请选择 进入手机版 | 继续访问电脑版
专注物联网产业服务
微信二维码
威腾网服务号
游客您好
第三方账号登陆
  • 点击联系客服

    在线时间:8:00-16:00

    客服电话

    17600611919

    电子邮件

    online@weiot.net
  • 威腾网服务号

    随时掌握企业动态

  • 扫描二维码

    关注威腾小程序

图像识别
图像识别
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。 现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域。
  • 人工智能是怎么发展起来的?带你了解人工智能-开课吧
    人工智能 一、人工智能的内涵和本质 人工智能(Artificial Intelligence)简称 AI,是利用计算机模拟人类智能行为科学的统称,或者说人工智能是研究、理解、模拟人类智能,并发现其规律的学科。人工智能是计算机科学的一个分支,它试图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。 人工智能通过训练计算机使其能够完成类似于人类的自主学习、判断、决策等行为。人工智能促使智能机器会听(语音识别、机器翻译等)、会看(图像识别、文字识别等)、会说(语音合成、人机对话等)、会思考(人机对弈、定理证明等)、会学习(机器学习、知识表示等)、会行动(机器人、自动驾驶汽车等)。 人工智能研究的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能自诞生以来,理论和技术日益成熟,应用领域也不断扩大,未来人工智能带来的科技产品,将会是人类智慧的”容器”,势必承载着人类科技的发展进步。 二、人工智能的起源和发展 人工智能已有 60 多年的发展历史,期间经历了三次高潮,两次低谷,其最后一次高潮开始于 2006 年并延续至今。大数据、云计算和物联网等新兴科技的发展,正在将人工智能推上新的高峰。 (一)人工智能的起源 1943 年,美国神经生理学家麦克洛奇与数理逻辑学家匹兹建成了第一个神经网络模型,为后来人工神经网络的研究奠定了基础,自此便开启了人工神经网络时代。 1950 年,“人工智能之父“马文明斯基与他的同学共同建造了世界上第一台神经网络计算机,这被看做是人工智能的一个起点。恰巧在同一年,”计算机之父“阿兰图灵提出了一个举世瞩目的想法—图灵测试。按照图灵的设想:如果一台机器能够与人类开展对话而不能被辨别出机器身份,那么这台机器就具有智能。图灵还大胆预言了机器真正具备智能的可行性。 1956 年在美国达特茅斯学院,约翰麦卡锡、马文明斯基和罗切斯特邀请了10多位数学家、计算机学家、神经学家、心理学家、工程师举行了为期两个月的学术研讨会,共同讨论了如何用机器模拟人类智能。达特茅斯学院教授约翰麦卡锡是著名的计算机专家,在麦卡锡的推动下,达特茅斯会议正式确立了“人工智能(ArtificialIntelligence,简称 AI)“这一术语,标志着人工智能领域的正式诞生。达特矛斯会议设立了人工智能的目标,就是让机器能够模拟人类智力行为的各个方面,如感知、学习、推理论证、交流等能力。这个核心观念持续推动了人工智能领域的发展。 会后不久,麦卡锡与明斯基共同创建了世界上第一座人工智能实验室— MITAILAB 实验室,最早的一批人工智能学者和技术开始涌现。自这次会议之后的 10多年间,人工智能的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人注目的成就。1969 年成立的国际人工智能联合会议是人工智能史上一个重要的里程碑,标志着人工智能这门新兴学科已经得到了世界的肯定和认可。 (二)人工智能主要发展阶段 1959 年,首台工业机器人诞生,该机器人借助计算机读取存储程序和示教信息,发出指令控制一台多自由度的机械。它对外界环境没有感知。 1964 年,首台聊天机器人诞生,实现了计算机与人通过文本来交流。这是人工智能研究的一个重要方面。不过,它只是用符合语法的方式将问题复述一遍。 1965 年,专家系统首次亮相。化学分析专家系统程序 DENDRAL 能够分析实验数据来判断未知化合物的分子结构。 1968 年,首台人工智能机器人诞生。机器人 Shakey,能够自主感知、分析环境、规划行为并执行任务,在感知人的指令后,能够发现并抓取积木。这种机器人拥有类似人的感觉(触觉和听觉等),能够通过周围环境来决定自己的行动。 1970 年,能够分析语义、理解语言的系统诞生。人机对话系统 SHRDLU,能分析指令,比如理解语义、解释不明确的句子、并通过虚拟方块操作来完成任务。由于它能够正确理解语言,被视为人工智能研究的一次巨大成功。 1976 年,专家系统广泛应用。专家系统(ExpertSystem),是指拥有大量专业知识并能利用专业知识去解决特定领域中本来需要由人类专家才能解决的计算机程序。例如著名的专家系统 MYCIN 可以精确识别 50 种以上的病菌并正确使用相应的抗生素,从而协助医生诊断、治疗疾病,尤其是对于对传染性血液病诊断成效突出。这一时期还陆续研制出了用于生产制造、财务会计、金融等各领域的专家系统。 1980 年,专家系统商业化。XCON 专家系统,帮助 DEC 公司每年节约 4000 万美元左右的费用,特别是在决策方面能提供有价值的内容。 1981 年,第五代计算机项目研发。日本率先拨款支持,目标是制造出能够与人对话、翻译语言、解释图像,并能像人一样推理的机器。随后,英美等国也开始为AI 和信息技术领域的研究提供大量资金。 1984 年,大百科全书(Cyc)项目试图将人类拥有的所有一般性知识都输入计算机,建立一个巨型数据库,并在此基础上实现知识推理,其目标是让人工智能的应用能够以类似人类推理的方式工作,成为人工智能领域的一个全新研发方向。 1997 年,深蓝超级计算机战胜了国际象棋世界冠军加里.卡斯帕罗夫。这是人工智能首次在人机大战中取得胜利。 2002 年,第一个成功的商业化家用机器人—自动真空吸尘器 RoombA 诞生。 2005 年,美国军方研发出战争机器人波士顿动力"机器狗"(BigDog)。 2008 年,谷歌在 iPhone 上发布了一款语音识别应用,开启了后来数字化语音助手(Siri、Alexa、Cortana)的浪潮。 2010 年,上海世博会上,来自 NAO 公司的 20 个跳舞机器人献上了一段长达 8分钟的完美舞蹈。 