0 引言在捷联惯导工程实践[6]中，我们希望陀螺仪能够非常精确的获取信息，或者说希望陀螺仪能非常准确的地反映观测量（加速度，磁场等）[6,7]的真实值，但是这个过程或多或少是受到噪声干扰的，导致测量的不准确；为了能够让陀螺仪在状态更新时做到准确，必须对状态变量和观测量进行数据融合和滤波，从而尽最大限度的降低噪声的干扰。最常用也最有效的方法非卡尔曼滤波莫属，其在处理高斯模型的系统上效果颇

OpenCV的Tesseract使用OpenCV的Tesseract使用Mac端的Tesseract使用iOS端的Tesseract使用Mac端的Tesseract使用Tesseract的安装Mac上的Tesseract安装很方便，直接利用brew来安装：brew updatebrew install tesseract或者下载源码进行编译安装：Github地址Tesseract的使用

简介文档与性能网络与模型能力生态与维护框架搭建与应用架构1 TensorFlow2 Caffe3 MXNet4 Paddle5 CNTK总结1.简介2.文档与性能3.网络与模型能力4.生态与维护5.框架搭建与应用6.架构6.1 TensorFlow6.2 Caffe6.3 MXNet6.4 Paddle主要从以下几个方面入手：多机并行架构、多GPU并行架构、seque

1. 图像分类问题这是人每天自然而然会做的事情，普通到大部分时候，我们都感知不到我们在完成一个个这样的任务。早晨起床洗漱，你要看看洗漱台一堆东西中哪个是杯子，哪个是你的牙刷；

简介最近由于项目需要，需要做一个车牌号抓取和识别的功能，于是找到了EasyPR，全称Easy to do Plate Recognition，一个全中文的开源识别项目，基于OpenCV和机器学习实现，支持跨平台，相对来说比较简单，速度也还不错，准确度而言，白天还行，晚上很差，尤其是开启前照灯的情况下非常糟糕，不过还是要感谢作者能够开源给大家分享。下载github地址：https:/

一概览首先，我们先来看下目标检测的发展历程：1.2001年，V-J检测器诞生，主要用于人脸的检测；2.2006年，HOG + SVM的方法出现，主要用于行人的检测；3.2008年，rgb大神（记住这个人，后面的R-CNN系列检测算法也是出自他之手）研究出了著名的DPM算法，在深度学习方法成熟之前的很长一段时间里，就是这个算法一直在目标检测中发挥作用；以上算法是属于传统目标检测的算法...

1.CLAHE简介       HE直方图增强，大家都不陌生，是一种比较古老的对比度增强算法，它有两种变体：AHE和CLAHE；两者都是自适应的增强算法，功能差不多，但是前者有一个很大的缺陷，就是有时候会过度方法图像中相同区域的噪声问，为了解决这一问题，出现了HE的另一种改进算法，就是CLAHE；CLAHE是另外一种直方图均衡算法，能有效的增强或改善图像（局部）对比度，从而获取更多图像相关细节

本文翻译自https://en.wikipedia.org/wiki/Adaptive_histogram_equalization，如有错误还望海涵。。自适应的直方图均衡（Adaptive Histogram Equalization）1.算法简介        AHE是一种用来改善图像对比度的图像处理技术，它与传统的（普通）直方图均衡相比，不同点主要在于，AHE通过计算图像每一个显

1.简介       目前为止，通过MLP和BP算法的学习，我们已经接触了神经网络，并且知道了最具有代表性的一种模型“多层感知器”，这篇文章对ANN做个详细的总结和概述。       一般来讲，ANN可以看做是由大量简单计算单元（神经元节点）经过相互连接而构成的学习机器，网络中的某些因素，如连接强度（权值）、节点计算特性、网络结构等，可以按照一定的规则或算法根据样本数据来进行相应的调整（训

1.简介       在样本有限的情况，样本分布不规律且含有噪声的情况下，用最近邻来做决策难免有一定风险，因此对其引入打分机制，对未知样本的决策，不仅仅只依赖于最近的那一个已知样本，更可靠的做法是选择k个距离未知样本最近的已知样本，然后在这k个类别中进行打分来决定最后应该决策给谁。显然，最近邻就是1近邻。      另外，回顾下前面在讲概率密度函数的非参数估计时，是不是也提到了k近邻，没错