Deep Convolutional Neural Fields for Depth Estimation from a Single Image

See discussions, stats, and author profiles for this publication at: https://https://www.sodocs.net/doc/1f7177694.html,/publication/268747978 Deep Convolutional Neural Fields for Depth Estimation from a Single Image

ARTICLE · NOVEMBER 2014

Source: arXiv

CITATIONS 4READS 91

3 AUTHORS

, INCLUDING:

Fayao Liu

University of Adelaide

12 PUBLICATIONS 31 CITATIONS

SEE PROFILE Chunhua Shen

University of Adelaide

168 PUBLICATIONS 1,798 CITATIONS SEE PROFILE

Deep Convolutional Neural Fields for Depth Estimation from a Single Image ?

Fayao Liu 1,Chunhua Shen 1,2,Guosheng Lin 1,2

1

The University of Adelaide,Australia 2

Australian Centre for Robotic Vision

Abstract

We consider the problem of depth estimation from a sin-gle monocular image in this work.It is a challenging task as no reliable depth cues are available,e.g .,stereo corre-spondences,motions etc .Previous efforts have been focus-ing on exploiting geometric priors or additional sources of information,with all using hand-crafted features.Recently,there is mounting evidence that features from deep convo-lutional neural networks (CNN)are setting new records for various vision applications.On the other hand,considering the continuous characteristic of the depth values,depth esti-mations can be naturally formulated into a continuous con-ditional random ?eld (CRF)learning problem.Therefore,we in this paper present a deep convolutional neural ?eld model for estimating depths from a single image,aiming to jointly explore the capacity of deep CNN and continuous CRF.Speci?cally,we propose a deep structured learning scheme which learns the unary and pairwise potentials of continuous CRF in a uni?ed deep CNN framework.

The proposed method can be used for depth estimations of general scenes with no geometric priors nor any extra in-formation injected.In our case,the integral of the partition function can be analytically calculated,thus we can exactly solve the log-likelihood optimization.Moreover,solving the MAP problem for predicting depths of a new image is highly ef?cient as closed-form solutions exist.We experimentally demonstrate that the proposed method outperforms state-of-the-art depth estimation methods on both indoor and out-door scene datasets.

1.Introduction

Estimating depths from a single monocular image de-picting general scenes is a fundamental problem in com-puter vision,which has found wide applications in scene un-derstanding,3D modelling,robotics,etc .It is a notoriously ill-posed problem,as one captured image may correspond

?This

work is in part supported by ARC Grants FT120100969,

LP120200485,LP130100156.Correspondence should be addressed to C.Shen (email:chhshen@https://www.sodocs.net/doc/1f7177694.html,).

to numerous real world scenes [1].Whereas for humans,inferring the underlying 3D structure from a single image is of little dif?culties,it remains a challenging task for com-puter vision algorithms as no reliable cues can be exploited,such as temporal information,stereo correspondences,etc .Previous works mainly focus on enforcing geometric as-sumptions,e.g .,box models,to infer the spatial layout of a room [2,3]or outdoor scenes [4].These models come with innate restrictions,which are limitations to model only particular scene structures and therefore not applicable for general scene depth https://www.sodocs.net/doc/1f7177694.html,ter on,non-parametric methods [5]are explored,which consists of candidate im-ages retrieval,scene alignment and then depth infer using optimizations with smoothness constraints.This is based on the assumption that scenes with semantic similar appear-ances should have similar depth distributions when densely aligned.However,this method is prone to propagate errors through the different decoupled stages and relies heavily on building a reasonable sized image database to perform the candidates retrieval.In recent years,efforts have been made towards incorporating additional sources of informa-tion,e.g .,user annotations [6],semantic labellings [7,8].In the recent work of [8],Ladicky et al .have shown that jointly performing depth estimation and semantic labelling can bene?t each other.However,they do need to hand-annotate the semantic labels of the images beforehand as such ground-truth information are generally not available.Nevertheless,all these methods use hand-crafted features.Different from the previous efforts,we propose to formu-late the depth estimation as a deep continuous CRF learning problem,without relying on any geometric priors nor any extra information.Conditional Random Fields (CRF)[9]are popular graphical models used for structured predic-tion.While extensively studied in classi?cation (discrete)domains,CRF has been less explored for regression (con-tinuous)problems.One of the pioneer work on continuous CRF can be attributed to [10],in which it was proposed for global ranking in document retrieval.Under certain con-straints,they can directly solve the maximum likelihood optimization as the partition function can be analytically calculated.Since then,continuous CRF has been applied a r X i v :1411.6387v 2 [c s .C V ] 18 D e c 2014

for solving various structured regression problems,e.g.,re-mote sensing[11,12],image denoising[12].Motivated by all these successes,we here propose to use it for depth esti-mation,given the continuous nature of the depth values,and learn the potential functions in a deep convolutional neural network(CNN).

Recent years have witnessed the prosperity of the deep convolutional neural network(CNN).CNN features have been setting new records for a wide variety of vision appli-cations[13].Despite all the successes in classi?cation prob-lems,deep CNN has been less explored for structured learn-ing problems,i.e.,joint training of a deep CNN and a graph-ical model,which is a relatively new and not well addressed problem.To our knowledge,no such model has been suc-cessfully used for depth estimations.We here bridge this gap by jointly exploring CNN and continuous CRF.

To sum up,we highlight the main contributions of this work as follows:

?We propose a deep convolutional neural?eld model for depth estimations by exploring CNN and continuous CRF.Given the continuous nature of the depth values, the partition function in the probability density func-tion can be analytically calculated,therefore we can directly solve the log-likelihood optimization without any approximations.The gradients can be exactly cal-culated in the back propagation training.Moreover, solving the MAP problem for predicting the depth of

a new image is highly ef?cient since closed form solu-

tions exist.

?We jointly learn the unary and pairwise potentials of the CRF in a uni?ed deep CNN framework,which is trained using back propagation.

?We demonstrate that the proposed method outperforms state-of-the-art results of depth estimation on both in-door and outdoor scene datasets.

2.Related work

Prior works[7,14,15]typically formulate the depth es-timation as a Markov Random Field(MRF)learning prob-lem.As exact MRF learning and inference are intractable in general,most of these approaches employ approximation methods,e.g.,multi-conditional learning(MCL),particle belief propagation(PBP).Predicting the depths of a new image is inef?cient,taking around4-5s in[15]and even longer(30s)in[7].To make things worse,these methods suffer from lacking of?exibility in that[14,15]rely on hor-izontal alignment of images and[7]requires the semantic labellings of the training data available beforehand.More recently,Liu et al.[16]propose a discrete-continuous CRF model to take into consideration the relations between adja-cent superpixels,e.g.,occlusions.They also need to use approximation methods for learning and MAP inference.Besides,their method relies on image retrievals to obtain a reasonable initialization.By contrast,we here present a deep continuous CRF model in which we can directly solve the log-likelihood optimization without any approximations as the partition function can be analytically calculated.Pre-dicting the depth of a new image is highly ef?cient since closed form solution exists.Moreover,our model do not inject any geometric priors nor any extra information.

On the other hand,previous methods[5,7,8,15,16]all use hand-crafted features in their work,e.g.,texton,GIST, SIFT,PHOG,object bank,etc.In contrast,we learn deep CNN for constructing unary and pairwise potentials of CRF. By jointly exploring the capacity of CNN and continuous CRF,our method outperforms state-of-the-art methods on both indoor and outdoor scene depth estimations.Perhaps the most related work is the recent work of[1],which is concurrent to our work here.They train two CNNs for depth map prediction from a single image.However,our method bears substantial differences from theirs.They use the CNN as a black-box by directly regressing the depth map from an input image through convolutions.In contrast, we use CRF to explicitly model the relations of neighbour-ing superpixels,and learn the potentials in a uni?ed CNN framework.One potential drawback of the method in[1]is that it tends to learn depths with location preferences,which is prone to?t into speci?c layouts.This partly explains why they have to collect a large number of labelled data to cover all possible layouts for training the networks(they collect extra training images using depth sensors),which is in the millions as reported in[1].Instead,our method en-joys translation invariance as we do not encode superpixel coordinates into the unary potentials,and can train on stan-dard dataset to get competetive performance without using additional training data.Furthermore,the predicted depth map of[1]is1/4-resolution of the original input image with some border areas lost,while our method does not have this limitation.

In the most recent work of[17],Tompson et al.present a hybrid architecture for jointly training a deep CNN and an MRF for human pose estimation.They?rst train a unary term and a spatial model separately,then jointly learn them as a?ne tuning step.During?ne tuning of the whole model, they simply remove the partition function in the likelihood to have a loose approximation.In contrast,our model performs continuous variables prediction.We can directly solve the log-likelihood optimization without using approx-imations as the partition function is integrable and can be analytically calculated.Moreover,during prediction,we have closed-form solution for the MAP inference.

3.Deep convolutional neural?elds

We present the details of our deep convolutional neural ?eld model for depth estimation in this section.Unless oth-

CRF loss layer

parameters parameters (pairwise)

Neighbouring superpixel Negative log-likelihood:

Supperpixel where

Figure 1:An illustration of our deep convolutional neural ?eld model for depth estimation.The input image is ?rst over-segmented into superpixels.In the unary part,for a superpixel p ,we crop the image patch centred around its centroid,then resize and feed it to a CNN which is composed of 5convolutional and 4fully-connected layers (details refer to Fig.2).In the pairwise part,for a pair of neighbouring superpixels (p,q ),we consider K types of similarities,and feed them into a fully-connected layer.The outputs of unary part and the pairwise part are then fed to the CRF structured loss layer,which minimizes the negative log-likelihood.Predicting the depths of a new image x is to maximize the conditional probability Pr(y |x ),which has closed-form solutions (see Sec.3.3for details).

erwise stated,we use boldfaced uppercase and lowercase letters to denote matrices and column vectors respectively.

3.1.Overview

The goal here is to infer the depth of each pixel in a single image depicting general scenes.Following the work of [7,15,16],we make the common assumption that an im-age is composed of small homogeneous regions (superpix-els)and consider the graphical model composed of nodes de?ned on superpixels.Kindly note that our framework is ?exible that can work on pixels or superpixels.Each su-perpixel is portrayed by the depth of its centroid.Let x be an image and y =[y 1,...,y n ] ∈R n be a vector of con-tinuous depth values corresponding to all n superpixels in x .Similar to conventional CRF,we model the conditional probability distribution of the data with the following den-sity function:

Pr(y |x )=

1

Z(x )

exp(?E (y ,x )),(1)

where E is the energy function;Z is the partition function

de?ned as:

Z(x )=

y

exp {?E (y ,x )}d y .(2)

Here,because y is continuous,the integral in Eq.(A.1)can be analytically calculated under certain circumstances,which we will show in Sec.3.3.This is different from the discrete case,in which approximation methods need to be applied.To predict the depths of a new image,we solve the maximum a posteriori (MAP)inference problem:

y =argmax y

Pr(y |x ).