2011 年,IBM 开发的人工智能程序“沃森”(Watson)参加了一档智力问答节目并战胜了两位人类冠军。沃森存储了 2 亿页数据,能够将与问题相关的关键词从看似相关的答案中抽取出来。这一人工智能程序已被 IBM 广泛应用于医疗诊断领域。 2014 年,聊天机器人 EugeneGoostman 通过了图灵测试。谷歌向自动驾驶技术投入重金,Skype 推出实时语音翻译功能。 2016 年,阿尔法狗(AlphaGo)战胜世界围棋冠军李世石(韩国棋手)。阿尔法狗是谷歌开发的人工智能围棋程序,具有自我学习能力。它能够搜集大量围棋对弈数据和名人棋谱,学习并模仿人类下棋。 2017 年,深度学习大热。第四代阿尔法狗(AlphaGo)在无任何数据输入的情况下,自学围棋 3 天后以 100:0 横扫第二代“旧狗”,学习 40 天后又战胜了在人类高手看来不可企及的第三代“大师”,从而让人们充分领略到深度学习算法自我长大的潜力。 (三)人工智能低谷瓶颈期 20 世纪 70 年代至 80 年代初,人工智能研究进入了低谷期,其原因不仅有科研人员与美国国家科研项目合作上的失败,更重要的是人工智能面临着诸多技术瓶颈。 第一,计算机性能不足,导致早期很多程序无法在人工智能领域得到应用。 第二,问题的复杂性,早期人工智能程序主要是解决特定的问题,因为特定的问题对象少,复杂性低,可一旦问题上升维度,程序立马就不堪重负了。 第三,数据量严重缺失,在当时不可能找到足够大的数据库来支撑程序进行深度学习,这很容易导致机器无法读取足够量的数据进行智能化。 上述因素导致了人工智能发展在 70 年代后进入了低谷瓶颈期。 (四)人工智能蓬勃发展期 当前随着大数据、云计算、互联网、物联网等信息技术的发展,泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展,大幅跨越了科学与应用之间的”技术鸿沟”,诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了巨大的技术突破,人工智能由此迎来爆发式增长的新高潮。 三、机器学习和深度学习的关系 人工智能、机器学习和深度学习,三者是层层包含的关系。机器学习是实现人工智能的一种技术或方法,而深度学习则是实现机器学习的一种技术或方法。 人工智能是计算机科学的一个分支,目的是开发一种拥有智能行为的机器,目前很多大公司都在努力开发这种机器学习技术,让电脑学会人类的行为模式,让机器像人类一样“思考”,以便推动和实现近在眼前的新一轮科技革命。 大数据是人工智能的基础,将大数据转变为知识或生产力,离不开机器学习 (Machine Learning)。机器学习是实现人工智能的一种方法,它既是让机器实现人工智能的技术核心,又是让机器具有类似人的智能的根本途径。机器学习实现人工智能的关键就是利用海量数据的训练,通过算法解析数据,从中学习,然后对真实世界中的事件做出决策和预测。 深度学习是机器学习的一个子领域,是利用一系列”深层次”的神经网络模型来 解决更复杂问题的技术。深度学习的核心是让机器模仿人脑的机制去解释图像、文本和声音等数据,进而自己获得“知识”,并在不断地解释数据中修正和增长已有的知识,提高智能水平,这为机器自身的智力“长大”提供了一条路径。 四、人工智能重点技术发展方向人工智能(AI)的理论体系和技术体系日益成熟,应用领域也不断扩大,未来人工智能科技产品,将会是人类智慧的容器,因此其应用方向十分广泛。 (一)机器视觉 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品(即图像摄取装置,分 CMOS 和 CCD 两种)将被摄取目标转换成图像信号,传送给专用的图像处理系统,根据像素分布和亮度、颜色等信息,转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作。机器视觉在许多人类视觉无法感知的场合发挥重要作用,如精确定律感知、危险场景感知、不可见物体感知等,机器视觉更能突显优越性。现在机器视觉已在一些领域得到应用,如零件识别与定位,产品的检验,移动机器人导航遥感图像分析,安全减半、监视与跟踪,国防系统等。它们的应用与机器视觉的发展起着相互促进的作用。向未来展望,计算机视觉有希望进入自主理解、甚至分析决策的高级阶段,真正赋予机器“看”的能力,从而在智能家居、无人车等应用场景发挥更大的价值。 (二)指纹识别 指纹识别技术把一个人同他的指纹对应起来,通过比较他的指纹和预先保存的指纹进行比较,就可以验证他的真实身份。每个人(包括指纹在内)皮肤纹路在图案、断点和交叉点上各不相同,也就是说,是唯一的,并且终生不变。依靠这种唯一性和稳定性,我们才能创造指纹识别技术。 指纹识别主要根据人体指纹的纹路、细节特征等信息对操作或被操作者进行身份鉴定,得益于现代电子集成制造技术和快速而可靠的算法研究,已经开始走入我们的日常生活,成为目前生物检测学中研究最深入,应用最广泛,发展最成熟的技术。指纹识别系统应用了人工智能技术中的模式识别技术。模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。很显然指纹识别属于模式识别范畴。 (三)人脸识别 人脸识别是计算机视觉技术的一个分支领域,特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域,人脸追踪侦测,自动调整影像放大,夜间红外侦测,自动调整曝光强度;它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。 人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流进行鉴别。首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。 传统的人脸识别算法,即使综合考虑颜色、形状、纹理等特征,也只能做到 95%左右的准确率。而有了深度学习的加持,准确率可以达到 99.5%,错误率下降了 10倍,从而使得在金融、安防等领域的广泛商业化应用成为可能。人脸识别在很大程度上可以提升交易安全性和速度,尤其是人脸大数据,无论在日常生活,还是商业运作上都是语音、动作之后最重要的数据之一,它能够将个人大数据实现更大化的整合,甚至重建信用体系规则。 (四)智能信息检索技术 数据库系统是储存某个学科大量事实的计算机系统,随着应用的进一步发展,存储的信息量越来越大,因此解决智能检索的问题便具有实际意义。 