場景演算法算力

㈠ 游戲場景管理的八叉樹演算法是怎樣的

不管是什麼樹，都屬於需要適應場景內容的空間劃分，劃分的結果需要盡量平均地分割場景里的對象，不然就失去了空間劃分的意義。具體實現上，走一次空間劃分需要遍歷場景里的對象（至少也要遍歷它們的bbox），甚至可能不止一次，所以必然有相當的計算代價。對於軸平行的劃分方法，起始一次劃分的時候不妨從bbox在那個軸上的中值開始。優化上，由於物體的移動是漸進的，可以考慮從上一次劃分的結果起始下一次劃分。我自己喜歡用固定尺寸的網格。

㈡ 闡述提高場景文字檢測演算法性能的難點

1、圖像輸入、預處理：
圖像輸入：對於不同的圖像格式，有著不同的存儲格式，不同的壓縮方式。預處理：主要包括二值化，雜訊去除，傾斜較正等
2、二值化：
對攝像頭拍攝的圖片，大多數是彩色圖像，彩色圖像所含信息量巨大，對於圖片的內容，我們可以簡單的分為前景與背景，為了讓計算機更快的，更好的識別文字，我們需要先對彩色圖進行處理，使圖片只前景信息與背景信息，可以簡單的定義前景信息為黑色，背景信息為白色，這就是二值化圖了。
3、雜訊去除：
對於不同的文檔，我們對燥聲的定義可以不同，根據燥聲的特徵進行去燥，就叫做雜訊去除
4、傾斜較正：
由於一般用戶，在拍照文檔時，都比較隨意，因此拍照出來的圖片不可避免的產生傾斜，這就需要文字識別軟體進行較正。
版面分析：5、將文檔圖片分段落，分行的過程就叫做版面分析，由於實際文檔的多樣性，復雜性，因此，目前還沒有一個固定的，最優的切割模型。
6、字元切割：
由於拍照條件的限制，經常造成字元粘連，斷筆，因此極大限制了識別系統的性能，這就需要文字識別軟體有字元切割功能。
7、字元識別：
這一研究，已經是很早的事情了，比較早有模板匹配，後來以特徵提取為主，由於文字的位移，筆畫的粗細，斷筆，粘連，旋轉等因素的影響，極大影響特徵的提取的難度。
8、版面恢復：
人們希望識別後的文字，仍然像原文檔圖片那樣排列著，段落不變，位置不變，順序不變，的輸出到word文檔,pdf文檔等，這一過程就叫做版面恢復。
9、後處理、校對：
根據特定的語言上下文的關系，對識別結果進行較正，就是後處理。
開發一個OCR文字識別軟體[2]系統，其目的很簡單，只是要把影像作一個轉換，使影像內的圖形繼續保存、有表格則表格內資料及影像內的文字，一律變成計算機文字，使能達到影像資料的儲存量減少、識別出的文字可再使用及分析，當然也可節省因鍵盤輸入的人力與時間。從影像到結果輸出，須經過影像輸入、影像前處理、文字特徵抽取、比對識別、最後經人工校正將認錯的文字更正，將結果輸出。

㈢ raft演算法與paxos演算法相比有什麼優勢，使用場景有什麼差異

Paxos演算法解決的問題是一個分布式系統如何就某個值（決議）達成一致。一個典型的場景是，在一個分布式資料庫系統中，如果各節點的初始狀態一致，每個節點都執行相同的操作序列，那麼他們最後能得到一個一致的狀態。為保證每個節點執行相同的命令序列，需要在每一條指令上執行一個「一致性演算法」以保證每個節點看到的指令一致。一個通用的一致性演算法可以應用在許多場景中，是分布式計算中的重要問題。因此從20世紀80年代起對於一致性演算法的研究就沒有停止過。節點通信存在兩種模型：共享內存（Sharedmemory）和消息傳遞（Messagespassing）。Paxos演算法就是一種基於消息傳遞模型的一致性演算法。不僅只用在分布式系統，凡是多個過程需要達成某種一致性的都可以用到Paxos演算法。一致性方法可以通過共享內存（需要鎖）或者消息傳遞實現，Paxos演算法採用的是後者。下面是Paxos演算法適用的幾種情況：一台機器中多個進程/線程達成數據一致；分布式文件系統或者分布式資料庫中多客戶端並發讀寫數據；分布式存儲中多個副本響應讀寫請求的一致性。Lamport最初Paxos演算法的論文ThePart-TimeParliament在理解起來比較有挑戰性，個人認為部分原因是Lamport通過故事的方式來表述、解釋這個問題，所以在閱讀文章的時候讀者需要透過故事講的本身看到作者想說明什麼。比如文章中會有很多講到Paxos文明沒有被發現和考證的，這些映射到實際系統中往往是簡單、大家都心知肚明的基礎，但如果讀者苦於想知道這些內容是什麼時，就上當了。下面章節安排如下：第二節對應原文的1.1-2.1。第三節對應原文2.2-3.2。

