Only Truth Matters

1. 什么是异常点（outliers）

From wikipedia:

In statistics, an outlier is an observation point that is distant from other observations.

关键是observation，或者先验，通过人的知识来去除异常点

2. 数据分布（先验）

茶叶的特征点一般分布在叶片以及枝干上，高度差异在5cm以内

所以我们的预期是：

• 大部分点在5cm以内，假设下限low，$low<x<low+5$
• 超过范围，$x<low$ or $x>low+5$，判定为outliers

问题归结于如何找到low，或者平均值，或者low+5

3. 编程实现

1. Why

首先，明确为什么要（新）买一个屏幕。

• 很简单，因为现在的屏幕不舒服
• 怎么不舒服？不清晰。
• 原因：分辨率低

所以目标就是，寻找一把能够支撑高分辨率的显示器

2. How

Learn from the best. 没时间学习如何做一个显示器，直接来看最好的显示器制造公司是如何设计产品的

Fig生产的Super Monitor，久负盛名。根据其官网的描述，主要是有以下几点特征

• 可调节角度

• Why？基于人体动力学，由于显示器的连接结构，当我们看屏幕的时候，盆骨倾向于向后旋转，导致腰椎向外弯曲（不好）。仅仅给人支撑是没有用的，而支撑显示器可以有效避免盆骨向后。 (Kroemer, 1971; Grandjean, 1980; Zacharkow, 1988)

• 可调节的亮度，用来护眼

• Why？人眼容易瞎

• 可调节高度和倾斜角度

如上图所示，目标就是让各个部位处于自然的位置，主要是眼睛，应该如下图一样，尽量让眼睛压在屏幕上，而不是只有臀部

1. 创作主要原则

主要是给审查员看，所以从审查员视角看

重点：创造性，与现有技术相比，该发明的

• 实质性特点。相对于现有技术领域的人来说，发明并不是显而易见的。（有独特的见解）
• 显著的进步。能够产生有益的技术效果。（考虑领域、技术问题、产生的效果）

判断方法

• 确定最接近的现有技术
• 确定技术的特征、解决的问题
• 判断发明对本领域技术人员是否显而易见

方式

• 有不一样的内容

2. 修复与回复

意见主要有两种

1. 背景

两个子任务

• 分类
• 定位

2. 发展脉络

1. 传统：HOG，DPM。速度慢、准确率不高
2. Anchor based，计算Anchor比较耗时，且固定anchor降低了普适性
3. two stage：RCNN，选框、resize、CNN、SVM $\to$ SPPNET提高了速度$\to$ faster RCNN 提取一个ROI来做处理，再选择候选框 $\to$ FPN，在不同尺度上效果更好
4. one stage：YOLO，速度快精度低；SSD加入不同的检测分支
5. Anchor free：
6. CornerNet，将网络对边界框的检测转化为左上角、右上角的检测 $\to$ CenterNet, 检测目标中心点
7. FCOS，不训练Anchor、不提Proposal

3. 评价方法

IOU

Precision-Recall曲线

1. Intro

IRS——internal revenue service， tax collection agency

Tax return——tax form sent to IRS

W-2——tax form from employer

1042-s——tax from unversity

2. Tax Residency

different residency determines which form you need

F1-Non-resident alien (within 5 calendar year)

3. Tax Forms

May receive if you have income

1. Intro

最近开始学习机械画图，但画图不是目的，目的是做出能够工作的机械零部件

练习项目：相机外壳

已经有的：PCB和相机

目标：相机的外壳，分别对PCB和相机，也就是说两个壳体

2. Problem

由于不是机械出身，对于一些设计时候需要经验的地方就无从下手

相机外壳设计遇到的问题

• 设计冗余量怎么确定：
• 专业术语叫公差、配合
• 壳体厚度怎么确定：
• 看设计，和大小有关。这里设计的相机比较小，厚度1.5mm或者2mm就够了
• 排线能否在相机段插拔，
• 设计时要考虑加工的难易程度，尽量设计简单易加工的。比如说，我本来的想法是给排线设计一个孔，但是加工孔的难度较大，那么应该设计一个槽，加工就容易很多
• 什么时候用倒角圆角，0.5
• 从安全、美观角度来说应该多使用。比如说直角容易划破排线、对于人来说也很危险，因此要使用倒角。倒角的半径设计：不能太大（大于厚度不行），不能太小（小了没用）
• 稳定的连接，一般需要螺丝多长
• 看壳体厚度