智能信息检索系统应具有如下的功能: 1、能理解自然语言,允许用自然语言提出各种询问; 2、具有推理能力,能根据存储的事实,演绎出所需的答案; 3、系统具有一定常识性知识,以补充学科范围的专业知识。系统根据这些常识,将能演绎出更一般的一些答案来。实现这些功能要应用人工智能的方法。比如,百度已经建成全球最大规模的深度神经网络,这一称为百度大脑的智能系统,目可以理解分析 200 亿个参数,达到了两、三岁儿童的智力水平。随着成本降低和计算机软硬件技术的进步,再过 20 年,当量变带来质变,用计算机模拟一个 10-20 岁人类的智力几乎一定可以做到。 (五)智能控制 智能控制(intelligent controls)在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。对于许多复杂系统,难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析,而必须采用定量方法与定性方法相结合的控制方式。定量方法与定性方法相结合的目的是,要由机器用类似于人的智慧和经验来引导求解过程。因此,在研究和设计智能系统时,主要注意力不放在数学公式的表达、计算和处理方面,而是放在对任务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上,即智能控制的关键问题不是设计常规控制器,而是研制智能机器的模型。此外,智能控制的核心在高层控制,即组织控制。高层控制是对实际环境或过程进行组织、决策和规划,以实现问题求解。为了完成这些任务,需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性, 即具有一定程度的智能。智能控制是自动控制技术的最新发展阶段,也是用计算机模拟人类智能进行控制的研究领域。 (六)视网膜识别 视网膜是眼睛底部的血液细胞层。视网膜扫描是采用低密度的红外线去捕捉视网膜的独特特征,血液细胞的唯一模式就因此被捕捉下来。 视网膜也是一种用于生物识别的特征,有人甚至认为视网膜是比虹膜更唯一的生物特征,视网膜识别技术要求激光照射眼球的背面以获得视网膜特征的唯一性。虽然视网膜扫描的技术含量较高,但视网膜扫描技术可能是最古老的生物识别技术,在20 世纪 30 年代,通过研究就得出了人类眼球后部血管分布唯一性的理论,进一步的研究表明,即使是孪生子,这种血管分布也是具有唯一性的,除了患有眼疾或者严重的脑外伤外,视网膜的结构形式在人的一生当中都相当稳定。 (七)虹膜识别 人的眼睛结构由巩膜、虹膜、瞳孔三部分构成。虹膜是位于黑色瞳孔和白色巩膜之间的圆环状部分,其包含有很多相互交错的斑点、细丝、冠状、条纹、隐窝等的细节特征。这些特征决定了虹膜特征的唯一性,同时也决定了身份识别的唯一性。虹膜的形成由遗传基因决定,人体基因表达决定了虹膜的形态、生理、颜色和总的外观。人发育到八个月左右,虹膜就基本上发育到了足够尺寸,进入了相对稳定的时期。除非极少见的反常状况、身体或精神上大的创伤才可能造成虹膜外观上的改变外,虹膜形貌可以保持数十年没有多少变化。另一方面,虹膜是外部可见的,但同时又属于内部组织,位于角膜后面。要改变虹膜外观,需要非常精细的外科手术,而且要冒着视力损伤的危险。虹膜的高度独特性、稳定性及不可更改的特点,是虹膜可用作身份鉴别的物质基础。 在包括指纹在内的所有生物识别技术中,虹膜识别是当前应用最为方便和精确的一种。虹膜识别技术被广泛认为是二十一世纪最具有发展前途的生物认证技术,未来的安防、国防、电子商务等多种领域的应用,也必然会以虹膜识别技术为重点。这种趋势已经在全球各地的各种应用中逐渐开始显现出来,市场应用前景非常广阔。 (八)掌纹识别 掌纹识别是近几年提出的一种较新的生物特征识别技术。掌纹是指手指末端到手腕部分的手掌图像。其中很多特征可以用来进行身份识别:如主线、皱纹、细小的纹理、脊末梢、分叉点等。掌纹识别也是一种非侵犯性的识别方法,用户比较容易接受,对采集设备要求不高。掌纹中最重要的特征是纹线特征,而且这些纹线特征中最清晰的几条纹线基本上是伴随人的一生不发生变化的。并且在低分辨率和低质量的图像中仍能够清晰的辨认。 点特征主要是指手掌上所具有的和指纹类似的皮肤表面特征,如掌纹乳突纹在局部形成的奇异点及纹形。点特征需要在高分辨率和高质量的图像中获取,因此对图像的质量要求较高。纹理特征,主要是指比纹线更短、更细的一些纹线,但其在手掌上分布是毫无规律的。掌纹的特征还包括几何特征:如手掌的宽度、长度和几何形状,以及手掌不同区域的分布。掌纹中所包含的信息远比一枚指纹包含的信息丰富,利用掌纹的纹线特征、点特征、纹理特征、几何特征完全可以确定一个人的身份。因此,从理论上讲,掌纹具有比指纹更好的分辨能力和更高的鉴别能力。 (九)专家系统 专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说,专家系统是一个具有大量的专门知识与经验的程序系统,它应用人工智能技术和计算机技术,根据某领域一个或多个专家提供的知识和经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题,简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统。专家系统是人工智能中最重要的也是最活跃的一个应用领域,它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统是早期人工智能的一个重要分支,它可以看作是一类具有专门知识和经验的计算机智能程序系统,一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。 (十)自动规划 自动规划是一种重要的问题求解技术,它从某个特定的问题状态出发,寻求一系列行为动作,并建立一个操作序列,直到求得目标状态为止。自动规划问题求解与一般问题求解相比,自动规划更注重于问题的求解过程,而不是求解结果。自动规划可用来监控问题求解过程,并能够在造成较大的危害之前发现差错。规划的好处可归纳为简化搜索、解决目标矛盾以及为差错补偿提供基础。 人工智能规划决策系统的发展,一度是以棋类游戏为载体的。人们从棋类游戏中积累的知识和经验,也被应用在更广泛的需要决策规划的领域,包括机器人控制、无人车等等。棋类游戏完成了它的历史使命,带领人工智能到达了一个新的历史起点。 (十一)人工智能语音处理 语言交流是人类最直接最简洁的交流方式。长久以来,让机器学会“听”和“说”,实现与人类间的无障碍交流一直是人工智能、人机交互领域的一大梦想。 一个完整的语音处理系统,包括前端的信号处理、中间的语音语义识别和对话管理(更多涉及自然语言处理)、以及后期的语音合成。语音识别的过程需要经历特征提取、模型自适应、声学模型、语言模型、动态解码等多个过程。总体来说,随着语音技术的快速发展,之前的限定条件正在不断减少:包括从小词汇量到大词汇量再到超大词汇量、从限定语境到弹性语境再到任意语境、从安静环境到近场环境再到远场嘈杂环境、从朗读环境到口语环境再到任意对话环境、从单语种到多语种再到多语种混杂,但这给语音处理提出了更高的要求。目前的几个研究方向包括:如何使合成语音听起来更自然、如何使合成语音的表现力更丰富、如何实现自然流畅的多语言混合合成。只有在这些方向有所突破,才能使合成的语音真正与人类声音无异。 随着深度神经网络(DNN)被应用到语音的声学建模中,人们陆续在音素识别任务和大词汇量连续语音识别任务上取得突破。可以看到,在一些限制条件下,机器确实能具备一定的“听说”能力。因此在一些具体的场景下,比如语音搜索、语音翻译、机器朗读等,确实能有用武之地。但真正做到像正常人类一样,与其他人流畅沟通、自由交流,还有待时日。 (十二)自然语言处理 人类的日常社会活动中,语言交流是不同个体间信息交换和沟通的重要途径。因此,对机器而言,能否自然地与人类进行交流、理解人们表达的意思并作出合适的回应,被认为是衡量其智能程度的一个重要参照。 自然语言处理要求机器具备比“感知”更难的“理解”能力。自然语言处理中的 几个核心环节包括知识的获取与表达、自然语言理解、自然语言生成等等,也相应出现了知识图谱、对话管理、机器翻译等研究方向。 语音识别就一个任务,把声音变成文字,即使加上相关的语音合成、说话人识别等任务,也远远无法和自然语言处理的任务数量相比。因此和语音识别不同,自然语言处理是一个很”庞杂”的领域。自然语言处理的终极目标就是让机器能够理解人类的语言。 进入 2010 年以后,基于大数据和浅层、深层学习技术,自然语言处理的效果得到了进一步优化。机器翻译的效果进一步提升,出现了专门的智能翻译产品。对话交互能力被应用在客服机器人、智能助手等产品中。这一时期的里程碑事件是 IBM 研发的 Watson 智能系统参加综艺问答节目,成功战胜了人类选手并取得冠军,向世界展现了自然语言处理技术所能达到的实力。除了机器翻译之外,网页搜索、语音交互、对话机器人等领域都有自然语言处理的功劳。 五、人工智能行业应用场景 国务院印发了《新一代人工智能发展规划》,人工智能作为新一轮产业变革的核心驱动力,必须与各行各业融合才能发挥作用,形成真正有效的行业智能,以此来助力传统行业转型升级,加快人工智能应用落地。 (一)制造领域人工智能应用 智能制造,是在基于互联网和物联网意义上实现的包括企业与社会在内的全过程的制造,把工业 4.0 的“智能工厂”、“智能生产”、“智能物流”进一步扩展到“智能消费”、“智能服务”等全过程的智能化中去,只在这些意义上,才能真正地认识到我们所面临的前所未有的形势。人工智能在制造业的应用主要有三个方面:首先是智能装备,包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备。其次是智能工厂,包括智能设计、智能生产、智能管理以及集成优化等具体内容。最后是智能服务,包括大规模个性化定制、远程运维以及预测性维护等具体服务模式。虽然目前人工智能的解决方案尚不能完全满足制造业的要求,但作为一项通用性技术,人工智能与制造业融合是大势所趋。 (二)家居领域人工智能应用 智能家居主要是基于物联网技术,通过智能硬件、软件系统、云计算平台构成一套完整的家居生态圈。用户可以进行远程控制设备,设备间可以互联互通,并进行自我学习等,来整体优化家居环境的安全性、节能性、便捷性等。值得一提的是,近两年随着智能语音技术的发展,智能音箱成为一个爆发点。智能音箱不仅是音响产品,同时是涵盖了内容服务、互联网服务及语音交互功能的智能化产品,不仅具备 WiFi连接功能,提供音乐、有声读物等内容服务及信息查询、网购等互联网服务,还能与智能家居连接,实现场景化智能家居控制。 (三)金融领域人工智能应用 人工智能的产生和发展,不仅促进金融机构服务主动性、智慧性,有效提升了金融服务效率,而且提高了金融机构风险管控能力,对金融产业的创新发展带来积极影响。人工智能在金融领域的应用主要包括:智能获客、身份识别、大数据风控、智能投顾、智能客服、金融云等,该行业也是人工智能渗透最早、最全面的行业。未来人工智能将持续带动金融行业的智能应用升级和效率提升。 (四)零售领域人工智能应用 人工智能在零售领域的应用已十分广泛,正在改变人们购物的方式。无人便利店、智慧供应链、客流统计、无人仓/无人车等等都是的热门方向。通过大数据与业务流程的密切配合,人工智能可以优化整个零售产业链的资源配置,为企业创造更多效益,让消费者体验更好。在设计环节中,机器可以提供设计方案;在生产制造环节中,机器可以进行全自动制造;在供应链环节中,由计算机管理的无人仓库可以对销量以及库存需求进行预测,合理进行补货、调货;在终端零售环节中,机器可以智能选址,优化商品陈列位置,并分析消费者购物行为。 (五)交通领域人工智能应用 大数据和人工智能可以让交通更智慧,智能交通系统是通信、信息和控制技术在交通系统中集成应用的产物。通过对交通中的车辆流量、行车速度进行采集和分析,可以对交通进行实施监控和调度,有效提高通行能力、简化交通管理、降低环境污染等。人工智能还可为我们的安全保驾护航。人长时间开车会感觉到疲劳,容易出交通事故,而无人驾驶则很好地解决了这些问题。无人驾驶系统还能对交通信号灯、汽车导航地图和道路汽车数量进行整合分析,规划出最优交通线路,提高道路利用率,减少堵车情况,节约交通出行时间。 (六)安防领域人工智能应用 安防领域涉及到的范围较广,小到关系个人、家庭,大到跟社区、城市、国家安全息息相关。目前智能安防类产品主要有四类:人体分析、车辆分析、行为分析、图像分析;在安防领域的应用主要通过图像识别、大数据及视频结构化等技术进行作用的;从行业角度来看,主要在公安、交通、楼宇、金融、工业、民用等领域应用较广。 (七)医疗领域人工智能应用 当下人工智能在医疗领域应用广泛,从最开始的药物研发到操刀做手术,利用人工智能都可以做到。眼下,医疗领域人工智能初创公司按领域可划分为八个主要方向,包括医学影像与诊断、医学研究、医疗风险分析、药物挖掘、虚拟护士助理、健康管理监控、精神健康以及营养学。