(3)

We formulate the energy function as a typical combina-tion of unary potentials U and pairwise potentials V over the nodes (superpixels)N and edges S of the image x :

E (y ,x )= p ∈N

U (y p ,x )+

(p,q )∈S

V (y p ,y q ,x ).(4)

The unary term U aims to regress the depth value from a

single superpixel.The pairwise term V encourages neigh-bouring superpixels with similar appearances to take similar depths.We aim to jointly learn U and V in a uni?ed CNN framework.

In Fig.1,we show a sketch of our deep convolutional neural ?eld model for depth estimation.As we can see,the whole network is composed of a unary part,a pairwise part and a CRF loss layer.For an input image,which has

224224

Figure 2:Detailed network architecture of the unary part in Fig.1.

been over-segmented into n superpixels,we consider image patches centred around each superpxiel centroid.The unary part then takes all the image patches as input and feed each of them to a CNN and output an n -dimentional vector con-taining regressed depth values of the n superpixels.The network for the unary part is composed of 5convolutional and 4fully-connected layers with details in Fig.2.Kindly note that the CNN parameters are shared across all the su-perpixels.The pairwise part takes similarity vectors (each with K components)of all neighbouring superpixel pairs as input and feed each of them to a fully-connected layer (parameters are shared among different pairs),then output a vector containing all the 1-dimentional similarities for each of the neighbouring superpixel pair.The CRF loss layer takes as input the outputs from the unary and the pairwise parts to minimize the negative https://www.sodocs.net/doc/1f7177694.html,pared to the direct regression method in [1],our model possesses two potential advantages:1)We achieve translation invari-ance as we construct unary potentials irrespective of the su-perpixel’s coordinate (shown in Sec. 3.2);2)We explic-itly model the relations of neighbouring superpixels through pairwise potentials.

In the following,we describe the details of potential functions involved in the energy function in Eq.(4).

3.2.Potential functions

Unary potential The unary potential is constructed from

the output of a CNN by considering the least square loss:

U (y p ,x ;θ)=(y p ?z p (θ))2,?p =1,...,n.

(5)

Here z p is the regressed depth of the superpixel p parametrized by the CNN parameters θ.

The network architecture for the unary part is depicted in Fig.2.Our CNN model in Fig.2is mainly based upon the well-known network architecture of Krizhevsky et al .[18]with modi?cations.It is composed of 5convolutional layers and 4fully connected layers.The input image is ?rst over-segmented into superpixels,then for each superpixel,we consider the image patch centred around its centroid.Each of the image patches is resized to 224×224pixels and then fed to the convolutional neural network.Note that the con-volutional and the fully-connected layers are shared across all the image patches of different superpixels.Recti?ed lin-ear units (ReLU)are used as activiation functions for the

?ve convolutional layers and the ?rst two fully connected layers.For the third fully-connected layer,we use the logis-tic function (f (x )=(1+e ?x )?1)as activiation function.The last fully-connected layer plays the role of model en-semble with no activiation function followed.The output is an 1-dimentional real-valued depth for a single superpixel.Pairwise potential We construct the pairwise potential from K types of similarity observations,each of which en-forces smoothness by exploiting consistency information of neighbouring superpixels:

V (y p ,y q ,x ;β)=

1

2

R pq (y p ?y q )2,?p,q =1,...,n.(6)Here R pq is the output of the network in the pairwise part (see Fig.1)from a neighbouring superpixel pair (p,q ).We use a fully-connected layer here:R pq =β

[S (1)pq ,...,S (K )pq ]

=

K k =1

βk S (k )

pq ,

(7)

where S (k )is the k -th similarity matrix whose elements are S (k )

pq (S (k )is symmetric);β=[β1,...,βk ] are the net-work parameters.From Eq.(A.4),we can see that we don’t use any activiation function.However,as our framework is general,more complicated networks can be seamlessly in-corporated for the pairwise part.In Sec .3.3,we will show that we can derive a general form for calculating the gradi-ents with respect to β(see Eq.(A.14)).To guarantee Z (x )(Eq.(A.3))is integrable,we require βk ≥0[10].

We consider 3types of pairwise similarities,mea-sured by the color difference,color histogram difference and texture disparity in terms of local binary patterns

(LBP)[19],which take the conventional form:S (k )

pq =

e ?γ s (k )p ?s (k )q ,k =1,2,3,where s (k )p ,s (k )

q are the obser-vation values of the superpixel p ,q calculated from color,color histogram and LBP; · denotes the 2norm of a vec-tor and γis a constant.

3.3.Learning

With the unary and the pairwise pontentials de?ned in Eq.(5),(6),we can now write the energy function as:

E (y ,x )= p ∈N

(y p ?z p )2+

(p,q )∈S

1

2

R pq (y p ?y q )2.(8)

For ease of expression,we introduce the following notation:

A =I +D ?R ,

(9)

where I is the n ×n identity matrix;R is the matrix com-posed of R pq ;D is a diagonal matrix with D pp = q R pq .Expanding Eq.(A.2),we have:

E (y ,x )=y Ay ?2z y +z z .

(10)

Due to the quadratic terms of y in the energy function in Eq.(A.5)and the positive de?niteness of A ,we can analytically calculate the integral in the partition function (Eq.(A.3))as:

Z (x )=

y

exp {?E (y ,x )}d y

=

(π)n 2|A |

1

2

exp {z A ?1z ?z z }.

(11)

From Eq.(A.1),(A.5),(11),we can now write the probabil-ity distribution function as (see supplementary for details):Pr(y |x )=|A |1

2

πn 2

exp ?y Ay +2z y ?z A ?1

z ,

(12)

where z =[z 1,...,z n ]

;|A |denotes the determinant of the matrix A ,and A ?1the inverse of A .Then the negative log-likelihood can be written as:

?log Pr(y |x )=y Ay ?2z y +z A ?1z

(13)

?1

2log(|A |)+n 2

log(π).During learning,we minimizes the negative conditional log-likelihood of the training data.Adding regularization to θ,β,we then arrive at the ?nal optimization:

min θ,β≥0

?

N i =1

log Pr(y (i )|x (i );θ,β)

(14)

+

λ12 θ 22+λ22

β 2

2,where x (i ),y (i )denote the i -th training image and the cor-responding depth map;N is the number of training images;

λ1and λ2are weight decay parameters.We use stochastic gradient descent (SGD)based back propagation to solve the optimization problem in Eq.(A.10)for learning all param-eters of the whole network.We project the solutions to the feasible set when the bounded constraints βk ≥0is vio-lated.In the following,we calculate the partial derivatives of ?log Pr(y |x )with respect to the network parameters θl (one element of θ)and βk (one element of β)by using the

chain rule (refer to supplementary for details):

?{?log Pr(y |x )}

l =2(A ?1z ?y ) ?z l

,(15)

?{?log Pr(y |x )}

?βk

=y Jy ?z A ?1JA ?1z

?12Tr A ?1J ,(16)where Tr(·)denotes the trace of a matrix;J is an n ×n matrix with elements:

J pq =??R pq

?βk +δ(p =q ) q ?R pq ?βk ,(17)where δ(·)is the indicator function,which equals 1if p =q

is true and 0otherwise.From Eq.(A.13),we can see that our framework is general and more complicated networks for the pairwise part can be seamlessly incorporated.Here,in our case,with the de?nition of R pq in Eq.(A.4),we have

?R pq

?βk

=S (k )pq .Depth prediction Predicting the depths of a new image is to solve the MAP inference in Eq.(3),in which closed form solutions exist here (details refer to supplementary):

y =argmax y Pr(y |x )

(18)

=argmax y

?y Ay +2z y =A ?1z .

If we discard the pairwise terms,namely R pq =0,then

Eq.(18)degenerates to y =z ,which is a conventional regression model (we will report the results of this method as a baseline in the experiment).

3.4.Implementation details

We implement the network training based on the ef?cient

CNN toolbox:VLFeat MatConvNet 1[20].Training is done on a standard desktop with an NVIDIA GTX 780GPU with 6GB memory.During each SGD iteration,around ～700superpixel image patches need to be processed.The 6GB GPU may not be able to process all the image patches at one time.We therefore partition the superpixel image patches of one image into two parts and process them successively.Processing one image takes around 10s (including forward and backward)with ～700superpixels when training the whole network.

During implementation,we initialize the ?rst 6layers of the unary part in Fig.2using a CNN model trained on the ImageNet from [21].First,we do not back propa-gate through the previous 6layers by keeping them ?xed

1VLFeat

MatConvNet:https://www.sodocs.net/doc/1f7177694.html,/matconvnet/

Method

Error

Accuracy (lower is better)(higher is better)

rel log10rms δ<1.25δ<1.252δ<1.253

SVR

0.3130.128 1.0680.4900.7870.921SVR (smooth)0.2900.1160.9930.5140.8210.943Ours (unary only)0.2950.1170.9850.5160.8150.938Ours (pre-train)0.2570.1010.8430.5880.8680.961Ours (?ne-tune)

0.2300.0950.8240.6140.883

0.971

Table 2:Baseline comparisons on the NYU v2dataset.Our method with the whole network training performs the best.

Method

Error (C1)Error (C2)(lower is better)(lower is better)rel log10rms rel log10rms SVR

0.4330.1588.930.4290.17015.29SVR (smooth)0.3800.1408.120.3840.15515.10Ours (unary only)0.3660.1378.630.3630.14814.41Ours (pre-train)0.3310.1278.820.3240.13413.29Ours (?ne-tune)

0.3140.1198.60

0.3070.12512.89

Table 3:Baseline comparisons on the Make3D dataset.Our method with the whole network training performs the best.

and train the rest of the network (we refer this process as pre-train)with the following settings:momentum is set to 0.9,and weight decay parameters λ1,λ2are set to 0.0005.During pre-train,the learning rate is initialized at 0.0001,and decreased by 40%every 20epoches.We then run 60epoches to report the results of pre-train (with learning rate decreased twice).The pre-train is rather ef?cient,taking around 1hour to train on the Make3D dataset,and infer-ring the depths of a new image takes less than 0.1s.Then we train the whole network with the same momentum and weight decay.We apply dropout with ratio 0.5in the ?rst two fully-connected layers of Fig. 2.Training the whole network takes around 16.5hours on the Make3D dataset,and around 33hours on the NYU v2dataset.Predicting the depth of a new image from scratch takes ～1.1s.

4.Experiments

We evaluate on two popular datasets which are available online:the NYU v2Kinect dataset [22]and the Make3D range image dataset [15].Several measures commonly used in prior works are applied here for quantitative evaluations:

?average relative error (rel):1

T p |d gt p ?d p |d gt p

;

?root mean squared error (rms): 1T

p (d gt p ?d p )2;?average log 10error (log10):1T p |log 10d gt

p ?log 10d p |;?accuracy with threshold thr :percentage (%)of

d p s .t .:max(d gt p d p ,d p

d gt p

)=δ

where d gt p and d p are the ground-truth and predicted depths

respectively at pixel indexed by p ,and T is the total number of pixels in all the evaluated images.

