最近忙于开发一款基于Camera2API的相机应用，部分功能涉及到广角镜头，因此踩了不少坑，在此与大家分享下以作记录交流...经过查阅资料发现在安卓上所谓的广角镜头切换其实是用一个逻辑摄像头包含多个物理摄像头实现的，在zoom缩放的时候根据不同的缩放值切换不同的物理摄像头。参考：https://source.android.google.cn/devices/camera/multi-camera?hl=zh-cn踩坑记录CameraDevice.TEMPLATE_RECORD的兼容性问题一般在录制视频的时候为了获得比较稳定的帧率，我们可能会使用CameraDevice.TEMPLATE_RE
最近忙于开发一款基于Camera2API的相机应用，部分功能涉及到广角镜头，因此踩了不少坑，在此与大家分享下以作记录交流...经过查阅资料发现在安卓上所谓的广角镜头切换其实是用一个逻辑摄像头包含多个物理摄像头实现的，在zoom缩放的时候根据不同的缩放值切换不同的物理摄像头。参考：https://source.android.google.cn/devices/camera/multi-camera?hl=zh-cn踩坑记录CameraDevice.TEMPLATE_RECORD的兼容性问题一般在录制视频的时候为了获得比较稳定的帧率，我们可能会使用CameraDevice.TEMPLATE_RE
前面3篇我们讲解了camera的基础概念，MIPI协议，CSI2，常用命令等，本文带领大家入门，如何用c语言编写应用程序来操作摄像头。Linux下摄像头驱动都是基于v4l2架构，要基于该架构编写摄像头的应用程序，必须先要搞清楚什么是v4l2。1.什么是v4l2v4l2是videoforLinux2的缩写，是一套Linux内核视频设备的驱动框架，该驱动框架为应用层提供一套统一的操作接口(一系列的ioctl)https://linuxtv.org/downloads/legacy/video4linux/API/V4L2_API/官网有一个简单的用于抓图的程序capture.c。本文后面基于该实例
前面3篇我们讲解了camera的基础概念，MIPI协议，CSI2，常用命令等，本文带领大家入门，如何用c语言编写应用程序来操作摄像头。Linux下摄像头驱动都是基于v4l2架构，要基于该架构编写摄像头的应用程序，必须先要搞清楚什么是v4l2。1.什么是v4l2v4l2是videoforLinux2的缩写，是一套Linux内核视频设备的驱动框架，该驱动框架为应用层提供一套统一的操作接口(一系列的ioctl)https://linuxtv.org/downloads/legacy/video4linux/API/V4L2_API/官网有一个简单的用于抓图的程序capture.c。本文后面基于该实例
2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排
2012CVPR是本论文的会议版本。本文是乘积量化技术(PQ)最典型的索引方式。1INTRODUCTION乘积量化技术在查询时，需要找到query对应Voronicell或者和周边cell的点，如果数据量比较大，Cell也比较大的话，那么返回的点就会很多，需要花在Refine上的时间也会更多。因此一个迫切的要求是设计更为细粒度的分区，即voroonicell面积更小。一个最直接的方式是把codewords的个数提升一些，但是这同时意味着索引构建时间（学习时间）也更长。一些索引方法也可以引入进来，比如kd-tree，treecodebooks等，但是经常会降低查询准确性。本文提出的方法：多维倒排
摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现
摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现
一、AndroidCamera开发前景；1）camera相关应用的领域2）相关岗位介绍；3）市场招聘介绍；4）发展前景介绍；二、学习这门课的重要性；1）适合的人群；2）熟悉和了解AndroidCamera应用开发流程的重要性；一、AndroidCamera开发前景1）摄像头应用广泛，国内手机厂商注重影像模块；手机：oppo、vivo、华为、荣耀、小米等无人机：大疆、道通等；车载：新能源车企（小鹏、理想、蔚来、BYD.....）,自动驾驶（车上摄像头众多）、吉利收购魅族智能家居、安防监控，远程监控、执法记录仪Google眼镜、AR、计算机视觉（车牌识别、人脸识别...）2）相关岗位介绍前面专门写
一、AndroidCamera开发前景；1）camera相关应用的领域2）相关岗位介绍；3）市场招聘介绍；4）发展前景介绍；二、学习这门课的重要性；1）适合的人群；2）熟悉和了解AndroidCamera应用开发流程的重要性；一、AndroidCamera开发前景1）摄像头应用广泛，国内手机厂商注重影像模块；手机：oppo、vivo、华为、荣耀、小米等无人机：大疆、道通等；车载：新能源车企（小鹏、理想、蔚来、BYD.....）,自动驾驶（车上摄像头众多）、吉利收购魅族智能家居、安防监控，远程监控、执法记录仪Google眼镜、AR、计算机视觉（车牌识别、人脸识别...）2）相关岗位介绍前面专门写
