1，ssd算法怎么判斷圖像匹配的好壞2，目標檢測算法ssd 有沒有提供cpu版本的運行3，固態(tài)硬盤機械硬盤的性能測評 硬盤寫入次數(shù)怎么計算的4，檢測固態(tài)硬盤的型號參數(shù)有什么比較好的專業(yè)軟件5，角點檢測的幾種基本方法1，ssd算法怎么判斷圖像匹配的好壞
迄今為止，人們已經(jīng)提出了各種各樣的圖像匹配算法，但從總體上講，這些匹配算法可以分成關系結(jié)構(gòu)匹配方法、結(jié)合特定理論工具的匹配方法、基于灰度信息的匹配方法、基于亞像元匹配方法、基于內(nèi)容特征的匹配方法五大類型基于內(nèi)容特征的匹配首先提我會繼續(xù)學習，爭取下次回答你再看看別人怎么說的。
2，目標檢測算法ssd 有沒有提供cpu版本的運行
faster rcnn用了整合了之前的rcnn啊，spp-net啊，fast rcnn啊這些網(wǎng)絡的region proposal方式，提出了rpn，所謂rpn就是根據(jù)圖像自身的色彩以及邊緣信息等等來生成region proposal的一個網(wǎng)絡，因此實現(xiàn)了end-to-end，但還是慢yolo就是把原圖劃成7x7的小格子，在每個格子里對目標進行預測，相當于固定了region proposal的位置和大小，所以沒有了rpn，加快了速度，但是準確率下去了ssd用了yolo的思想，但是選了6個比例來對原圖進行劃分，這樣就保證了大物體有大格子學，小物體有小格子學，不像yolo只有一種大小的格子，準確率也提高了（相對于yolo），速度也上去了（相對于faster，ssd也沒有rpn步驟）-有的
3，固態(tài)硬盤機械硬盤的性能測評 硬盤寫入次數(shù)怎么計算的
讀寫固態(tài)硬盤的時候與機械硬盤性能無關，讀寫機械硬盤的時候與固態(tài)硬盤性能無關固態(tài)硬盤做系統(tǒng)盤可以提高開機速度，也能提高安裝在固態(tài)硬盤上的游戲以及軟件的加載速度，但是不能提高安裝在機械硬盤上的游戲的加載速度所謂的寫入次數(shù)，也就是對nand顆粒進行擦除操作的次數(shù)，現(xiàn)在的固態(tài)硬盤都有磨損平衡，也就是說有一個nand顆粒因為達到最大寫入次數(shù)損壞的時候，其他顆粒也就差不多也要掛了基本計算方法是，寫入的數(shù)據(jù)容量×寫入放大系數(shù)，寫入放大系數(shù)視ssd的主控和寫入文件的大小等因素有關建議下載ssdlife，可以查看的。固態(tài)硬盤的壽命取決于p/e值，一般來說現(xiàn)在的固態(tài)硬盤使用mlc主控的都是3000-5000次p/e。（10000次比較少）。硬盤的寫入量=硬盤的容量（64g,128g,256g等）即為一次。ssd裝系統(tǒng) 速度很快的 ！軟件只有放在ssd里面運行起來才快！http://bbs.pceva.com.cn/forum-26-1.html進去看看 就會了解！
4，檢測固態(tài)硬盤的型號參數(shù)有什么比較好的專業(yè)軟件
固態(tài)硬盤測速工具 as ssd benchmark一般是這個固態(tài)硬盤:1、讀寫速度快。采用閃存作為存儲介質(zhì)，讀取速度相對機械硬盤更快。固態(tài)硬盤不用磁頭，尋道時間幾乎為0。持續(xù)寫入的速度非常驚人，現(xiàn)在的固態(tài)硬盤廠商大多會宣稱自家的固態(tài)硬盤持續(xù)讀寫速度超過了500mb/s云云，這相對機械硬盤的100mb/s的速度著實是相當可觀的。 固態(tài)硬盤的快絕不僅僅體現(xiàn)在持續(xù)讀寫上，隨機讀寫速度快才是固態(tài)硬盤的終極奧義，這最直接體現(xiàn)在絕大部分的日常操作中。與之相關的還有極低的存取時間，目前機械硬盤最快也要14毫秒左右，而固態(tài)硬盤可以輕易達到0.1毫秒甚至更低。 2、物理特性，低功耗、無噪音、抗震動、低熱量 、體積小、工作溫度范圍大。固態(tài)硬盤沒有機械馬達和風扇，工作時噪音值為0分貝?；陂W存的固態(tài)硬盤在工作狀態(tài)下能耗和發(fā)熱量較低（但高端或大容量產(chǎn)品能耗會較高）。內(nèi)部不存在任何機械活動部件，不會發(fā)生機械故障，也不怕碰撞、沖擊、振動。典型的硬盤驅(qū)動器只能在5到55攝氏度范圍內(nèi)工作。而大多數(shù)固態(tài)硬盤可在-10~70攝氏度工作。固態(tài)硬盤比同容量機械硬盤體積小、重量輕。 這些優(yōu)勢機械硬盤都不具備，固態(tài)硬盤比機械硬盤還要耐用，更低溫、更抗震、更便攜。因此固體硬盤才能廣泛應用于軍事、車載、工業(yè)、醫(yī)療、航空等領域。 3、容價比低。這里指的是容量和價格的比，相比固態(tài)硬盤，機械硬盤的容價比的確低得沒話說。曾經(jīng)機械硬盤1tb價格在360元左右，平均0.36元/gb。