We use SLIC [23]to segment the images into a set of non-overlapping superpixels.For each superpixel,we con-sider the image within a rectangular box centred on the cen-troid of the superpixel,which contains a large portion of its background surroundings.More speci?cally,we use a box size of 168×168pixels for the NYU v2and 120×120pixels for the Make3D dataset.Following [1,7,15],we transform the depths into log-scale before training.As for baseline comparisons,we consider the following settings:

?SVR:We train a support vector regressor using the CNN representations from the ?rst 6layers of Fig.2;?SVR (smooth):We add a smoothness term to the trained SVR during prediction by solving the infer-ence problem in Eq.(18).As tuning multiple pairwise parameters is not straightforward,we only use color difference as the pairwise potential and choose the pa-rameter βby hand-tuning on a validation set;?Unary only:We replace the CRF loss layer in Fig.1with a least-square regression layer (by setting the pair-wise outputs R pq =0,p,q =1,...,n ),which degener-ates to a deep regression model trained by SGD.

4.1.NYU v2:Indoor scene reconstruction

The NYU v2dataset consists of 1449RGBD images of indoor scenes,among which 795are used for training and 654for test (we use the standard training/test split provided with the dataset).Following [16],we resize the images to 427×561pixels before training.

For a detailed analysis of our model,we ?rst compare with the three baseline methods and report the results in Ta-ble 2.From the table,several conclusions can be made:1)When trained with only unary term,deeper network is bene?cial for better performance,which is demonstrated by the fact that our unary only model outperforms the SVR model;2)Adding smoothness term to the SVR or our unary only model helps improve the prediction accuracy;3)Our method achieves the best performance by jointly learning the unary and the pairwise parameters in a uni?ed deep CNN framework.Moreover,?ne-tuning the whole network yields further performance gain.These well demonstrate the ef?cacy of our model.

In Table 1,we compare our model with several pop-ular state-of-the-art methods.As can be observed,our method outperforms classic methods like Make3d [15],DepthTransfer [5]with large margins.Most notably,our results are signi?cantly better than that of [8],which jointly exploits depth estimation and semantic https://www.sodocs.net/doc/1f7177694.html,par-ing to the recent work of Eigen et al .[1],our method gener-ally performs on par.Our method obtains signi?cantly bet-ter result in terms of root mean square (rms)error.Kindly note that,to overcome over?t,they [1]have to collect mil-lions of additional labelled images to train their model.One

T e s t i m a g

e

G r o u n d -t r u t

h E i g e n e t a l .

[1]O u r s (?n e -t u n e )Figure 3:Examples of qualitative comparisons on the NYUD2dataset (Best viewed on screen).Our method yields visually better predictions with sharper transitions,aligning to local details.

Method

Error

Accuracy (lower is better)(higher is better)

rel log10rms δ<1.25δ<1.252δ<1.253Make3d [15]

0.349- 1.2140.4470.7450.897DepthTransfer [5]

0.350.131 1.2---Discrete-continuous CRF [16]0.3350.127 1.06---Ladicky et al .[8]---0.5420.8290.941Eigen et al .[1]0.215-0.9070.6110.8870.971Ours (pre-train)0.2570.1010.8430.5880.8680.961Ours (?ne-tune)

0.2300.0950.824

0.6140.883

0.971

Table 1:Result comparisons on the NYU v2dataset.Our method performs the best in most cases.Kindly note that the results of Eigen et al .[1]are obtained by using extra training data (in the millions in total)while ours are obtained using the standard training set.

possible reason is that their method captures the absolute pixel location information and they probably need a very large training set to cover all possible pixel layouts.In con-trast,we only use the standard training sets (795)without any extra data,yet we achieve comparable or even better performance.Fig.3illustrates some qualitative evalua-tions of our method compared against Eigen et al .[1](We download the predictions of [1]from the authors’website.).Compared to the predictions of [1],our method yields more visually pleasant predictions with sharper transitions,align-ing to local details.

4.2.Make3D:Outdoor scene reconstruction

The Make3D dataset contains 534images depicting out-door scenes.As pointed out in [15,16],this dataset is with limitations:the maximum value of depths is 81m with far-away objects are all mapped to the one distance of 81me-ters.As a remedy,two criteria are used in [16]to report the

prediction errors:(C 1)Errors are calculated only in the re-gions with the ground-truth depth less than 70meters;(C 2)Errors are calculated over the entire image.We follow this protocol to report the evaluation results.

Likewise,we ?rst present the baseline comparisons in Table 3,from which similar conclusions can be drawn as in the NYU v2dataset.We then show the detailed results compared with several state-of-the-art methods in Table 4.As can be observed,our model with the whole network training ranks the ?rst in overall performance,outperform-ing the compared methods by large margins.Kindly note that the C2errors of [16]are reported with an ad-hoc post-processing step,which trains a classi?er to label sky pixels and set the corresponding regions to the maximum depth.In contrast,we do not employ any of those heuristics to re-?ne our results,yet we achieve better results in terms of relative error.Some examples of qualitative evaluations are shown in Fig.4.It is shown that our unary only model gives

Method

Error (C1)Error (C2)(lower is better)(lower is better)rel log10rms rel log10rms Make3d [15]

---0.3700.187-Semantic Labelling [7]---0.3790.148-DepthTransfer [5]

0.3550.1279.200.3610.14815.10Discrete-continuous CRF [16]0.3350.1379.490.3380.13412.60Ours (pre-train)0.3310.1278.820.3240.13413.29Ours (?ne-tune)

0.3140.1198.600.3070.12512.89

Table 4:Result comparisons on the Make3D dataset.Our method performs the best.Kindly note that the C2errors of the Discrete-continuous CRF [16]are reported with an ad-hoc post-processing step (train a classi?er to label sky pixels and set the corresponding regions to the maximum depth).

T e s t i m a g e

G r o u n d -t r u t h

O u r s (u n a r y o n l y )

O u r s (?n e -t u n e )Figure 4:Examples of depth predictions on the Make3D dataset (Best viewed on screen).The unary only model gives rather coarse predictions,with blurry boundaries and segments.In contrast,our full model with pairwise smoothness yields much better predictions.

rather coarse predictions with blurry boundaries.By adding smoothness term,our model yields much better visualiza-tions,which are close to ground-truth.

5.Conclusion

We have presented a deep convolutional neural ?eld model for depth estimation from a single image.The pro-posed method combines the strength of deep CNN and con-tinuous CRF in a uni?ed CNN framework.We show that the

log-likelihood optimization in our method can be directly solved using back propagation without any approximations required.Predicting the depths of a new image by solving the MAP inference can be ef?ciently performed as closed-form solutions exist.Given the general learning framework of our method,it can also be applied for other vision appli-cations,e.g .,image denoising.Experimental results demon-strate that the proposed method outperforms state-of-the-art methods on both indoor and outdoor scene datasets.

A.Deep Convolutional Neural Fields

In this Appendix,we show some technical details about the proposed deep convolutional?eld model.

Let x be an image and y=[y1,...,y n] ∈R n be a vector of continuous depth values corresponding to all n superpixels in x.Similar to conventional CRF,we model the conditional probability distribution of the data with the following density

function:

Pr(y|x)=

1

Z(x)

exp{?E(y,x)},(A.1)

where E is the energy function and Z(x)the partition function,de?ned respectively as:

E(y,x)=

p∈N (y p?z p)2+

(p,q)∈S

1

2

R pq(y p?y q)2,(A.2)

Z(x)=

y

exp{?E(y,x)}d y,(A.3) in which,

R pq=

K

k=1

βk S(k)

pq

,(A.4)

where z is the regressed depths parametrized byθ(namely,z is the abbreviation of z(θ)),β=[β1,...,βK]the pairwise parameter,S(k)the k-th similarity matrix(which is symmetric)and K the number of pairwise terms considered.To guarantee Z(x)(Eq.(A.3))is integrable,βk>0are required.We aim to jointly learn z(θ)andβhere.

By expanding Eq.(A.2),we then have:

E(y,x)=

p y2p?2

p

y p z p+

p

z2p+

1

2

pq

R pq y2p?

pq

R pq y p y q+

1

2

pq

R pq y2q

=y y?2z y+z z+y Dy?y Ry

=y (I+D?R)y?2z y+z z

=y Ay?2z y+z z,(A.5) where

A=I+D?R.(A.6)

Here,I is the n×n identity matrix;D is a diagonal matrix with D pp=

q

R pq.Sinceβk≥0are enforced,A is ensured to

be positive de?nite(A is symmetric,and strictly diagonally dominant with positive diagonal entries).We can then calculate the partition function according to the Gaussian integral formula as:

Z(x)=

y exp

?E(y,x)

d y

=

y exp

?y Ay+2z y?z z

d y

=exp{?z z}

y exp

?y Ay+2z y

d y

=exp{?z z}

(2π)n

|2A|

exp{z A?1z}

=(π)n2

|A|12

exp{z A?1z?z z},(A.7)

where|A|denotes the determinant of the matrix A,and A?1the inverse of A.From Eq.(A.1),(A.5),(A.7),we can write the probability density function as:

Pr(y|x)=exp

?E(y,x)

Z(x)

(A.8)

=exp

?y Ay+2z y?z z

(π)n2

|A|12

exp{z A?1z?z z}

=|A|12

πn2

exp

?y Ay+2z y?z A?1z

.

According to Eq.(A.8),we can then rewrite the negative log-likelihood?log Pr(y|x)as:

?log Pr(y|x)=y Ay?2z y+z A?1z?1

2

log(|A|)+

n

2

log(π).(A.9)

In learning,we minimizes the negative conditional log-likelihood of the training data.Adding regularization toθ,β,we then arrive at the?nal optimization:

min θ,β≥0?

N

i=1

log Pr(y(i)|x(i);θ,β)+

λ1

2

θ 2

2

+

λ2

2

β 2

2

,(A.10)

where x(i),y(i)denote the i-th training image and the corresponding depth map;N is the number of training images;λ1and λ2are weight decay parameters.

For the unary part,here we calculate the partial derivatives of?log Pr(y|x)with respect toθl(one element of the network

parametersθfor the unary part).Recall that A=I+D?R(Eq.(A.6)),A =A,(A?1) =A?1,|A?1|=1

|A|,we

have:

?{?log Pr(y|x)}

?θl =

?{?2z y+z A?1z}

?θl

(A.11) =

?{?2z y}

?θl

+

?{z A?1z}

?θl

=?2

?{

p

z p y p}

?θl

+

?{

pq

z p z q A?1pq}

?θl

=?2

p

y p

?z p

?θl

+

pq

z p

?z q

?θl

+z q

?z p

?θl

A?1pq

=?2y

?z

?θl

+2z A?1

?z

?θl

=2(A?1z?y)

?z

?θl

.

Next,for the pairwise part,we calculate the partial derivatives of?log Pr(y|x)with respect toβk as:

?{?log Pr(y|x)}

?βk =

?{y Ay+z A?1z?1

2

log(|A|)}

?βk

=

?{y Ay}

?βk

+

?{z A?1z}

?βk

?

1

2

?log(|A|)

?βk

,

=y

?A

?βk

y?z A?1

?A

?βk

A?1z?

1

2

1

|A|

?{|A|}

?βk

,

=y

?A

?βk

y?z A?1

?A

?βk

A?1z?

1

2

Tr

A?1

?A

?βk

.(A.12)

We here introduce matrix J to denote?A

?βk

.Each element of J is:

J pq=?A pq ?βk

=?{D pq?R pq}

?βk

=?D pq

?βk

?

