Александр Кислинский

Оптический поток есть в OpenCV, в версии 3.2.0 завезли очень быстрый алгоритм Dense Inverse Search Optical Flow, в с++ создается он так:

Ptr< cv::optflow::DISOpticalFlow > dis_op = cv::optflow::createOptFlow_DIS(
            cv::optflow::DISOpticalFlow::PRESET_ULTRAFAST);
dis_op->calc(next_frame_gray, prev_frame_gray, opt_flow);

Но для кодирования видео оптисеский поток - это как с пушки по воробьям, так как он очень ресурсоемок для вычисления, даже этот DISOpticalFlow. Есть и другие методы, например Farneback, Simpleflow, но последний ужасно медленный (но очень точный), а фарнбэк не видит быстрого движения и он медленнее, чем DISOpticalFlow.

Поидее, в любом месте, список это или нет, это реализуется изменением относительной высоты элемента с помощью анимации, которую можно описать в xml файле с анимациями

Создать фоновый сервис, который будет запускаться при запуске системы и смотреть на то, какая информация содержалась в прочитанной метке, если она подходит по формату, то откроет приложение

Перцептрон позволяет подобрать примерно такую функцию, которая позволит классифицировать данные или предсказывать то, какими будут неизвестные признаки у данных, обучившись на данных, для которых искомые признаки уже известны.

Сверточный слой в нейронной сети - просто слой, который позволяет уменьшить размерность карты признаков (признаки называтся features в англоязычной литературе и лекциях). Свертки не являются противоположностью глубоких нейронных сетей, глубокие нейронные сети - это просто нейронные сети с большим, по сравнению с перцептроном, количеством слоев, только и всего. Для классификации изображений используют в основном несколько основных типов слоев: сверточный (convolutional), max pooling, ReLU (Linear Rectifier Unit), и в качестве нескольких последних слоев, для проведения самой классификации, используют полносвязные слои, как в перцептроне, а количество выходов = количеству классов для классификации.

А глубокое обучение само определяет, сколько слоев делать, какие будут идентификаторы. Т.е. само определяет, как находить дорожный знак и конкретизировать его.

Нет, количество слоев, их размер, размер входа НС нельзя определить автоматически. Эти параметры называются гиперпараметрами. Существуют методики их подбора, но в основном полагаются на опыт и интуицию.

Для работы с сетями существует несколько основных фреймворков, а это Caffe (пожалуй, самый распространенный), Torch, Theano, TensorFlow. И еще есть CNTK, он подкупает тем, что может работать на 4 gpu одновременно на одной машине. Но большинство из них работают с питоном, среди data scientist'ов для управления нейросетями больше распространены скриптовые языки, или матлаб.

В качестве совета, как изучать эту непростую тему скажу следующее: не нужно тянуться к коду и практике, пока не будет достаточно четкого понимания в теории, как все работает. Каждое видео, каждую статью нужно разбирать до слова, чтобы разжевать все, что не понятно. Что-то не ясно, гуглим, читаем, осознаем, возвращаемся к статье. Рекомендую начать с видео лекций на ютубе, там проще понять принципы работы слоев, не загружая себя математикой, так как от математики толку не будет, пока не понятны основы.

Вот несколько ссылок:
scs.ryerson.ca/~aharley/vis/conv - отличная интерактивная демонстрация работы сверточной сети для распознавания цифр, обученная на наборе MNIST
https://www.youtube.com/watch?v=2aF_yhVtlH0 - вот это отличный ролик для начала
https://www.youtube.com/watch?v=VhmE_UXDOGs
https://youtu.be/CLSy5WlaWKc - немного скучно, но позновательно
https://www.youtube.com/watch?v=ByjaPdWXKJ4&index=... - суперинтересно и познавательно, но после осознания основ