其中,协助诊断及预测患者的疾病已经逐渐成为人工智能技术在医疗领域的主流应用方向。 (八)教育领域人工智能应用 通过图像识别,可以进行机器批改试卷、识题答题等;通过语音识别可以纠正、改进发音;而人机交互可以进行在线答疑解惑等。AI 和教育的结合一定程度上可以改善教育行业师资分布不均衡、费用高昂等问题,从工具层面给师生提供更有效率的学习方式,但还不能对教育内容产生较多实质性的影响。 (九)物流领域人工智能应用 物流行业通过利用智能搜索、 推理规划、计算机视觉以及智能机器人等技术在运输、仓储、配送装卸等流程上已经进行了自动化改造,能够基本实现无人操作。比如利用大数据对商品进行智能配送规划,优化配置物流供给、需求匹配、物流资源等。 目前物流行业大部分人力分布在“最后一公里”的配送环节。 六、人工智能分类与未来趋势展望 从应用范围看,人工智能大体可分为专用人工智能(ANI)和通用人工智能(AGI)。专用人工智能,即在某一个特定领域应用的人工智能,比如只会下围棋的 AlphaGo,再比如苹果的虚拟语音助手 Siri;通用人工智能是指具备知识技能迁移能力,可以快速学习,充分利用已掌握的技能来解决新问题、达到甚至超过人类智慧的人工智能。 经过 60 多年的发展,人工智能在算法、算力(计算能力)和算料等“三算”方面取得了重要突破,在可以预见的未来,人工智能将会出现如下的发展趋势: 从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展,既是下一代人工智能发展的必然趋势,也是研究与应用领域的重大挑战。2016年 10 月,美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》,提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在 2017 年成立了通用人工智能实验室,众多感知、学习、推理、自然语言理解等方面的科学家参与其中。 从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中,提升人工智能系统的性能,使人工智能成为人类智能的自然延伸和拓展,通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中,人机混合智能都是重要的研发方向。 从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深 度学习,但是深度学习的局限是需要大量人工干预,比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等,非常费时费力。因此,科研人员开始关注减少人工干预的自主智能方法,提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始,通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面,2017 年谷歌提出的自动化学习系统(AutoML)试图通过自动创建机器学习系统降低人员成本。 人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科,研究范畴广泛而又异常复杂,其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破,脑与认知科学的发展开启了新时代,能够大规模、更精细解析智力的神经环路基础和机制,人工智能将进入生物启发的智能阶段,依赖于生物学、脑科学、生命科学和心理学等学科的发现,将机理变为可算的模型,同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2 小时前
    最后回复 周映雪 2 小时前
    1603 0
  • 中国农科院研发成功农药残留快速检测技术
    5分钟农药残留快速检测技术【中国农科院研发成功农药残留快速检测技术】中国农业科学院一个科研团队日前在农业污染物快速检测技术上获得新突破。科研人员研发成功一套快速检测系统,5分钟左右即可检出农产品中的多种农药残留。  据这项研究的牵头人、中国农科院农业质量标准与检测技术研究所教授王静介绍,这一技术集成了免疫检测、图像识别、人工智能、大数据和物联网技术,试纸条经微信小程序拍照后上传、后台对数据进行分析后,检测结果即可显示在手机上。  王静说,这一技术的特点是检测速度快、多种目标物能同时检测、智能化程度高、数据收集方便、系统兼容性好,适合政府相关部门对农产品质量进行快速筛查及生产者自查、消费者自检等。  科研人员已研制出吡虫啉、啶虫脒、毒死蜱等农药的快速检测试纸条,研制出可用于图像识别的多通道试纸条搭载平台。标准化试纸条和配套的多通道搭载平台设计已获国家专利授权。  科研人员还开发了一套人工智能图像识别算法系统,可同时进行图像识别、截取、纠偏、分析和结果判定。这套系统能兼容所有胶体金试纸条的定性和半定量判读,除农药残留检测外,还可广泛应用于兽药残留、真菌毒素、违禁添加物、环境污染物检测,以及过敏原检测、病毒和疾病靶标筛查诊断等方面。  此前,王静率领的科研团队进行的一项研究“农产品中典型化学污染物精准识别与检测关键技术”,因在核心识别材料创制、免疫检测增敏等技术上取得突破,获得了2019年度国家技术发明奖二等奖。 声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益,请作者持权属证明与本网联系,我们将及时更正、删除,谢谢。 原文章作者:光明网,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于昨天 21:20
    最后回复 觐橄件 昨天 21:20
    2611 0
  • 被囚禁的姐姐和跻身名媛的妹妹:华为两位公主的镜面人生