?R pq

?βk

=??R pq

?βk

+δ(p=q)

q

?R pq

?βk

,(A.13)

whereδ(·)is the indicator function,which equals1if p=q is true and0otherwise.From Eq.(A.12),Eq.(A.13),we can see that our framework is general,therefore more complicated networks for the pairwise part can be seamlessly incorporated.

Here,in our case,with the de?nition of R pq in Eq.(A.4),we have?R pq

?βk =S(k)

pq

.

According to Eq.(A.12)and the de?nition of J in(A.13),we can now write the partial derivative of?log Pr(y|x)with respect toβk as:

?{?log Pr(y|x)}

?βk =y Jy?z A?1JA?1z?

1

2

Tr

A?1J

.(A.14)

Depth prediction Predicting the depths of a new image is to solve the MAP inference.Because of the quadratic form of y in Eq.(A.9),closed form solutions exist(details refer to supplementary):

y =argmax

y

Pr(y|x)

=argmax

y

log Pr(y|x)

=argmax

y

?y Ay+2z y.(A.15)

With the de?nition of A in Eq.(A.6),A is symmetric.Then by setting the partial derivative of?y Ay+2z y with respect to y to0(0is an n×1column vector with all elements being0),we have

?{?y Ay+2z y}

=0

??(A+A )y+2z=0

??2Ay+2z=0

?y=A?1z.(A.16) Now we can write the solution for the MAP inference in Eq.(A.15)as:

y =A?1z(A.17) B.Experiments

To show how the superpixel number affects the performance of our model,we add an experiment to evaluate the root mean square(rms)errors and the training time of our pre-train model on the Make3D dataset by varying the superpixel number per image.Fig.5shows the results.As we can see,increasing the number of supperpixel per image yields further decrease in the rms error,but at the cost of more training time.We use～700superpixels per image in all other experiments in this paper, therefore by increasing it,we can expect better results.

200

400

600

800

1000

1200

1313.5

14

14.5

15Number of superpixels per image R o o t m e a n s q u a r e (r m s ) e r r o r s

020040060080010001200

1000

200030004000500060007000

8000Number of superpixels per image

T r a i n i n g t i m e (i n s e c o n d s )

Figure 5:Left:Root mean square (C2rms)errors vs .varying superpixel numbers on the Make3D dataset.Right:Training time vs .varying superpixel numbers per image on the Make3D dataset.Clearly,increasing the number of supperpixels per image,we can further improve the results but at the cost of more training time.

References

[1] D.Eigen,C.Puhrsch,and R.Fergus,“Depth map prediction from a single image using a multi-scale deep network,”in Proc.Adv.

Neural Inf.Process.Syst.,2014.

[2]V.Hedau,D.Hoiem,and D.A.Forsyth,“Thinking inside the box:Using appearance models and context based on room geometry,”

in https://www.sodocs.net/doc/1f7177694.html,p.Vis.,2010.

[3] D.C.Lee,A.Gupta,M.Hebert,and T.Kanade,“Estimating spatial layout of rooms using volumetric reasoning about objects and

surfaces,”in Proc.Adv.Neural Inf.Process.Syst.,2010.

[4] A.Gupta,A.A.Efros,and M.Hebert,“Blocks world revisited:Image understanding using qualitative geometry and mechanics,”in

https://www.sodocs.net/doc/1f7177694.html,p.Vis.,2010.

[5]K.Karsch,C.Liu,and S.B.Kang,“Depthtransfer:Depth extraction from video using non-parametric sampling,”IEEE Trans.

Pattern Anal.Mach.Intell.,2014.

[6] B.C.Russell and A.Torralba,“Building a database of3d scenes from user annotations,”in Proc.IEEE https://www.sodocs.net/doc/1f7177694.html,p.Vis.Patt.

Recogn.,2009.

[7] B.Liu,S.Gould,and D.Koller,“Single image depth estimation from predicted semantic labels,”in Proc.IEEE https://www.sodocs.net/doc/1f7177694.html,p.Vis.

Patt.Recogn.,2010.

[8]https://www.sodocs.net/doc/1f7177694.html,dick,J.Shi,and M.Pollefeys,“Pulling things out of perspective,”in Proc.IEEE https://www.sodocs.net/doc/1f7177694.html,p.Vis.Patt.Recogn.,2014.

[9]https://www.sodocs.net/doc/1f7177694.html,fferty,A.McCallum,and F.C.N.Pereira,“Conditional random?elds:Probabilistic models for segmenting and labeling

sequence data,”in Proc.Int.Conf.Mach.Learn.,2001.

[10]T.Qin,T.-Y.Liu,X.-D.Zhang,D.-S.Wang,and H.Li,“Global ranking using continuous conditional random?elds,”in Proc.Adv.

Neural Inf.Process.Syst.,2008.

[11]V.Radosavljevic,S.Vucetic,and Z.Obradovic,“Continuous conditional random?elds for regression in remote sensing,”in Proc.

Eur.Conf.Arti?cial Intell.,2010.

[12]K.Ristovski,V.Radosavljevic,S.Vucetic,and Z.Obradovic,“Continuous conditional random?elds for ef?cient regression in large

fully connected graphs,”in Proc.National Conf.Arti?cial Intell.,2013.

[13] A.Sharif Razavian,H.Azizpour,J.Sullivan,and S.Carlsson,“CNN features off-the-shelf:An astounding baseline for recognition,”

in Workshops IEEE https://www.sodocs.net/doc/1f7177694.html,p.Vis.Patt.Recogn.,June2014.

[14] A.Saxena,S.H.Chung,and A.Y.Ng,“Learning depth from single monocular images,”in Proc.Adv.Neural Inf.Process.Syst.,

2005.

[15] A.Saxena,M.Sun,and A.Y.Ng,“Make3D:Learning3d scene structure from a single still image,”IEEE Trans.Pattern Anal.Mach.

Intell.,2009.

[16]M.Liu,M.Salzmann,and X.He,“Discrete-continuous depth estimation from a single image,”in Proc.IEEE https://www.sodocs.net/doc/1f7177694.html,p.Vis.Patt.

Recogn.,2014.

[17]J.Tompson,A.Jain,Y.LeCun,and C.Bregler,“Joint training of a convolutional network and a graphical model for human pose

estimation,”in Proc.Adv.Neural Inf.Process.Syst.,2014.

[18] A.Krizhevsky,I.Sutskever,and G.E.Hinton,“ImageNet classi?cation with deep convolutional neural networks,”in Proc.Adv.

Neural Inf.Process.Syst.,2012.

[19]T.Ojala,M.Pietikainen,and D.Harwood,“Performance evaluation of texture measures with classi?cation based on kullback

discrimination of distributions,”in Proc.Int.Conf.Pattern Recognition,1994.

[20] A.Vedaldi,“MatConvNet,”https://www.sodocs.net/doc/1f7177694.html,/matconvnet/,2013.

[21]K.Chat?eld,K.Simonyan,A.Vedaldi,and A.Zisserman,“Return of the devil in the details:Delving deep into convolutional nets,”

in Proc.British Mach.Vision Conf.,2014.

[22]P.K.Nathan Silberman,Derek Hoiem and R.Fergus,“Indoor segmentation and support inference from rgbd images,”in Proc.Eur.

https://www.sodocs.net/doc/1f7177694.html,p.Vis.,2012.

[23]R.Achanta,A.Shaji,K.Smith,A.Lucchi,P.Fua,and S.S¨u sstrunk,“SLIC superpixels compared to state-of-the-art superpixel

methods,”IEEE Trans.Pattern Anal.Mach.Intell.,2012.

书单 2016年度亚马逊中国图书排行总榜TOP30

1、《秘密花园》作者：（英）乔汉娜贝斯福著出版社：北京联合出版公司 这是一本既可以涂色又可以探宝的书，这是一本既可以娱乐又可以作为设计参考的书。同时这又是一个由奇幻花朵和珍奇植物构成的黑白魔幻世界。这里有可以涂色的画，可以探索的迷宫，等待去完成的图像，以及可以让你尽情涂画的空白空间。请用彩笔来添加五彩斑斓的色彩，或者用细头黑色笔创作更多的涂鸦和细节。在每一页中你都会发现一些若隐若现的爬虫和珍奇小生物，并且你还可以在花朵中寻觅到黄蜂、蝴蝶和鸟的踪迹。你可以将书末的提示清单作为辅助，来找出所有出现在花园中的事物。 2、《解忧杂货店》作者：东野圭吾著，李盈春译出版社：南海出版社

日本著名作家东野圭吾的《解忧杂货店》，出版当年即获中央公论文艺奖。作品超越推理小说的范围，却比推理小说更加扣人心弦。僻静的街道旁有一家杂货店，只要写下烦恼投进店前门卷帘门的投信口，第二天就会在店后的牛奶箱里得到回答：因男友身患绝症，年轻女孩静子在爱情与梦想间徘徊；克郎为了音乐梦想离家漂泊，却在现实中寸步难行；少年浩介面临家庭巨变，挣扎在亲情与未来的迷茫中……他们将困惑写成信投进杂货店，奇妙的事情随即不断发生。生命中的一次偶然交会，将如何演绎出截然不同的人生？ 3、《岛上书店》作者：（美）加布瑞埃拉泽文著孙仲旭李玉瑶译出版社：江苏文艺出版社

A．J．费克里，人近中年，在一座与世隔绝的小岛上，经营一家书店。命运从未眷顾过他，爱妻去世，书店危机，就连唯一值钱的宝贝也遭窃。他的人生陷入僵局，他的内心沦为荒岛。就在此时，一个神秘的包袱出现在书店中，意外地拯救了陷于孤独绝境中的A．J．，成为了连接他和小姨子伊斯梅、警长兰比亚斯、出版社女业务员阿米莉娅之间的纽带，为他的生活带来了转机。小岛上的几个生命紧紧相依，走出了人生的困境，而所有对书和生活的热爱都周而复始，愈加汹涌。 4、《自控力》作者：凯利麦格尼格尔著，王岑卉译出版社：文化发展出版社

美国大学校计算机专业哪所院校好呢

很多准备申请美国就读的朋友，想必都会想到计算机专业，美国该专业的人才在世界各地都十分有名气;而且美国该专业的院校也有很多可以供大家选择的。那么美国大学校计算机专业哪所院校好呢? 美国大学校计算机专业院校推荐： 1.麻省理工学院Massachusetts Institute of Technology 位于马萨诸塞州剑桥市(Cambridge, Massachusetts)，是美国一所综合性私立大学，有“世界理工大学之最”的美名。麻省理工学院在众多大学排名里，均位列世界前五位。该校的数学、科学和工学专业都非常著名。 位于查尔斯河附近的麻省理工学院的宿舍被认为是美国最酷的宿舍之一，由著名建筑师斯蒂文·霍尔设计。这个名为“海绵”的宿舍拿下了许多建筑奖项。 计算机专业毕业生最好去向：谷歌、IBM、甲骨文、微软 2.斯坦福大学 Stanford University位于加州帕洛阿尔托(Palo Alto, California)，斯坦福大学的毕业生遍布了谷歌、惠普以及Snapchat等顶级技术公司。斯坦福大学有着一个惊人的数字，该校毕业生创办的所有公司每年的利润总和为2.7 万亿美元。