3. Fit and Tolerance

1. Intro

What: A document outlines ideas and strategies for launching and managing

2. Structure

1. What is the company
2. slogan
3. Team
4. experience
5. unique
6. Operation
7. What is user gonna use
8. technology
9. Marketplace
10. facts, numbers
11. Strategy
12. When will you make money
13. Competition
14. Why hasn’t been done
15. Revenue
16. How are you going to make money
17. The cost
18. How much do you need

3. Ref

Business Plan Writing 101: Wharton Entrepreneurship Series

1. Intro

为什么需要一句话描述？

项目创业有很多，想要引起别人的注意，我们需要给别人留下深刻的印象，通过一句话描述可以在短时间内将自己的公司说明清楚

具体怎么做？

2. How

https://fi.co/insight/can-you-explain-your-startup-idea-in-one-sentence

(公司名称)提供的 (产品或服务) 利用 (特色功能的突出) 帮助 (目标用户) 解决 (问题描述)

几个原则

• 避免使用主观性描述
• 准确定义目标市场和客户
• 保持简单

3. Practice

1. Furthest Point Sampling

用处：给点云或者密集点降采样，使点云达到空间中的均匀分布

Above：从正态分布到均匀分布

输入：N个点，想要的最终点数M(<N)

输出：index

思想：不停迭代离其他点最远的，直到选出M个点。

算法：

1. 维护两个set，sampled和remain
2. 对于每个remain中的点，在sampled找最近的，保存距离
3. 找到remain中最近距离最远的，移动到sampled中

2. Python

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

import numpy as np
import matplotlib.pyplot as plt
def fps(points, n_samples):
points = np.array(points)
# Represent the points by their indices in points
points_left = np.arange(len(points)) # [P]

# Initialise an array for the sampled indices
sample_inds = np.zeros(n_samples, dtype='int') # [S]

# Initialise distances to inf
dists = np.ones_like(points_left) * float('inf') # [P]

# Select a point from points by its index, save it
selected = 0
sample_inds[0] = points_left[selected]
# Delete selected
points_left = np.delete(points_left, selected) # [P - 1]
# Iteratively select points for a maximum of n_samples
for i in range(1, n_samples):
# Find the distance to the last added point in selected
# and all the others
last_added = sample_inds[i-1]

dist_to_last_added_point = (
(points[last_added] - points[points_left])**2).sum(-1) # [P - i]

# If closer, updated distances
dists[points_left] = np.minimum(dist_to_last_added_point,
dists[points_left]) # [P - i]

# We want to pick the one that has the largest nearest neighbour
# distance to the sampled points
selected = np.argmax(dists[points_left])
sample_inds[i] = points_left[selected]

# Update points_left
points_left = np.delete(points_left, selected)

return points[sample_inds]

num,dim = 300,2
x=np.random.randn(num,dim)
ds=fps(x,30)
print(x.shape)
plt.figure()
plt.subplot(1,2,1)
plt.scatter(x[:,0],x[:,1])
plt.title('Normal Dist')
plt.subplot(1,2,2)
plt.scatter(ds[:,0],ds[:,1])
plt.title('FPS Dist')
plt.show()

1. Intro

深度估计的方式有很多种，通过双目来进行深度估计是成本较低、精度较高的一种方式

2. Principe

和人眼类似，双目深度估计的原理是同一个点在左右两个相机中的位置偏差决定了深度。直觉上来说，一个点离相机越近（深度越小），那么左右两张图片中的位置差别就越大；反之越远，那么在两张图片中趋向于同一位置

利用三角关系求出真实深度

3. Requirement

需要对左右两侧相机进行校准

• 单目校准，估计内参和畸变
• 双目校准，估计两个相机的相对位置，rectify之后确保同一基线

4. ROI