶斯滤波器开始理解起来，因为卡尔曼滤波和粒子滤波都是基于此的。动态模型是指两个函数或者说两个模型（状态模型和观测模型）：一个函数的输出为当前时刻的状态，输入为上一时刻的状态和噪声。另一个函数的输出是当前时刻的观测，输入为当前时刻的状态（这个状态是更新调整后的）和噪声。卡尔曼滤波限制噪声时服从高斯分布的，但是粒子滤波可以不局限于高斯噪声，原理上粒子滤波可以驾驭所有

它的主要思想是将高维的数据映射到低维，使该低维的数据能够反映原高维数据的某些本质结构特征。可以简单的将流形理解成二维空间的曲线，三维空间的曲面在更高维空间的推广。下图是三维空间中的一个流形，这是一个卷曲面，像一个瑞士卷一样，而3维空间中的曲面可以看做是2维的流形，因为曲面是2维的。n维空间中的m维流形就是具有m维几何形状的一个子集，在这里，m小于n。图上所标注的两个圈圈，在流形（把卷展开）上本距离

极几何描述了同一场景或者物体在两个视点图像间的对应关系。下图中的O1和O2分别是两个相机的光心，即摄像机坐标系的原点。由下图可知给定了一个三维空间下的P点，虽然不知道对应的成像平面上像素点p和p’在哪个位置，但是我知道它一定在l和l’这两条极线上。这样就不会全图去找了，只用在极线上去搜索了。再比如给定一个图像上的p点，找另一个图像上对应的p’点就可以通过极几何约束，将搜索范围缩小到对应的极线上本质