计算机专业毕业生最好去向：谷歌、苹果、思科 3.加州大学伯克利分校 University of California-Berkeley位于加州伯克利(Berkeley, California)，建于1868年，是美国的一所公立研究型大学，加州大学伯克利分校还是世界数学、自然科学、计算机科学和工程学最重要的研究中心之一，拥有世界排名第1的理科、世界第3的工科和世界第3的计算机科学，其人文社科也长期位列世界前5。 2015年11月，QS发布了全球高校毕业生就业力排名，加州大学伯克利分校排名第八。据经济学家分析，一个在加州大学伯克利分校的工科学生和e799bee5baa6e997aee7ad94e78988e69d8331333433623139 一个没读过大学的人相比，在大学毕业20年后，该校毕业生的总收入会比没上过大学的人多110万美元。 计算机专业毕业生最好去向：谷歌、甲骨文、苹果 4.加州理工学院 California Institute of Technology位于加州帕萨迪纳市(Pasadena, California)，成立于1891年，是一所四年制的私立研究型学院。 该院研究生课程门门都出类拔萃，2010年U.S. News美国大学最佳研究生院排名中，加州理工学院的物理专业排名全美第1，化学第1，航空航天第1，地球科学第1，生物学第4，电子工程第5，数学第7，计算机科学第11，经济学第14。 加州理工学院不仅仅是工科好，在综合排名上，该校也能够排进前五十。该校的研发部门与NASA、美国国家科学基金会以及美国卫生与人类服务部有着密切的合作关系。 计算机专业毕业生最好去向：谷歌、英特尔、IBM 5.佐治亚理工学院 Georgia Institute of Technology位于佐治亚州亚特兰大市(Atlanta, Georgia)，是美国一所综合性公立大学，始建于1885年。与麻省理工学院及加州理工学院并称为美国三大理工学院。其中计算机科学专业全美排名第10，该校的电气与电子工程专业声誉不错。 计算机专业毕业生最好去向：IBM、英特尔、AT&T 6.伊利诺伊大学香槟分校 University of Illinois —Urbana-Champaign位于伊利诺伊州香槟市(Champaign, Illinois)，创建于1867年，是一所享有世界声望的一流研究型大学。 该校很多学科素负盛名，其工程学院在全美乃至世界堪称至尊级的地位，始终位于美国大学工程院排名前五，几乎所有工程专业均在全美排名前十，电气、计算机、土木、材料、农业、环境、机械等专业排名全美前五。

《自控力》读书心得

《自控力（斯坦福大学最受欢迎心理学教程）》的读书心得 －刘华 在寒假期间读了凯利?麦格尼格尔教授的《自控力》一书后，心中感触颇多。古人云“古之成大事者，不惟有超世之术，亦必有坚韧不拔之志。”此处所说的坚韧不拔之志不正是顽强的自控力吗？身处这个复杂的社会，形形色色的诱惑是避免不了的，只有像古今中外的那些名人一样，抵制诱惑才能走的更远。所以自控力就是制胜的关键了。 放眼社会，普遍存在购物狂，低头族，减肥控，月光族，工作狂，抽烟，酗酒等问题，而我自己也是其中的一员，希望能通过此书有所改变。 在读此书之前，我对自控力的理解就是人脑能够控制自己的行为的行为的能力。可是，事实好像并非如此。意志力实际上是“我要做”，“我不要”，和“我想要”这三种力量的集合。它们协同努力，让自身变得更加完美。 书中提出意志极限损耗极限理论，说明了意志力如同肌肉一样有极限的，人的一天从早到晚意志力是如何衰减的。自控力不仅和心理有关，更和生理有关，只有大脑和身体同时作用的瞬间，才有力量克服冲动。所以他建议我们在意志力旺盛时期处理繁冗事物，避免在意志力薄弱处理这类事物大量消耗意志力，因为使用意志力也会消耗能量的。正是如此，教授才建议说不必时时克制，事事克制，重要的是在关键时候发挥作用。 另外，想必我们小时候都学过“明日复明日，明日何其多”这句诗吧。我自己也深陷于向明天借账的困惑中。对未来的乐观主义精神，不仅会影响我们的决定，还会影响我们究竟会不会按自己说的做。这也是拖延症的症结所在，总是一天拖一天，直至最后关头。心理学家也证明，我们错误地认为自己明天会比今天有更多空闲时间。其实明天与今天是一样的，但因为想着下一次会做，或是下一次会有某些改变，人们往往会在今日放纵自我。所以为了克服这种明日复明日的心态，凯利教授建议我们试着减少行为的变化性而不是减少行为本身。 总之，读了此书后，我对意志力有了一个科学的认识。拥有强大的意志力是成功的保障。爱迪生曾说过“生活中许多失败，都是因为人们决定放弃的时候并没有意识到自己是如此接近成功”。在书中的那些事例中很多我都能找到自己的影子，有许多是自己曾经经历过的。看到他们能够战胜自己，对自己也有了更大的自信。我也相信，按照书中所介绍的方法锻炼自我，我也会离成功更近一步！

斯坦福大学创业成长课

斯坦福大学创业成长课 书籍简介 想知道最有用的创业课——斯坦福大学和著名的硅谷孵化器YC公司研发的创业课程是怎么样的吗？想知道李笑来老师丰富的创业经历中总结的最热血沸腾也最精华的部分吗？这本书将为你揭晓所有的答案，把神秘而不可知的创业成功要素系统化、具象化，为你解决创业过程中的各种迷惑。 关于作者 李笑来，前新东方名师，著名天使投资人，中国比特币首富，新东方时期著有《TOEFL核心词汇21天突破》，为广大考生必备书籍，后著有《把时间当作朋友》、《新生——七年就是一辈子》等个人成长相关书籍，他的《通往财富自由之路》专栏订阅量约21万，总营业额超4000万元。 核心内容 一是创业者具备的特点； 二是创业三要素。

前言 你好，这期音频为你解读的是《斯坦福大学创业成长课》，这本书约18万字，我会用大约10分钟的时间，为你讲述书中精髓：创业者如何从零到一，一步一步走向成功。 在全民创业的时代，死守着一份工资，望着显而易见的职业晋升天花板，看着朋友们毅然决然地离开单位，一拳一脚地创业成功，开豪车、住豪宅，心里是无比的羡慕。为什么有些人就能创业成功？而大多数人只能看着别人吃肉，自己却只能在“是否要创业”、“怎么创业”的矛盾和纠结中浑浑噩噩地过日子？ 我们今天要讲的《斯坦福大学创业成长课》将完美解答这些问题。本书基于美国硅谷顶尖孵化器YC和斯坦福大学联手打造的“如何创业”的课程，总结互联网趋势下产品、市场、团队等方面的创业干货，对有创业意愿的人有极大参考价值。 本书的作者李笑来创业经验丰富，通过财富积累，李笑来成为中国比特币首富，并创立比特基金，专注于互联网、比特币相关领域。 好，接下来我们来说这本书的核心内容吧。我将从两部分为大家讲解，第一部分是创业者具备的特点；第二部分是创业的三要素。 第一部分：创业者具备的特点 创业者和一般人究竟有什么不一样？《斯坦福大学创业成长课》总结了创业者的三个特点，这些特点让他们出类拔萃、与众不同。 第一个特点就是关注进步。 人的关注点分为两种，分别是“关注进步”和“关注表现”，乍看上去差不多，其实对人生造成的影响可谓是天壤之别。 “关注进步”的人焦点在于自己今天是否比昨天强，是不是又学会了新的东西；而“关注表现”的人焦点在于自己在人群里是不是表现的最好，别人对自己的看法如何。因为太在意自己一定要表现得“好”，所以有可能失败的事情，他们就不会去尝试，从而错失很多成长的机会。 创业者只有做到不在意别人的眼光，培养“关注进步”的习惯，才能获得持续的成长。 第二个特点是好奇心旺盛，善于学习。 在任何创业的领域，都需要深度了解行业技术，特别是在各行各业发展日新月异的现代，保持终身学习的习惯非常重要。

美国排名前100的大学

美国排名前100的大学 美国的教育质量在全球是有口皆碑的，因此去美国留学的外国学生特别多，中国学生要申请美国留学，最重要的是要选对学校和专业。 在这里，加成出国梦工厂教育小编为大家列举出了美国排名前100的大学，以及这些大学比较强的专业，以供大家选择。 1、哈佛大学 强势专业有历史学、工商管理、数学、经济学、英语学、物理学、心理学、社会学、生理学、政治学、生物化学、化学、地球科学等。 2、耶鲁大学 最重点学科是社会科学、人文科学和生命科学，三项最热门专业是生物学、历史学和经济学。 3、普林斯顿大学 数学和哲学闻名遐迩，历史、英语、政治和经济系也一样闻名遐迩。

4、哥伦比亚大学 建筑学、MBA、金融、艺术史、天文、生物科学、化学、计算机科学、数学、物理、地质、心理学、社会学、哲学、政治学、宗教、电影、历史、经济学、英语、法语、西班牙语及东亚和中亚语言文学系等。 5、芝加哥大学 人类学、天文学、地球科学、经济学、地理学、历史学、语言学、物理学、统计学、社会学、神学。商学院(金融、策略、国际商业、企业领导、市场行销等)全美顶尖。 6、斯坦福大学 最有特色的学科是生物、经济、心理学、英文、政治科学、其他名列前茅的课程有心理学、大众传播、化学、经济学和戏剧等。 7、麻省理工学院 电子工程、机械工程、物理学、化学、经济学、哲学、政治学。 8、杜克大学 政治学、公共政策、历史、化学、电子工程和生物医学工程。医学部、法学院、商学院排全美前11位，科学和工程学科尤为著名。 9、宾夕法尼亚大学 人类学、经济学、艺术史、语言学、心理学、音乐和拉丁语、商学、法学、医学、大众传播学。 10、西北大学 新闻学院、法学院、商学院。商学院全美TOP1,有商界的“西点军校”，新闻学院全美最好。 11、加利福尼亚理工学院 物理、工程、化学、生物、天文学、地质学、经济与政治学。在生物学、行星科学、地学领域被公认为全美第一，超过半数学生修读工科。 12、达特茅斯学院

马云斯坦福大学励志演讲稿

马云斯坦福大学励志演讲稿【马云斯坦福大学演讲稿：对困难说爱，在沙漠中寻找的机会】 大家好。我今天感到非常荣幸能来到这里和大家见面。大约几个月前，斯坦福邀请我来演讲。我没有意料到。很多人说因为所有关于雅虎，阿里巴巴，和许多其他的新闻，这个时间点来这里演讲是非常的敏感。但是既然我做了一个承诺，我还是来了。今天如果你有任何问题要问我，我都会一一回答。 今天是我来美国的第15天，而且我打算在这里待上一年。这个计划没有人知道。甚至我的公司也不知道。大家问我为什么要来这里。要打算作收购雅虎的准备吗?不，大家都太敏感了。我来这里是因为我累了。过去XX年来太累了。我在1994年开创我的事业，发现了互联网，并为之疯狂，然后放弃了我的教师工作。那时候我觉得自己就像是蒙了眼睛骑在盲虎背上似的，一路摔摔打打，但依然奋斗着、生存着。在政府机关工作了16个月之后，1999年建立了阿里巴巴。 我们还幸运地拥有着淘宝网，支付宝，阿里云和集团下其他的公司。所以，建立阿里巴巴XX年后的今天，我决定需要休息一段时间。尤其今年的挑战实在是太艰辛了，这也

