京东方的一篇论文，主打轻量级网络做Real-Time SR，只有一层，对标传统bicubic上采样，因为轻量，所以实用，同时一层网络的可解释性也更强。
论文地址：Edge-SR：Super-Resolution For The Masses
图像降噪算法 Multi Scale DCT Denoise
Multi Scale DCT Denoise（MSDCT）是经典的传统降噪算法，这篇博客予以简单介绍。原始论文：https://www.ipol.im/pub/art/2017/201/article_lr.pdf， C++源码，可以在ipol网站找到：https://www.ipol.im/pub/art/2017/201/?utm_source=doi
解马赛克中的判边插值
我们在解马赛克算法或者超分辨率算法中常常用边缘方向来指导插值，对demosaicing算法而言，边缘引导插值发生在整像素位置，对super resolution算法而言，边缘指导插值常常发生在亚像素位置。这篇博客简单总结解马赛克中一种常用的插值方法：自适应边缘插值算法。
除了自适应边缘插值，也给了一些常用的其它解马赛克算法的介绍：微软解马赛克算法、基于色差残差的插值算法、经典的GBTF、RI等算法给了链接索引。
双目立体匹配算法mobilestereonet
通过视觉测量深度的方法目前分为如下几种，一种是双目立体匹配，该方法的好处是有一个明确的物理模型，存在视差的概念，深度信息是根据时差转换得到，另一种是单目运动，该方法也可以看成一种特殊的双目模型或者多目模型，只不过它是时间上的多目，还有一种方法是完全的单目深度估计，直接由网络端到端给出深度，单目网络在可解释性和可移植性上不如双目和单目运动，但是其效果没有比双目差太多。
随着近年来车载系统视觉方案不断完善，立体视觉问题不断收敛，学界出现了一批轻量级网络，效果还不差，这篇博客主要介绍一个轻量级双目立体匹配网络mobilestereonet，后文简称MSN。博主理解MSN主要贡献还是在与对网络模型的压缩，骨干和后面的特征提取大量使用深度可分离卷积，而论文中提及的一些网络结构，经过博主实验下来，这些并不重要（比如3d卷积用分组卷积替代，网络性能并没有明显降低），直接感受是，参数确实更少，计算也更少。
Pytorch模型蒸馏Distillation
网络模型在部署时会通过剪枝蒸馏等方式加快推理速度，模型蒸馏大概可以分为通道蒸馏、特征蒸馏和目标蒸馏。这里需要特别强调的是，蒸馏的student网络学习的是teacher的泛化能力，而不是过拟合训练数据。这篇博客会以pytorch代码为基础，介绍常用的模型蒸馏方法。
UnrealCV部署使用指南
在深度学习中，数据仿真一直是重要的topic，Unreal（虚幻引擎）是Epic主导的渲染引擎，常被用于游戏、场景设计、渲染计算，也可以被用于深度学习中的数据仿真，其中有一些比较有名的基于Unreal开发的数据仿真平台，比如CARLA（http://carla.org/）、AirSim等优秀的仿真平台被用于自动驾驶、机器人自动控制等。这篇博客也是介绍一个这样的项目UnrealCV，简单介绍下unrealcv的部署和使用。实际上UnrealCV没有CARLA和AirSim强大（主要是没有运动模型和碰撞检测），所以简单介绍仅供参考。
Pytorch使用2d卷积来实现3d卷积
我们在深度学习模型转换和推理过程中常常会遇到算子不被工具链支持的情况，这时我们可以通过其它算子来等价实现我们想要的算子，比如3d卷积不被工具链支持，我们可以将其拆分成2d卷积，拆分之后我们需要进行权重字典的拆分。这篇博客贴一下pytorch的实现。
神经网络训练量化（QAT）基本概念
QAT（Quantization Aware Training）量化感知训练是神经网络优化模型容量的重要方法，关系到模型精度和性能。pytorch对模型量化支持有三种方式：模型训练完毕后的动态量化、模型训练完毕后的静态量化、模型训练中开启量化QAT。这篇博客主要基于pytorh介绍QAT的基本概念。
使用OpCounter和flops-counter评估pytorch模型大小
在Pytorch中统计模型大小有一个非常好用的工具opcounters，opcounters用法也非常简单，这篇博客介绍opcounters用法。
几种3D传感器特点分析
目前的3D传感器可以大致划分成如下几种：双目传感器、单目传感器、三角雷达、线激光雷达、dTof、iTof、面阵 … 阅读更多
事件相机（三）事件相机特征提取
事件相机作为一种新型相机，其特征提取方法仍然有许多需要探索的地方，目前主流的事件相机特征提取算法都还是将事件信息二维化或者三维化，并没有很好利用事件相机数据量小的特点，也都把一些关键信息丢掉了，这篇博客主要介绍目前常用的事件相机的特征提取方法。用这些方法编码事件，有一些适合给传统算法使用，有一些适合使用CNN进行处理。
事件相机（二）事件相机应用
前面一篇博客介绍了事件相机的原理和种类，这一篇博客来介绍一下事件相机的具体应用场景，主要也是对 Event Camera Survey的总结梳理。目前学界研究比较多的是 SLAM、Motion Object Detection、Deblur、HDR、高帧率视频等方向。传统方法在SLAM上使用较多，提取事件特征非常繁琐耗费算力，NN方面在处理事件上有一些探索，但都还没完全成熟。目前主要的产品应用还是手机Deblur、插帧和HDR上（目前只有手机的出货量有机会压低Event Camera的成本）。
事件相机（一）事件相机原理
事件相机（Event Camera）目前分为如下几类：DVS、ATIS、DAVIS等，这类基于事件的相机与传统基于全帧输出的CIS相机不同，具有高帧率、高动态、低延时、低带宽的优点，同时也面临着噪声、Flicker、带宽变化等不利因素。这篇博客重点介绍事件相机产生事件的原理，和目前事件相机的分类。