    http://i1.go2yd.com/image.php?url=0R11orMujS 来源:王耳朵来源 9月25号,距离孟晚舟被无理拘押,已经过去了664天。 还是没有任何消息。 倒是最新一期《芭莎珠宝》杂志,妹妹姚安娜的封面照片,在网络上刮起一阵旋风。 http://i1.go2yd.com/image.php?url=0R11orGibe 姚安娜用回原名姚思为 姐姐镣铐未除,妹妹跻身名媛。 这对年龄相差了26岁的姐妹,经历的是截然相反的人生。 01 1972年,孟晚舟出生。 那时候,任正非还是个上门女婿,拿的是穷小子和富家女的剧本。 那时候,距离他拿着东拼西凑来的21000块钱,于棚屋中创立华为,还有15年。 http://i1.go2yd.com/image.php?url=0R11orMSzs 任正非和前妻孟军 每想至此,任正非都会自嘲: “孟军就好像是天上的白天鹅,而我是地上的癞蛤蟆。 那时候的我根本什么都没有,除了学习好外并无一技之长,甚至就连家境也只是一般般,而家境好,长相好的她怎么就看上我这个穷小子了呢?” 在部队期间的任正非,常年不能回家,孟晚舟算是留守儿童,还是在偏远的贵州山区里。 在一篇名为《风筝》的文章里,她回忆起小时候的家庭环境。 “父母响应党的号召,在深圳艰苦工作,他们住在漏雨的环境里。外面下大雨,里面下小雨,四面透风的屋子,隔壁邻居说话都能听见。” 这个破旧的屋子,安置着孟晚舟童年的所有回忆,逼出了一个少女的奋发向上。 因为任正非在部队,她和弟弟作为随军家属被迫四处奔波,成绩不是特别理想,孟晚舟想要努力学习,却总被客观因素束缚。 她对父亲直言:“爸爸,如果我考不上大学,您就要对我的未来负责!” 一句惊醒梦中人。 1982年,任正非毅然决然离开部队,把目光放在了广州和深圳。 两年后,12岁的孟晚舟才和弟弟任平一起,被转业到深圳南油集团的父母接到身边。 可造化弄人,初入商场的任正非被贸易公司骗走200万。 刚有机会接触新视野的孟晚舟,又被送到贵州山区的爷爷奶奶家去读初中。 任正非曾说: “我回家的时候,他们白天上学,晚上做作业,然后睡觉,第二天一早又上学去了。其实我们没有什么沟通,没有建立起什么感情。” 小女孩吭哧吭哧地攒劲,慢慢地培育着自己的羽翼。 只不过在当时,谁也没有把她,和如今的“巾帼英雄”联系在一起。 02 1993年,21岁的孟晚舟从深圳大学毕业,进入了华为。 只因为任正非的一句“识人是社会的必修课,你来公司上班吧。” 上班要做的事情,是打杂。 这个从小和父亲疏离的女孩,加上“打杂”开始的起点,让接下来的故事听起来更像是一部灰姑娘的奋斗史。 孟晚舟做前台接待员、接线员、协助销售、打字、制作产品目录、安排展览会务……磨练着父亲口中的“识人”和“耐力”。 但那时候的华为,公司不过2、300人,鲜有人知。 某次,孟晚舟提溜着几大袋资料去北京参加通讯展,司机看到袋子上印着的华为LOGO,还误以为华为就是做纸袋子的公司。 等到华为招兵买马,准备叱咤海外市场厮杀出一条血路时,孟晚舟还在基层做“灰姑娘”。 拿到华中理工大学财务专业硕士学位后,她从行政转到了财务—— 整理乱七八糟的单据,把所有的凭证和附件按照流水号前后排好,装订在一起,再贴上牛皮纸的封面和封底。 2011年,在华为财务冲锋陷阵了13年的孟晚舟,在原CFO(首席财务官)梁华卸任后,从幕后走到台前,出任常务董事,及新的CFO。 女孩蛰伏了十八年的翅膀,终于有机会舒展开来。 她建立了全球统一的华为财务组织; 她主导在全球建立了五个共享中心,并推动华为全球集中支付中心在深圳落成; 她负责实施了与IBM合作的、长达八年的华为IFS(集成财经服务)变革…… 有人问任正非,华为成功的核心点是什么? 他毫不犹豫地回答:财务体系和人力资源体系。 曾经公司里最薄弱的环节由自己的女儿一手加强并壮大,这是孟晚舟从父亲那里得到的,第一次认可。 2011年,日本福岛9.0级地震引发的核泄露事故,其他公司都在撤退、逃离,只有华为在危险还未消除的情况下,毅然进入灾区,抓紧抢修被地震损坏的通信设备。 震后第三天,香港到日本的整个航班只有两个人,其中一个就是孟晚舟。 2013年,任正非曾在一次持股员工代表大会上公开表示,家人永远也不会进入接班人序列。 除了视野、品格、意志这些要求外,还要具备“对价值评价的高瞻远瞩,和驾驭商业生态环境的能力”。 这些能力,我的家人都不具备。 可5年后的春天,这个“永远”就被打破了。 2018年3月23日,任正非卸任华为副董事长,继任者,便是长女孟晚舟。 http://i1.go2yd.com/image.php?url=0R11orX500 父女俩为数不多的合影 从1993年进入华为,孟晚舟用二十五年的时间,从烈火淬炼中浴火成凤,终能和父亲比肩。 可继任后的第253天,就被迫卷入那桩被设计好的陷阱。 至今被囚。 03 1998年,姚安娜(Annabel Yao)出生。 彼时的任正非,已经54岁了。 而那时的华为,也已是年销售额89亿的电信巨头。 任正非老来得女,对小女儿格外宠爱。相比姐姐身上承载的艰难使命,妹妹的人生道路,显得十分顺遂。 http://i1.go2yd.com/image.php?url=0R11oroQvY 小时候的姚安娜 与孟晚舟的留守童年相反,姚安娜八个月大时,就随着父母来到华为总部的所在地——深圳,一起生活。 含着金汤勺出生的华为小公主,享受着最好的教育。 小学,远赴英国牛津学院接受教育。初高中回国,就读上海国际部中学,成绩一直稳定位居年级前十。 5岁,就开始学习钢琴、书法、音乐和国画。其中她最爱的,是芭蕾。 http://i1.go2yd.com/image.php?url=0R11or6FR2 “芭蕾也让我看清楚,那个内心深处永远不肯低头的自己。” 对姚安娜来说,芭蕾就是教会她吃苦的艺术。 中学时,姚安娜就开始修读美国大学的先修课程,包括写作、心理、物理、经济和微积分等八门课程。 每年12月,演出与月考同期,时间完全不够用。 姚安娜不仅要保证每个星期15个小时的练舞时间,还要在跳完舞后写作业,晚上一点多才能休息。 这些跳舞与学习的冲突,帮助她很早就开始针对性地规划时间。 “周一到周五,上午到下午都在上课。下课后,回宿舍完成功课和各类作业。晚上,如果没有芭蕾舞训练,就去健身房,夜里回宿舍再继续学习。每天只能睡到4、5个小时。” http://i1.go2yd.com/image.php?url=0R11orFijK 2013年,15岁的姚安娜进入上海金宝龙芭蕾舞工作室,接受了准职业训练。参与《舞姬》、《睡美人》等多部经典芭蕾舞剧,担任过《天鹅湖》的主演。 http://i1.go2yd.com/image.php?url=0R11ory97M http://i1.go2yd.com/image.php?url=0R11orrkrf 她是国际最具权威性的芭蕾舞考级,英皇芭蕾RAD最高级别获得者,还是哈佛芭蕾舞团董事会成员。 左三:姚安娜 据说,华为这张著名的“芭蕾脚”宣传广告,创意便来自于姚安娜。 