是我没有意料到的。中国人说每XX年是一个本命年。阿里巴巴今年在中国刚好是第XX年，也遇上了许多棘手的问题，好比今年初因为供应商欺诈事件导致首席执行官辞职，还有vie的问题，虽然我到现在仍然不知道什么是 vie，以及把淘宝分成四个公司的决策。所以，忙完所有这些事情之后我累了。我告诉自己，为什么不花个一年好好休息。尤其明年是我个人的本命年，肯定会比今年更辛苦。我想要花多一点时间好好准备，迎接明年更艰苦更困难的挑战。我需要好好休息才能为3到4年后的挑战做好准备。这三年如果事情出了错，大家可以批评淘宝，阿里巴巴或阿里云的首席执行官。但是三年后，如果事情出了错，那就是我的错。所以我准备在美国花上一段时间好好思考和放松。前两天，我开始再次练习起高尔夫球，好好放松。所以，来美国的目的真的不像是大家揣测的这么复杂。 我们是一间非常幸运的公司。我没有任何的背景，没有富裕的父亲，也没有很有权势的叔伯们，根本不用想能够有成功的机会。我记得1999年来到硅谷寻找资金，跟很多风投、资本家接洽，也去了menlo park一带开会。但是没有人有兴趣投资阿里巴巴，我被一一回拒。回到了中国，一点资本都没拿到。但是，我充满了信心。我看到了美国梦。我看到硅谷的快速成长，我看到许多公司的停车场不管是白天或黑夜，周一到周日，都是停满了车。我相信那种快速的成

《斯坦福大学最受欢迎的创意课》读后感800字

《斯坦福大学最受欢迎的创意课》读后感 800字 导读：读书笔记《斯坦福大学最受欢迎的创意课》读后感800字，仅供参考，如果觉得很不错，欢迎点评和分享。 《斯坦福大学最受欢迎的创意课》读后感800字： 《斯坦福大学最受欢迎的创意课》这本书的作者是蒂娜.齐莉格，她是斯坦福大学的教授、斯坦福大学科技创业计划执行长和全国工业创新中心主任，2009年她获得美国国家工程学会戈登奖，除了这本书外，她还写了《真希望我20几岁就知道的事》。蒂娜.齐莉格教授是一位真正沉浸在自我创新和鼓励学生学习创新中的教授，听完这本书最大的感受是：创新是多么有趣的一件事，如果我们把创新当做一场好玩的游戏，那么探索也不是什么很难的事。 书中作者就创新教给了我们九招：1.把不相干的东西联系成新奇的创意。2.头脑风暴。3.细致观察寻找机会。4.营造有创意的环境。 5.用约束催生创意。 6.好的制度可以带来创新。 7.激发团队创意。 8.大胆尝试才会有创意产生。 9.阳光心态对创新很重要。看了这些高招，你是否与我一样有着强烈的想试一试的冲动？ 创新是现在非常流行的词，我们的工作要具有创新性，才会有价值。可是，我们也很清楚地看到，从接受教育开始，中国的孩子就较少被鼓励创新——一切都有标准答案，这也造成了中国很大一部分优

秀孩子共同的学习特点：吃苦耐劳，擅长考试。而美国教育，对创意、创新和创业的专业态度，已然是他们的文化，已经在他们那里成为课程、科学，成为体系。 听完这本书后以下几点让我反思：1.说到创新，我们总有惰性，总是想守着经验，舒适地工作，殊不知，也许安逸的背后就要面临淘汰。如我们老师，如果只会墨守成规，吃老本，不接触新的教育理念，课堂不革新，那他终会跟不上时代。2.只有勇于创新，我们才会发现另一个新天地，新的自我，才会到达一个新的高度。教学就是这样，有经验就会有瓶颈，如何突破，还得有创新的勇气才行，破才能立。 当然我也有疑惑之处，创新需要尝试，实践出真知！即使答案是否定的，也可以通过尝试找到新的创意，而且创新也需要一次一次的尝试完善。可我们教育行业面对的是学生，是人，如果我们的尝试一旦失败，谁又能负责？但我们又不能因为这固步自封。作者：许玉华感谢阅读，希望能帮助您！

辽宁大学青年教师推荐的重点阅读

辽宁大学青年教师推荐的重点阅读书单《中国文化史》 冯天瑜等著 高等教育出版社2007年版 【推荐理由】此书深入浅出地介绍了中国文化的源出、发生、发展、流变 的脉络，在提供文献资料的基础上，结合出土文物的展示，生动地将中华 文化的历史呈现出来。 推荐人：熊明（文学院） 《中国古典诗词感发》 顾随著 北京大学出版社2012年版 馆藏索书号：I207.22/773 【推荐理由】妙不可言，妙亦可言，带你领略诗词的美和力量。 推荐人：刘磊（文学院） 《艺术发展史》 贡布里希(Gombrich.E.H.)著 天津人民美术出版社2001年版 【推荐理由】经典的魅力，需要时不时翻阅的艺术史。 推荐人：徐迎新（文学院） 《老子道德经》 老子著 中华书局2014年版 【推荐理由】该书对中国政治、宗教、科学等产生了深远影响，全文字数 不多，但十分精辟。 推荐人：曹向宇（生命科学院）

《古人的文化》 沈从文著 中华书局2014年版 馆藏索书号：K220.3/18 【推荐理由】本书为沈从文古代物质文化史研究随笔集，以“古代文化” 为主题，涵盖古人的穿衣打扮、生活用品、交通工具、文化生活、工艺 美术等内容。所配79幅精美大图，均来自故宫、国博等权威博物馆，直 观再现沈从文先生的古代物质文化研究，堪称同类图书中的配图精良之作。推荐人：李刚（文学院） 《古文观止》 吴楚材、吴调侯著 中华书局1987年版 馆藏索书号：H194.1/87 【推荐理由】《古文观止》是清康熙年间吴乘权、吴大职编选的一部古 文读本，凡十二卷，收录自先秦至明末的散文二百二十二篇，每篇都有 注释和评论。所选的古文极好，堪称最佳读本。 推荐人：孟庆丽（文学院） 《思想史的写法——中国思想史导论》 葛兆光著 复旦大学出版社2004年版 馆藏索书号：B2/129 【推荐理由】思想史的意味、中国哲学史的形成，从谢无量、胡适、冯 友兰到任继愈，对“哲学”和“哲学史”的疑问，哲学史是否适合叙述 古代中国思想世界，思想史的中心和边界在哪里，思想史究竟如何写， 在这本书中，你将得到答案。 推荐人：赵毓龙（文学院）

乔布斯斯坦福大学演讲稿

乔布斯在斯坦福大学毕业典礼上的演讲 很荣幸和大家一道参加这所世界上最好的一座大学的毕业典礼。我大学没毕业，说实话，这是我第一次离大学毕业典礼这么近。今天我想给大家讲三个我自己的故事，不讲别的，也不讲大道理，就讲三个故事。 第一个故事讲的是点与点之间的关系。我在里德学院（Reed College）只读了六个月就退学了，此后便在学校里旁听，又过了大约一年半，我彻底离开。那么，我为什么退学呢？ 这得从我出生前讲起。我的生母是一名年轻的未婚在校研究生，她决定将我送给别人收养。她非常希望收养我的是有大学学历的人，所以把一切都安排好了，我一出生就交给一对律师夫妇收养。没想到我落地的霎那间，那对夫妇却决定收养一名女孩。就这样，我的养父母─当时他们还在登记册上排队等著呢─半夜三更接到一个电话: “我们这儿有一个没人要的男婴，你们要么？”“当然要”他们回答。但是，我的生母后来发现我的养母不是大学毕业生，我的养父甚至连中学都没有毕业，所以她拒绝在最后的收养文件上签字。不过，没过几个月她就心软了，因为我的养父母许诺日后一定送我上大学。 17 年后，我真的进了大学。当时我很天真，选了一所学费几乎和斯坦福大学一样昂贵的学校，当工人的养父母倾其所有的积蓄为我支付了大学学费。读了六个月后，我却看不出上学有什么意义。我既不知道自己这一生想干什么，也不知道大学是否能够帮我弄明白自己想干什么。这时，我就要花光父母一辈子节省下来的钱了。所以，我决定退学，并且坚信日后会证明我这样做是对的。当年做出这个决定时心里直打鼓，但现在回想起来，这还真是我有生以来做出的最好的决定之一。从退学那一刻起，我就可以不再选那些我毫无兴趣的必修课，开始旁听一些看上去有意思的课。那些日子一点儿都不浪漫。我没有宿舍，只能睡在朋友房间的地板上。我去退还可乐瓶，用那五分钱的押金来买吃的。每个星期天晚上我都要走七英里，到城那头的黑尔－科里施纳礼拜堂去，吃每周才能享用一次的美餐。我喜欢这样。我凭著好奇心和直觉所干的这些事情，有许多后来都证明是无价之宝。我给大家举个例子: 当时，里德学院的书法课大概是全国最好的。校园里所有的公告栏和每个抽屉标签上的字都写得非常漂亮。当时我已经退学，不用正常上课，所以我决定选一门书法课，学学怎么写好字。我学习写带短截线和不带短截线的印刷字体，根据不同字母组合调整其间距，以及怎样把版式调整得好上加好。这门课太棒了，既有历史价值，又有艺术造诣，这一点科学就做不到，而我觉得它妙不可言。 当时我并不指望书法在以后的生活中能有什么实用价值。但是，十年之后，我们在设计第一台 Macintosh 计算机时，它一下子浮现在我眼前。于是，我们把这些东西全都设计进了计算机中。这是第一台有这么漂亮的文字版式的计算机。要不是我当初在大学里偶然选了这么一门课，Macintosh 计算机绝不会有那

2020美国计算机专业项目特色汇总

2020美国计算机专业项目特色汇总——选校参考 计算机科学专业一直是美国申请大热门专业，基本所有的学校都是有开设计算机专业的。因此在该专业的选校上面一直是很多学生比较头痛的事情。我们都清楚美国申请的选校要参考的因素众多：世界排名、美国综合排名、专业排名、就业发展情况、地理位置环境、项目课程设置、教授资源等等。那么该如何选择合适的项目呢？今天慧德留学给大家整理一份美国计算机科学专业的学校特色。 第一层级：难度很高 1. Princeton University（CS专业排名第8名） 普林斯顿大学的计算机系申请时只能申请M.S.E. ，M.S.E.是两年的项目，需要完成论文。 但研一下学期，可以申请转到Master of Engineering (M.Eng.)项目，这个项目不需要完成论文。学校非常看重申请人出身，特别青睐清华北大的学生。 2. Harvard University（CS专业排名第18名） 哈佛工学院相对比较小，CS方面的教授也比较少，计算机专业设置在工程与应用科学学院(School of Engineering and Applied Sciences)，学校偏向于招收清华北大的学生，对其他人来说，即使你的GPA、TOEFL和GRE的成绩都很不错，还是不太建议申请。 3. Yale University（CS专业排名第20名） 耶鲁大学的计算机系，设置在文理研究生院，提供Master of Science学位，你可以选择常