目前120g固態(tài)硬盤價格已經(jīng)降至千元以下，且固態(tài)硬盤還將會降。 4、壽命限制。固態(tài)硬盤閃存具有擦寫次數(shù)限制的問題，這也是許多人詬病其壽命短的所在。閃存完全擦寫一次叫做1次p/e，因此閃存的壽命就以p/e作單位。34nm的閃存芯片壽命約是5000次p/e，而25nm的壽命約是3000次p/e。是不是看上去壽命更短了？理論上是這樣沒錯，但隨著ssd固件算法的提升，新款ssd都能提供更少的不必要寫入量。再來一個具體的例子，一款120g的固態(tài)硬盤，要寫入120g的文件才算做一次p/e。普通用戶夸正常使用，即使每天寫入50g，平均2天完成一次p/e，那么一年就有180次p/e。大家可以自行計算3000個p/e能用幾年，相信到那時候，固態(tài)硬盤早就被你換成別的什么新奇玩意了。索尼crystal disk info
5，角點檢測的幾種基本方法
目前的角點檢測算法可歸納為3類：基于灰度圖像的角點檢測、基于二值圖像的角點檢測、基于輪廓曲線的角點檢測?；诨叶葓D像的角點檢測又可分為基于梯度、基于模板和基于模板梯度組合3類方法，其中基于模板的方法主要考慮像素領域點的灰度變化，即圖像亮度的變化，將與鄰點亮度對比足夠大的點定義為角點。常見的基于模板的角點檢測算法有kitchen-rosenfeld角點檢測算法，harris角點檢測算法、klt角點檢測算法及susan角點檢測算法。和其他角點檢測算法相比，susan角點檢測算法具有算法簡單、位置準確、抗噪聲能力強等特點。也稱為特征點檢測。角點通常被定義為兩條邊的交點，更嚴格的說，角點的局部鄰域應該具有兩個不同區(qū)域的不同方向的邊界。而實際應用中，大多數(shù)所謂的角點檢測方法檢測的是擁有特定特征的圖像點，而不僅僅是“角點”。這些特征點在圖像中有具體的坐標，并具有某些數(shù)學特征，如局部最大或最小灰度、某些梯度特征等。現(xiàn)有的角點檢測算法并不是都十分的魯棒。很多方法都要求有大量的訓練集和冗余數(shù)據(jù)來防止或減少錯誤特征的出現(xiàn)。角點檢測方法的一個很重要的評價標準是其對多幅圖像中相同或相似特征的檢測能力，并且能夠應對光照變化、圖像旋轉(zhuǎn)等圖像變化。 moravec角點檢測算法moravec角點檢測算法是最早的角點檢測算法之一。該算法將角點定義為具有低“自相關性”的點。算法會檢測圖像的每一個像素，將像素周邊的一個鄰域作為一個patch，并檢測這個patch和周圍其他patch的相關性。這種相關性通過兩個patch間的平方差之和(ssd)來衡量，ssd值越小則相似性越高。如果像素位于平滑圖像區(qū)域內(nèi)，周圍的patch都會非常相似。如果像素在邊緣上，則周圍的patch在與邊緣正交的方向上會有很大差異，在與邊緣平行的方向上則較為相似。而如果像素是各個方向上都有變化的特征點，則周圍所有的patch都不會很相似。moravec會計算每個像素patch和周圍patch的ssd最小值作為強度值，取局部強度最大的點作為特征點。 harris角點檢測算法moravec角點檢測算法有幾個很明顯的缺陷：1，強度值的計算并不是各向同性的，只有離散的8個45度角方向被考慮。因為patch的評議比較最多只有8個方向；2，由于窗口是方形并且二元的，因此相應函數(shù)會有噪聲；3，對邊緣的相應太簡單，因為強度值盡取ssd的最小值；fast角點檢測算法smith 和 brady在1997年提出了一種完全不同的角點提取方法，即“susan (smallest univaluesegment assimilatingnucleus)”提取算子。susan 提取算子的基本原理是，與每一圖像點相關的局部區(qū)域具有相同的亮度。如果某一窗口區(qū)域內(nèi)的每一像元亮度值與該窗口中心的像元亮度值相同或相似，這一窗口區(qū)域?qū)⒈环Q之為“usan”。計算圖像每一像元的“usan”，為我們提供了是否有邊緣的方法。位于邊緣上的像元的“usan”較小，位于角點上的像元的“usan”更小。因此，我們僅需尋找最小的“usan”，就可確定角點。該方法由于不需要計算圖像灰度差，因此，具有很強的抗噪聲的能力。edward rosten and tomdrummond 在2006年提出了一種簡單快速的角點探測算法，該算法檢測的角點定義為在像素點的周圍鄰域內(nèi)有足夠多的像素點與該點處于不同的區(qū)域。應用到灰度圖像中，即有足夠多的像素點的灰度值大于該點的灰度值或者小于該點的灰度值?？紤]下圖中p點附近半徑為3的圓環(huán)上的16個點，一個思路是若其中有連續(xù)的12個點的灰度值與p點的灰度值差別超過某一閾值，則可以認為p點為角點。這一思路可以使用機器學習的方法進行加速。對同一類圖像，例如同一場景的圖像，可以在16個方向上進行訓練，得到一棵決策樹，從而在判定某一像素點是否為角點時，不再需要對所有方向進行檢測，而只需要按照決策樹指定的方向進行2-3次判定即可確定該點是否為角點。