http://i1.go2yd.com/image.php?url=0R11orJiA5 http://i1.go2yd.com/image.php?url=0R11or9f1l 《巴黎赛报》评论姚安娜,尽管父亲拥有傲人财富,却完全不是个出生于精英家庭却过着荒唐生活,为连续剧提供素材的“绯闻女孩”。 她说: “我想向世人证明,虽然出生于一个优越的家庭,但要达到一个良好的水平,仍需要很多的努力。 此外,我不是为了完美而完美。我的目标是让世界变成一个更美好的地方。” 这个生在罗马的小公主,却比普通人更懂得自律和拼命。 她在自己的赛道里,永远不甘于停滞脚步。 04 2015年,姚安娜17岁。 她以ACT(美国大学入学考试)满分的成绩,提前被哈佛大学本科录取。当年,哈佛一共就在中国录取了4位学生。 进入大学后,专业选择是关键,父亲任正非的一番话在姚安娜心里扎了根。 “我们国家每年要支付的专利权费接近天文数字,核心技术受制于他人,任何时候人们都会被困住,关键是缺少大量的高科技人才。” 在兴趣和志向面前,姚安娜选择了后者,攻读电脑工程与统计数据专业,和华为电信业务对口。 除参加学校内的各种社团,她还担任了哈佛中日论坛市场兼财务总监。 并且利用暑假,主动申请去微软的AI人工智能团队实习,主研机器学习和图像识别。 http://i1.go2yd.com/image.php?url=0R11orji44 她还参与到了“婴儿发展实验室”的实习项目。 2017年,又在非侵入式脑机接口技术公司BrainCo(脑强科技)实习了10个月,担任软件与算法助理,并利用闲暇时间帮助截肢患者寻找合适的手臂。 她参加过的一个假肢项目,后来被《时代》杂志称为“2019年度最佳发明”。 2018年11月24号,姚安娜第一次以“华为小公主”的身份曝光在世人面前。 巴黎名媛舞会(Le Bal)在巴黎香格里拉酒店举行,20岁的姚安娜应邀出席。 http://i1.go2yd.com/image.php?url=0R11orxwx1 这个被福布斯评为世界上最奢华的晚会,每年只有20个受邀名额。 不仅考察受邀者自身的素质,还得仔细衡量其背后的家族资历、社会声誉。 http://i1.go2yd.com/image.php?url=0R11or4qoU http://i1.go2yd.com/image.php?url=0R11orpmeK 和比利时王子共舞 特朗普的女儿蒂芙尼和伊万卡,就因为父亲的声誉失去舞会入场资格;希尔顿的女儿帕金斯也因风评不够好,从未进入舞会候选人名单。 这是世界上唯一一场,无法用金钱买到入场券的社交舞会。 为了支持女儿,一贯低调作风拒绝娱乐记者拍照的任正非,答应了《巴黎竞赛画报》拍摄全家福的要求。 http://i1.go2yd.com/image.php?url=0R11orLzWu http://i1.go2yd.com/image.php?url=0R11orFNLd 难得的是,他还大方让记者在自己的深圳大宅里拍摄了这组照片。 http://i1.go2yd.com/image.php?url=0R11orGTut 姚安娜和妈妈 记者受宠若惊,用长达六版的超大幅面对姚安娜的教育背景和家庭经历做了详细报道,还特意强调,姚安娜参加舞会是经过父亲任正非同意的。 然而就在一个星期之后,姐姐孟晚舟在加拿大转机时被捕。 在今年,加拿大政府宣布孟晚舟将要迎来关键判决的当天,姚安娜以为会迎来好消息,便在ins上分享了自己穿着红色齐胸襦裙的照片,配上祝福的文字,为姐姐祈祷好运。 http://i1.go2yd.com/image.php?url=0R11oruRJC 然而,好消息并未如期而至。 姐妹俩见面的时间,依旧被迫拉远。 05 对比两位华为公主截然不同的人生,不难发现: 孟晚舟,是任正非用心打磨出来的一名虎将。 苦其心志,劳其筋骨,终于增益其所不能,独挡千军万马。 姚安娜,是任正非呵护在庄园里的稀世名花。 岁月静好,语笑嫣然,在自律自省中超凡,肩负公关重担。 美国作家霍丁·卡特曾说:希望给孩子们两份遗产,一份是根,一份是翅膀。 根决定了一个人的品格、本性和强大的内心,关乎磨难和考验来临之时,能否笑脸相迎地扛过去。 翅膀则是一个人的个性、能力和蓄势的能量,关乎日后独立行走于世时,能否坦荡,且游刃有余。 任正非曾说,这辈子最对不起的是孩子。 但两位华为公主身上,已然具备了从父辈身上延续下来的大气、隐忍、坚韧、拼搏和坚守自我。 相信她们在未来的人生里,也会和华为一样,不论处于什么样的境地,都不会失去向前的心。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于昨天 20:42
    最后回复 晖迢浪 昨天 20:42
    3754 0
  • 环境和灾害监测遥感解译中遥感图像目标地物识别特征有哪些?
    遥感图像包含的信息量远比文字描述更为丰富、直观和完整。目视解译需要解决的问题是有哪些地物、分布在哪、数量如何等。按照地物表现形式,可粗略地分为“色、形、位”三大类。 色:指目标地物在影像上的颜色,包括色调、颜色和阴影等。 形:指目标地物在影像上的形状,包括形状、纹理、大小、图形等。 位:指目标地物在影像上的空间位置,包括空间位置、相关布局等。 色调:全色遥感图像中从白到黑的密度比例叫色调(也叫灰度),目标地物与背景之间必须存在能被人的视觉所分辨出的色调差异,才能被区分。 颜色:彩色遥感图像中目标地物识别的基本标志。颜色是地物在不同波段中反射或发射电磁辐射能量差异的综合反映。分假彩色和真彩色。 阴影:是图像上光束被地物遮挡而产生的地物的影子。侧视雷达由目标阻挡雷达波束穿透而产生,热红外由温度差异而形成。 形状:指目标地物在遥感图像上呈现的外部轮廓。由于同一地物在图像上可能呈现不同的形状,因此利用此要素必须考虑图像的成像方式。 纹理:指遥感图像中目标地物内部色调有规则变化造成的影像结构。纹理还指微波影像上周期性或随机性的色调变化,包括微细、中等和大纹理。 大小:指遥感图像上目标地物的形状、面积与体积的度量。需要依据图像的比例尺来判定。 位置:指遥感图像上目标地物的分布的地点,比如由纬度推断目标的气候带。 图型:指目标地物有规律地排列而成的图形结构。如城市住宅群等。 相关布局:指目标地物有规律地排列而成的图形结构。如城市住宅群等。 原文章作者:善图科技,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于昨天 04:56
    最后回复 贾雅爱 昨天 04:56
    2481 0
  • 人脸识别系统解决方案有什么好处?