规的培养方式，也可以选择Bioinfor m atics或Co m p u ting and the Arts方向。 区别在于，后者需要有教授带着你完成一个研究项目。耶鲁大学计算机的特点在于，它与数学和工程结合得比较紧密，另外也会跟其他学科进行合作，比如心理学、语言学、经济学、商务、统计、音乐、医药、物理等。申请者三围(GRE,TOEFL,GPA)和研究背景都很强才可申请。 4. Stanford University（CS专业排名第1名） 斯坦福大学的计算机专业非常受欢迎，官网上的数据显示，每年CS专业的申请大概有1500份左右，竞争非常激烈。斯坦福大学的MS Co m p u ter Science项目，要求申请者三围和研究背景都很强，建议不要盲目申请。 5. University of California-Ber k eley（CS专业排名第1名） 伯克利的计算机专业，设置在Electrical Engineering &Co m p u ter Science系。 Master of Engineering (M.Eng.) 项目，主要培养擅长解决经济和社会问题的领导型人才；M.S. (M.S.),即研究型硕士，近年来不在大陆招生。大陆学生建议申请M.E N G.项目，需要比较强的计算机技能和工作能力。 6. Carnegie Mellon University（CS专业排名第1名） CMU拥有全世界最大的计算机学院，按研究方向分为很多系。申请者需具备较强的数学、编程和逻辑推理能力。 如果特别想去这所学校，建议同时申请M I SM Progra m或者MS in INI Progra m，他们不在计算机学院，难度相对小一些。

世界上最畅销的十大书籍

世界上最畅销的十大书籍 《一秒钟亿万富翁》——作者何飞鸿 《圣经》——作者无名氏 《道德经》——作者老子 《毛主席语录》——作者毛泽东 《麦加菲读本》——作者威廉.H.麦加菲《心灵鸡汤》————作者马克汉森 《两个间谍与一个女人》——作者肯·福莱特《哈利.波特》——作者J.K.罗琳

《致加西亚的信》——作者阿尔伯特·哈伯德 《羊皮卷》——作者奥格曼狄诺- 《杰克·韦尔奇自传》，作者：杰克·韦尔奇、约翰·拜恩斯 韦尔奇使通用电气的市值达到了4500亿美元，增长30多倍，排名从世界第十位提升到第二位。这本是韦尔奇退休前的最后一个大动作，他在书中推心置腹、侃侃而谈，将自己的成长岁月、成功经历及经营理念和盘托出。 《基业长青》，作者：詹姆斯·柯林斯、杰里·波拉斯 柯林斯和波拉斯在斯坦福大学为期6年的研究项目中，选取了18个卓越非凡、长盛不衰的公司，并将这些公司直接与它们的一个突出竞争对手对照。他们审视了公司由最初创建到今天的历史--创业、中等公司、大型公司。自始至终，作者都在问这个问题：\\"是什么使那些真正卓越的公司与众不同？\\" 《从优秀到卓越》，作者：吉姆·柯林斯 亚马逊网上书店：2001年最佳商业书。超级畅销书《基业长青》作者历时五年，\\"上亿美元也买不来\\"的研究成果。本书是超级畅销书《基业长青》的作者柯林斯的又一力作，它描绘了优秀公司实现向卓越公司跨越的宏伟蓝图。 《管人的真理》，作者：斯蒂芬·罗宾斯 对于管理我们知道什么，我们到底知道什么？什么证明是行之有效的方法？那些传统思想其实是完全没有价值的？简而言之，管人的最好方法是什么？现在，顶极管理畅销书作者斯蒂芬·罗宾斯博士从最重要的管理学研究中为我们提炼出了66条行之有效的真理，你马上就可以使用！ 《韦尔奇24戒律》，作者：杰弗里·克拉姆斯 《韦尔奇24戒律》将杰克·韦尔奇深邃的管理理念分化为24条戒律，每一条都指出一个传统的管理误区，并指出一条别开生面的解决之道。24条戒律成就了一个商业旷世奇才，我们离奇才到底有多远？看看他用什么成就了自己，或许我们也可以有所得。 《鲍威尔领导秘诀》，作者：奥伦·哈拉里 《鲍威尔领导秘诀》提出了务实、有效的领导方法。本书审视了指导科林·鲍威尔的原则--崇高的目标、值得依赖的领导、对组织的忠诚、争取胜利，指出了这

教育好孩子是人最有眼光最幸福最有价值的聪明选择

中央表彰的中国第一位杰出建议家、我国著名当代教育家马弘毅先生说：“未来社会需要的新生力量，是目标非常明确，牢固地以接力人类文明、创造人类文明、奠基人类文明三大主题为己任，思想解放、心胸开阔、远见卓识，具有强烈社会责任感和团队精神，廉洁诚信，富有高度民间亲和力，民主、宽容、创新、自立、图强的开放型高素质，掌握现代文化科学知识技能的一代体魄强健的有为人才。将来他们要以中国为出发点，与国际社会、世界潮流同呼吸共命运。现今我们培养孩子，一定要偏爱真理、深入人心、立足社会、放眼未来。这是为人父母不可推卸的今生使命与重大社会责任，应根据人类的发展方向及共同价值观，紧密结合民族的长远利益，矢志不移出色地教育好我们的后代。”其中马弘毅先生说的“现今我们培养孩子，一定要偏爱真理、深入人心、立足社会、放眼未来。这是为人父母不可推卸的今生使命与重大社会责任，应根据人类的发展方向及共同价值观，紧密结合民族的长远利益，矢志不移出色地教育好我们的后代。”可谓一语中的！我们真有必要参悟这番深刻的道理，结合自身，来努力地教育好我们的每一个孩子。 官当的再大钱挣得再多 孩子没培养好这辈子还是输家 （高屋建瓴、眼光独特、思维敏捷、善于钻研业务的湖南刘老师近来陆续发表了一系列很有影响的家教写实文章，其中一篇《家长是这样炼成的[61]：享有教育好自己孩子的权利》全文如下）

今天下午4:00多，我在阅读2007年第2期杂志《中华文摘》时，中国新闻社主办的这本海内外公开发行的官方月刊，第8页上的一篇文章深深地吸引了我，令我兴奋不已，一下子激发出了我的强烈共鸣！文章的标题是：“教育只有先进落后岂分东西方”。我逐字逐句认真看后，一拍桌子：原来做家长教育好后代是人类最伟大的一项事业啊！ 《教育只有先进落后岂分东西方》开头的话是这样写的：美国现任国务卿赖斯女士，2006年在旧金山的共和俱乐部，发表了一场远播全球的重要演讲。这次旧金山赖斯演说非常著名，内容可谓世界发达国家一次总结性的最新价值理念阐释。她在这次演讲中指出，天赋的人类权利无需你我强加于人，天赋人权会自然而然地产生在每个人的心底。比如对教育好自己孩子的目标追求，无论你去问谁，他（她）的回答肯定都会不约而同十分肯定的。（是啊，谁会发自内心不愿意带好自己的亲生孩子呢）这位曾经长期任教于斯坦福大学的学者型世界显要认为，目前，天赋人权和民主的含义，简单地讲，只用四条，便足以全部概括它的要义，其中重要的一条就是你“享有教育好自己孩子的权利”。换言之：你用心教育自己的孩子，此事看似很小，其实是在个人追求民主，享有人权的重要表现。你用心教育自己的孩子，也是你下意识不愿失去个人天赋人权，不愿意无视自己难得的那点民主权利的突出表现，否则甚为可惜，你将毫无做人的一点尊严可讲。 文章接着写道：在此，我们不能不对北京的马弘毅先生表示敬佩……建议有心者，不妨到网上去查一查这些年来关于他和马宇歌（马先生的女儿）的新闻、资讯、网页、论坛、博客、图片，等不同

如何申请美国十大顶级商学院.doc

如何申请美国十大顶级商学院 启德教育集团是我国专注于留学的优秀机构，那么如何申请美国十大顶级商学院呢?的我整理了相关内容，欢迎阅读。 活动亮点对于想去美国留学读MBA的同学来说，美国不同商学院的申请要求是不一样的。启德老师为您详细地解读美国留学商学院申请亮点，助您成功留学!活动详情 对于想去美国留学读MBA的同学来说，美国商学院申请，美国不同商学院特点是不一样的。接下来，就来详细的为同学们说一说，希望今天的讲解，能对大家更好的留学美国有所帮助。 美国留学，美国商学院申请，美国不同商学院特点各有千秋。 一、芝加哥大学商学院----美国商学院中的“理论”派。 考虑到该院有多达5名诺贝尔奖获得者，这并不奇怪。芝大的学生多半是冲着它在金融方面的声望去的，去年该校80%的学生有意从事投资银行业。芝大在去年录取了80名中国人，虽然今年下降到40多名，但仍然是顶尖商学院中录取中国人最多的学校。 二、西北大学凯洛格商学院----以市场营销最为有名。 该学院的市场营销 Philip Kotler教授在上海的演讲会的门票高达几千美元一张。在所有前十名的学校当中，凯洛格的学生也许是最轻松的，因为该校同学之间非常乐于互相帮助。无论是讨论案例，还是找工作都十分乐于协助。 三、斯坦福大学商学院----MBA以综合管理见长，每年只招365人。 近年来每届只有4位中国人有机会去这所位于加州八千英亩的美国顶尖大学。可能是申请美国MBA竞争太过激烈的缘故，斯坦福的中国申请者并不如哈佛、沃顿等学校的多。 四、哈佛商学院----美国大学排名第一。

虽然近年哈佛商学院从未在《商业周刊》的商学院排名位列第一，但是它的受欢迎程度可能任何一所商学院都不能望之项背。去年哈佛有10382人申请，比沃顿多2000人。哈佛首创的案例教学已成为MBA教育中的经典，被许多商学院效仿。但是在哈佛，案例教学占总教学内容的80%，远高于一般学院的50%。每天三个案例的学习量确实不是一般人可以胜任的。 五、麻省理工大学商学院----金融和技术管理是强项。 位于波士顿，是哈佛的邻居。MIT的金融和技术管理很强。该校从去年开始才从内地直接招生。 六、宾夕法尼亚大学的沃顿商学院----喜欢有工作经验的学生。 位于美国费城。由于其在金融方面的声望过大，许多人都忘了沃顿其实在任何一个商业领域都非常强。两年前，沃顿曾经一届就录取了58名中国人，从此沃顿商学院几乎成了每一位中国人的必选学校。相比哈佛和斯坦福，沃顿更喜欢工作经历长的人。 七、密执根大学商学院----备受汽车、制造业青睐。 位于密执根州安娜堡城。由于靠近底特律工业城，除了咨询业等MBA 传统就业行业以外，许多汽车、制造等传统公司都会去密执根招聘学生。 八、美国留学哥伦比亚大学商学院----占尽地利。 位于纽约。受地理之益，该校学生多半会在华尔街找工作，多从事投资银行业和咨询业。哥大MBA招收的中国人很少，竞争十分激烈。 九、达特茅斯大学的塔克商学院----世界第一家商科研究生院。 已经有100多年的校史了，他的学生不多，现在只有465名学生，正是这种小规模让它很容易适应周围的环境，并易于创新和变革。不过塔克也是录取要求最严、最具挑战性的商学院。 十、杜克大学富卡----美国MBA留学奖学金最多。