㈣ java快速排序演算法的使用場景，即什麼時候應該使用快速排序演算法，而不是別的排序演算法，謝謝！

數據量比較大（大於20），要求效率的情況下

㈤ LOD 演算法詳解

層次細節技術（Level Of Detail,LOD）：可見性裁剪技術對遮擋程度高的
場景比較高效,但當場景中的可見幾何體數量巨大時，可見性裁剪演算法就無法簡化
場的規模和復雜度。層次細節技術就是為簡化場景中可見幾何體的多邊形細節而
提出的一類加速演算法。按照視覺重要性原則，距離視點越遠的幾何體在顯示屏幕
上投影面積越小，對視覺感官的貢獻越少，因此一個自然的加速繪制方法是對近
處幾何體充分繪制詳細的幾何細節，而對遠處的幾何體則大幅度地進行簡化，繪
制較為粗糙的幾何細節，這就是層次細節技術的出發點。層次細節技術的主要難
點在於如何快速構建並選擇幾何體的多次層次細節模型，以及不同層次細節之間
的自然過渡。

㈥ 快排，歸並排，堆排序時間復雜度相同，那種最快什麼應用場景下需要stable的演算法

快排，歸並排，堆排序時間復雜度相同，但它們三者區別是快速排序和堆排序是不穩定的，歸並為穩定型，對於輔助空間堆排序要求最小，歸並最多，它們排序的最好情況復雜度相同，最壞的情況下快速排序要復雜些，根據數據的數量來說，選擇歸並或堆，如果還要求考慮輔助空間，就用堆排序，在涉及穩定性方面則考慮歸並（雖然所需空間較多）。所以，選擇那個排序要看題目要求........

㈦ hash演算法的有哪幾種，優缺點，使用場景

Hash演算法在信息安全方面的應用主要體現在以下的3個方面： 1）文件校驗 我們比較熟悉的校驗演算法有奇偶校驗和CRC校驗，這2種校驗並沒有抗數據篡改的能力，它們一定程度上能檢測並糾正數據傳輸中的信道誤碼，但卻不能防止對數據的惡意破壞。

㈧ 給人工智慧提供算力的晶元有哪些類型

給人工智慧提供算力的晶元類型有gpu、fpga和ASIC等。

GPU，是一種專門在個人電腦、工作站、游戲機和一些移動設備（如平板電腦、智能手機等）上圖像運算工作的微處理器，與CU類似，只不過GPU是專為執行復雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。

FPGA能完成任何數字器件的功能的晶元，甚至是高性能CPU都可以用FPGA來實現。 Intel在2015年以161億美元收購了FPGA龍 Alter頭，其目的之一也是看中FPGA的專用計算能力在未來人工智慧領域的發展。

ASIC是指應特定用戶要求或特定電子系統的需要而設計、製造的集成電路。嚴格意義上來講，ASIC是一種專用晶元，與傳統的通用晶元有一定的差異。是為了某種特定的需求而專門定製的晶元。谷歌最近曝光的專用於人工智慧深度學習計算的TPU其實也是一款ASIC。

(8)場景演算法算力擴展閱讀：

晶元又叫集成電路，按照功能不同可分為很多種，有負責電源電壓輸出控制的，有負責音頻視頻處理的，還有負責復雜運算處理的。演算法必須藉助晶元才能夠運行，而由於各個晶元在不同場景的計算能力不同，演算法的處理速度、能耗也就不同在人工智慧市場高速發展的今天，人們都在尋找更能讓深度學習演算法更快速、更低能耗執行的晶元。

㈨ 游戲場景管理的八叉樹演算法是怎樣的

八叉樹（octree）是三維空間劃分的數據結構之一，它用於加速空間查詢，例如在游戲中：
加速用於可見性判斷的視錐裁剪（view frustum culling）。
加速射線投射（ray casting） ，如用作視線判斷或槍擊判定。
鄰近查詢（proximity query），如查詢玩家角色某半徑范圍內的敵方NPC。

㈩ 在什麼樣的場景下需要穩定排序演算法

另外一個答案不靠譜啊
正確答案應該是D

對基數排序：
A least significant digit (LSD) radix sort is a fast stable sorting algorithm which can be used to sort keys in integer representation order.
對歸並排序：
In computer science, merge sort (also commonly spelled mergesort) is an O(n log n) comparison-based sorting algorithm. Most implementations proce a stable sort, which means that the implementation preserves the input order of equal elements in the sorted output.

來源Wiki