劉帥成博士，曠世成都研究院，該院2018年成立，
新加坡國立大學畢業
目錄：
1基於傳統算法
2基於深度學習
3基於硬件
Image aligment methods圖像對齊
應用：
圖片拼接：不同視角拍的建築拼成更大的一個畫面，全景圖
去噪，防抖
HDR不同曝光的同一場景，選取不同的曝光區域 拼接
多攝像頭協同工作，一個是長焦，一個是廣角。
視頻防抖。
挑戰：
1 重複特徵：大廈窗口紋理很像，重複紋理
2 弱紋理，無紋理：白色的牆面，海面天空
3 大前景的干擾：有很多路人，視角偏一點，遮擋後面的景象就變化了
4 夜景，噪聲的干擾
5 大視差：視角角度差別比較大時
工業界裏不是關注什麼場景裏效果最好能有多好，而是關心實用中最壞情況匹配的多壞
傳統算法
Homography
3*3的矩陣
限定：只能描述平面運動，或者相機繞光心的純旋轉運動
依賴特徵點；
Meshflow
屬於Mesh warps算法的一個分支。
給定兩幀：t,t-1,
圖像劃分成小格子，算小格字中的特徵點
一個好的特徵點的分佈應該是均勻的全覆蓋在整個圖片畫面，（而不是SIFT這種會附着在梯度大的地方），在檢測不到特徵點的地方用另一個方程賦予它特徵點，密集地區篩選一些
並且也可以解決圖片中深度變化的地方
深度學習方法
Deep Homography
2016
Deep Image Homography Estimation(是supervised的)
訓練方法：隨機裁剪一個框，隨機選四個點，自己放射變換一下，和原來的ground truth作爲樣本來訓練。也就是自己合成兩張圖片
但是，真實場景中，其中人、汽車等兩張圖片會有變化。由下面文章解決
2018
Unsuprvised Deep Homography(Unsupervised)
缺：忽略了運動物體、視差的干擾。
2019
Content-Aware Unsupervised Deep Homography Estimation
提取feature ， mask
保證其中火車，汽車，噴泉在特徵圖中很少會有特徵點了
做了一個數據集：
遠景，低紋理，低光照，小前景，大前景
手工標註了一些點，5000張左右
對比：
解決了對特徵的依賴，和RANSAC挑戰，但是對深度信息解決不好
Deep Meshflow
網格方法
基於硬件的圖像對齊
陀螺儀
手機端三個方向提供加速度信息，得到運動信息
gtro採樣率一般比較高，30fps視頻得到每幀3到4個gyro或更高
優點：不需要看圖像的內容
缺點：需要相機的內參；抓拍視頻和陀螺儀二者時間差的準確計算（需要系統級別的權限）；
光學防抖有機械臂反向彌補（額外運動引入導致陀螺儀的計算會偏差）
只能描述相機的純旋轉
DSPM數據策略產品經理——阿里講座
餘帥兵
BI：Business intelligence商業智能分析團隊
對數據進行深度分析以達到高可用
數據如何取用：
基礎取數方法？ Excel,有沒有固化的模板，定義數據範式，做一些集成化的思考
奧卡姆剃刀：化繁爲簡。更多的是看趨勢，拐點，對比，相關性。
每種圖標適配什麼場景：條形圖、柱狀圖等每種圖都只能反映一兩種特徵。
DA：Data analysis
算法模型：1算法的核心目標