乔布斯在斯坦福大学的演讲：你必须找到你所钟爱的东西

今天我想向你们讲述我生活中的三个故事。不是什么大不了的事情，只是三个故事而已。 （斯坦福）是世界上最好的大学之一，今天能参加各位的毕业典礼，我倍感荣幸（尖叫声）。我从来没有从大学毕业，说句实话，此时算是我离大学毕业最近的一刻（笑声）。今天，我想告诉你们我生命中的三个故事，并非什么了不得的大事件，只是三个小故事而已。 第一个故事是关于串起生命中的点点滴滴。 我在里德大学待了6个月就退学了，但之后仍作为旁听生混了18个月后才最终离开。我为什么要退学呢？ 故事要从我出生之前开始说起。我的生母是一名年轻的未婚妈妈，当时她还是一所大学的在读研究生，于是决定把我送给其他人收养。她坚持我应该被一对念过大学的夫妇收养，所以在我出生的时候，她已经为我被一个律师和他的太太收养做好了所有的准备。但在最后一刻，这对夫妇改了主意，决定收养一个女孩。侯选名单上的另外一对夫妇，也就是我的养父母，在一天午夜接到了一通电话：“有一个不请自来的男婴，你们想收养吗？”他们回答：“当然想。”事后，我的生母才发现我的养母根本就没有从大学毕业，而我的养父甚至连高中都没有毕业，所以她拒绝签署最后的收养文件，直到几个月后，我的养父母保证会把我送到大学，她的态度才有所转变。 17年之后，我真上了大学。但因为年幼无知，我选择了一所和斯坦福一样昂贵的大学（笑声），我的父母都是工人阶级，他们倾其所有资助我的学业。在6个月之后，我发现自己完全不知道这样念下去究竟有什么用。当时，我的人生漫无目标，也不知道大学对我能起到什么帮助，为了念书，还花光了父母毕生的积蓄，所以我决定退学。我相信车到山前必有路。当时作这个决定的时候我非常害怕，但现在回头去看，这是我这一生所作出的最正确的决定之一（笑声）。从我退学那一刻起，我就再也不用去上那些我毫无兴趣的必修课了，我开始旁听那些看来比较有意思的科目。 这件事情做起来一点都不浪漫。因为没有自己的宿舍，我只能睡在朋友房间的地板上；可乐瓶的押金是5分钱，我把瓶子还回去好用押金买吃的；在每个周日的晚上，我都会步行7英里穿越市区，到Hare Krishna教堂吃一顿大餐，我喜欢那儿的食物。我跟随好奇心和直觉所做的事情，事后证明大多数都是极其宝贵的经历。 我举一个例子：那个时候，里德大学提供了全美国最好的书法教育。整个校园的每一张海报，每一个抽屉上的标签，都是漂亮的手写体。由于已经退学，不用再去上那些常规的课程，于是我选择了一个书法班，想学学怎么写出一手漂亮字。在这个班上，我学习了各种衬线和无衬线字体，如何改变不同字体组合之间的字间距，以及如何做出漂亮的版式。那是一种科学永远无法捕捉的充满美感、历史感和艺术感的微妙，我发现这太有意思了。 当时，我压根儿没想到这些知识会在我的生命中有什么实际运用价值。但是10年之后，当我们的设计第一款Macintosh电脑的候，这些东西全派上了用场。我把它们全部设计进了Mac，这是第一台可以排出好看版式的电脑。如果当时我

保教知识与能力选择题

22.幼儿注意发展的特征是无意注意占优势地位，有意注意逐渐发展。 23.幼儿注意的规律特点：注意的 24.感知觉的概述： 感觉是指人脑对直接作用于感觉器官的 知觉是指人脑对直接作用于感觉器官的。 25.幼儿感知觉发展的主要特征：○1视觉○2听觉○3触觉○4空间知 觉○5时间知觉 26.儿童的视觉发展表现在两个方面：视敏度发展，颜色视觉的发展。 27.听觉-绝对感受性是指分辨最小声音的能力，差别感受性则指分辨不同声音最小差别的能力。 28.作为知觉的对象。 29.知觉的恒常性中最主要的是视觉的恒常性。 30.感知觉规律在幼儿教学的运用： □1适应现象□2对比现象□3感知觉中对对象与背景的关系 31.记忆是对信息输入，储存，提取的过程 32.表象具有形象性和概括性的特征。 33.想象在儿童1~2岁开始萌芽 幼儿的想象有两个特征：和 34.思维的概念：思维是人脑对客观现实间接的和概括的反映，是人 认识的高级阶段。 35.幼儿的思维发展标志着幼儿认识水平的提高。 36.思维的发展标志着意识和自我意识的出现。

37.幼儿思维发展的主要特征○1直觉行动思维0~2岁○2具体形 象思维2~6.7岁○3抽象逻辑思维在幼儿末期即6~8岁38. 1~1.5岁的儿童开始发出第一个类似成人说话时用词的音 4岁的儿童基本上能掌握本民族全部语音。 3~4岁是儿童语音发展的飞跃阶段。 39.幼儿期，主要是在4岁左右，语音意识明显地发展起来 幼儿期，是人的一生中词汇量增长最快的时期。 40.情绪和情感在幼儿心理发展中的作用： ○1动机作用○2组织作用○3信号作用○4感染作用 41.情绪状态的种类心境激情应激 42.儿童理智感的发生在5岁左右 43.意志的概念：意志是人为了一定的目的，自觉的调节自己的行为，克服困难的心理过程，人为了满足某种需要，实现某种目的，要采取一定的行动，并克服一定的困难，这些心理过程即是意志。 44.幼儿意志的发展○1目的性的发展○2坚持性的发展 ○3自制性的发展○4独立性的发展 45.自我意识的概述：自我意识指主体对自己的意识，它是个性的重要组成部分，是个性形成水平的标志，也是推动个性发展的因素。 46.幼儿自我控制的发展特点：年龄转变期为4~5岁，特点主要表现在坚持性和自制力上 47.促进幼儿自我意识发展的策略：○1在自我评价中树立信心○2在自我体验中享受成功○3在自我调节中增进交往

《斯坦福大学最受欢迎的创意课》樊登读书笔记190326

荐语 蒂娜·齐莉格教授是一位真正沉浸在自我创新和鼓励学生学习创新中的一位教授。读这本书最大的感受是创新是多么有趣的一件事。 我在课堂上经常讲到“创新发生在资源不足的时候”，当资源不足的时候很多人选择抱怨、颓废、等待，只有创新者才会想办法去解决它。 把生活和工作中的创新当做一场有趣的游戏和探索。相信我，这一切是有方法的，而且可以学会！ 作者简介 蒂娜·齐莉格 蒂娜·齐莉格（Tina Seelig），斯坦福大学教授、斯坦福大学科技创业计划（STVP）执行长和全国工科创新中心（NCEPI）主任。2009年，获得美国国家工程学会戈登奖，该奖项被称为“工程界的诺贝尔奖”。著有畅销书《真希望我20几岁就知道的事》。 精华解读 以下内容为《斯坦福大学最受欢迎的创意课》一书精华解读，供广大书友们学习参考，欢迎分享，未经允许不可用作商业用途。 目录 引言：创新从一则笑话开始一、把不相干的东西联系成新奇的创意 二、头脑风暴 三、细致观察寻找机会 四、营造有创意的环境 五、用约束催生创意 六、好的制度可以带来创新 七、激发团队创意 八、大胆尝试才会有创意产生 九、阳光心态对创新很重要 正文 引言：创新从一则笑话开始 一天天气不错，两位男士正在打高尔夫球。其中一个人正要发球时，一列葬礼队伍从旁边的墓地经过。这位男士停下来，脱下帽子，然后对着葬礼队伍鞠躬。另一位男士赞道：“哇，真没想到你这么体贴人。”这位男士回答：“这一点我起码还是能做到的，毕竟和她结婚在一起生活也有25年了。” 笑话和创新的共同之处在于，都要学会从不同角度看问题。当我们问5+5 等于几的时候，你只有一个答案，而当你问几加几等于10的时候，你就会收获很多答案。有时创新就是需要换个角度而已。 一、把不相干的东西联系成新奇的创意 把象棋和食物联系起来，你想到了什么？比如：可食用的棋子，象棋主题餐厅，下象棋赢食物的促销活动，等位的时候提供象棋……看到了吗？这里面有很多主意是可以创造价值的。

斯坦福最受欢迎的创意课

我的读后感 蒂娜.齐莉格教授是一位真正沉浸在自我创新和鼓励学生学习创新中的一位教授。读这本书最大的感受是创新是多么有趣的一件事。我在课堂上经常讲到“创新发生在资源不足的时候”，当资源不足的时候很多人选择抱怨、颓废、等待，只有创新者才会想办法去解决它。把生活和工作中的创新当做一场有趣的游戏和探索。相信我，这一切是有方法的，而且可以学会！ 创新从一则笑话开始 一天天气不错，两位男士正在打高尔夫球。其中一个人正要发球时，一列葬礼队伍从旁边的墓地经过。这位男士停下来，脱下帽子，然后对着葬礼队伍鞠躬。另一位男士赞道：“哇，真没想到你这么体贴人。”这位男士回答：“这一点我起码还是能做到的，毕竟和她结婚在一起生活也有25年了。” 笑话和创新的共同之处在于，都要学会从不同角度看问题。当我们问5+5等于几的时候，你只有一个答案，而当你问几加几等于10的时候，你就会收获很多答案。有时创新就是需要换个角度而已。 第一招，把不相干的东西联系成新奇的创意 把象棋和食物联系起来，你想到了什么？比如：可食用的棋子，象棋主题餐厅，下象棋赢食物的促销活动，等位的时候提供象棋……看到了吗？这里面有很多主意是可以创造价值的。 试试看和儿子玩个游戏，你说一样东西，孩子说一样东西，看你们能组合出什么新想法。 试试看和员工玩个游戏，你说一项工作，员工说一样东西，看你们能组合出什么样的新想法。 （有位教授要求研究生用两件日常生活用品，制作一件性玩具，并附上说明书） 第二招，头脑风暴（你真的会吗？） 一个游戏：教授要求学生不准说话，在规定的时间内按生日大小排成一排。一开始大家都觉得很难，几秒后，有人开始打手势。最后完成了任务。但当教授问还有没有更好的方法时，有人想到可以写在纸上，或者拿出驾驶证，在地上划时间线，甚至把生日唱出来，因为没有规定不许唱。 这个游戏告诉我们，人们往往只想一个办法就停止思考了。这就是为什么要头脑风暴的