不精，不诚，不足以动人

需要的基础：了解深度学习分类网络原理即可。 主题和收获：以深度学习中的ArcFace算法为案例，获得对度量学习领域举一反三的领悟。1 度量学习简介度量学习（Metric Learning）通俗的说就是相似度学习。例如，如果要计算两张人脸图片的相似度，如何度量图片之间的相似度，并使得不同人的人脸图片相似度小而相同人的人脸图片相似度大就是度量学习的目标。综上，以人脸识别（不是人脸检测）为例子，用程序和算法实现此功能，要解决3个问题：用什么东西作为某一个人的人脸的特征基准？ 答案：因为不同的

本文主要梳理V2V关节点估计算法的原理、网络结构、以及工程应用。 虽然V2V是2017年的算法，但是其3D点云处理流程和效果还是很经典的，值得作为入门3D深度学习领域的一个窗口。1 算法部分V2V-PoseNet基本介绍发明时间：2017年 功能：3D关节点估计（如应用于手掌关节点估计） 输入数据：一张包含目标的depth图。（如用Kinect、realsense等传感器采集的的depth图） 输出结果：目标物体关节点的X，Y，Z坐标值。 两句话概括创新点： 第一句话：传统方

初次接触deepsort时，快速了解过其多目标跟踪原理，记录了一篇《deepsort原理快速弄懂——时效比最高的》。但是其细节和重要参数项还是很模糊，应对具体

0 背景见《AI视频行为分析系统项目复盘——技术篇1》1 tensorRT 介绍NVIDIA®TensorRT™是一个深度学习平台，用于模型推理加速（仅支持NVIDIA自家GPU，CPU加速一般使用OpenVINO）。1.1 tensorRT 诞生意义深度学习计算量相对普通程序还是挺大的，目前CV落地还不是很普及其中一个点就是对硬件要求较高。其次，算法的计算速度直接影响产品的成本和体验，谁能在硬件成本限制下支撑起算法精度，谁就有产品竞争力。工程上，GPU上的模型推理，业界主流使用Te

背景7台服务器，其中6台GPU服务器，一台调度服务器 100+摄像头（基本是1920*1080） 牵涉的视觉技术：目标检测、目标跟踪、分类、GPU视频编解码、tensorRT等。GPU服务器环境部署大纲

1 为什么不使用CPU解码？待撰写2 GPU解码当前主流方案有哪些？待撰写3 GPU硬解码技术全过程复现待撰写4 CPU解码和GPU解码的性能对比待撰写