    作为人工智能最早落地的领域之一,从图像识别、车牌识别、人脸识别,人工智能技术在安防领域的快速推进,加速了安防各大技术的迭代。 近几年,随着人脸识别技术的快速发展和应用,人脸通行方案快速在市面上推动和落地,因智能、快捷、安全等方式广受青睐。 以往的传统通行方案通常采用刷卡、指纹、二维码等方式进行出入口管理,实现人员通行,如今随着新兴的人脸识别技术搭载,通行方式起到了天翻地覆的改变。 这两年,依托于人脸识别技术的兴起,人脸快速通行方案在市场上迅速推行。以往的人行通道解决方案一般采用刷卡、二维码、指纹等进出等传统方式来实现人员管理。如今,随着人脸识别技术的不断成熟,人员通行也有了前所未有的改变。 场景应用: 刷脸开闸:用户站在人脸识别仪面前,轻松通过刷脸验证,就能实现自动开门通行。 刷脸开门:“滴,人脸通过!”用户只需站在人脸识别仪面前,就能实现自动开门通行。 刷脸乘梯:用户站在轿厢内或外,对准人脸识别仪,通过后将会自动打开电梯门,并自动点亮登记楼层。 动态人脸,轿厢外自动识别:动态人脸摄像头安装在等候厅,当用户侯悌时,可通过摄像头自动抓拍,自动呼叫电梯,自动点亮登记楼层,全程无需任何操作。 云对讲:当访客通过对讲呼叫,手机视频通话,业主只需要判断来访者,就能实现远程开门。 方案优势: 多系统联动:一处授权,多处联动,电梯控制系统、通道闸、门禁系统等多系统联动,实现全程无感通行。 设备直联:在原有设备上直接联动,无需对接第三方设备,节省成本,增加效率。 设备齐全:覆盖对讲系统,人脸系统等,产品线齐全 云端集成:全面开放在线API,离线SDK,私有化部署等服务,能够适配多场景应用。 算法领先:基于主流厂商(商汤、旷世、依图、百度等)专业的深度学习算法和海量数据训练 多种接口:线下平台、协议对接、云平台 以上方案为旺龙人脸识别系统解决方案,采用国内顶尖人脸识别算法,支持人脸活体检测功能,可根据实际需求进行离线和在线识别切换,不仅仅可以刷脸开门通行,还可以刷脸乘梯;业主可以自主注册人脸,更可以远程给访客授权人脸临时使用,无需物业操作,极大的提升了小区住户的使用体验。 原文章作者:旺龙智能科技,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于前天 14:53
    最后回复 值蓊 前天 14:53
    2413 0
  • 马斯克:特斯拉已经非常接近L5自动驾驶了,下一步则是原创设计与工程开发!
    在2020世界人工智能大会(WAIC)开幕式上,特斯拉CEO埃隆·马斯克(Elon Musk,以下称马斯克)以远程视频方式发表主题演讲。 马斯克表示,特斯拉在中国,要做的是进行很多原创性的设计和工程开发,并不是简单的将美国的东西直接照搬到中国。 对于未来实现L5级别自动驾驶或是完全自动驾驶,马斯克非常有信心。他表示,“在特斯拉,我觉得我们已经非常接近L5级别自动驾驶了,有信心我们将在今年完成开发L5级别的基本功能。” 马斯克说:“特斯拉面临的挑战就是要解决所有这些问题,然后整合系统,持续解决长尾问题。”“你会发现可以处理大多数场景的情况,但是又会不时地出现一些奇怪、不寻常的场景,你必须有一个系统来找出并解决这些奇怪、不寻常的场景。这就是为什么你需要现实世界的场景,没有什么比现实世界更复杂了。我们创建的任何模拟都是现实世界复杂性的子集,因此我们非常专注于处理L5级别自动驾驶的细节问题。”他说道:“我相信这些问题完全可基于特斯拉车辆目前搭载的硬件版本来解决,我们只需改进软件,就可以实现L5级别自动驾驶。” 对于人工智能的发展,马斯克提到,在感知层面,以识别物体为例,目前的技术取得了巨大进展,即便是在专业领域,当今的高级图像识别系统也比人类都要好。问题的实质在于需要多强的计算能力,多少计算机和多长计算时间来训练感知能力,图像识别训练系统的效率如何。就图像识别或声音识别而言,对于给定的字节流,人工智能系统能否准确识别处理,答案是非常好。 马斯克认为,认知是目前最薄弱的环节。很多AI都很有创造性,但是不代表就能管理其行动。在行动方面,马斯克认为机器能够很好地执行。“这就有点像游戏,在任何有规则的游戏中,AI都是超越人类的。” 在演讲中,马斯克还谈到特斯拉上海工厂是否会使用人工智能技术。他表示,预计未来特斯拉上海工厂中会运用更多的人工智能和更智能化的软件,同时,他认为在工厂真正有效地使用人工智能还需要花费一些时间。 在芯片问题上,马斯克认为,传统芯片的缺陷在于低集成、高功耗。因此,特斯拉开发了专用的自动驾驶芯片,具有8位元和加速器,用于点积运算。“如果自动驾驶用传统芯片,需要耗费数百瓦的功率,整个汽车后备箱会被计算机冷却系统占据。” 以下是马斯克接受在线采访全文: 很高兴能够再次来到这里,我希望今后可以亲自来。特斯拉自动驾驶在中国做得非常好,我们正在中国建立相关工程团队,如果你想在特斯拉做工程师可以加入我们。 我想强调我们会做很多原创性在中国的工程开发,不仅仅是简单把美国东西搬到中国,我们会做原创设计和工程工作,所以可以考虑在特斯拉中国工作。 问:您对于 L5 级别自动驾驶的实现有多大信心?您认为这一天什么时候会到来? 我对于未来L5级别的自动驾驶非常有信心,我认为很快就会实现。在特斯拉,我们已经非常接近L5级别自动驾驶了,我有信心在今年完成L5级别自动驾驶的基本功能。 我认为实现L5,目前不存在底层根本的挑战,但是有很多细节的问题。我们面临挑战是要解决所有这些小问题,然后整合系统持续解决长尾问题,可以树立大多数场景的情况,但是又会不时出现一些奇怪的情况,必须有一个系统来解决训练,解决这些奇怪的场景。所以也是需要有现实场景,没有什么比现实更复杂,任何模拟都是现实世界复杂性的子集。 我们目前非常专注于应对L5自动驾驶的细节,我们非常相信这是可以做到的,我们可以利用特斯拉现在的硬件,我们只需要改进软件,我们可以实现L5级别自动驾驶。 问:您觉得人工智能和机器人技术的三大支柱:感知、认知和行为,目前在各自领域的进展如何? 我不确定人工智能技术是否可以这样分类,如果我们用这个分类标准的话,在感知层面以识别物体为例,目前技术实现了巨大进展。事实上可以这样说,在专业图像识别领域,人工智能几乎比任何人类都做得好,甚至比专家做得好。问题实质在于需要多强的计算力、多少实践来训练计算机,还有图像训练系统效率如何等…… 我们如何看待人工智能算法的发展呢?我不确定这是不是最好的理解方式。神经网络主要是从现实中获取大量信息,很多来自无光源方面并创建矢量空间,本质上是将大量光子压缩为矢量空间。人类是否能够进入大脑中的矢量空间呢?我们通常以类比的方式将此视为理所当然,我认为你可以进入大脑的矢量空间,理解大脑如何处理所有外部信息。事实上,它在做的是基于尽可能少的信息,获取并过滤大量信息,只保留相关部分。人们如何在大脑中创建一个矢量空间呢?它的信息仅占原始数据很小的一部分,却可以根据这个矢量空间的表达做决策,这就类似一个大规模压缩和解压缩的过程,有点像物理学。因为物理学公式本质是对现实的压缩算法,这就是物理学的作用。 简而言之,我们人类就是物理学作用的证据,如果对宇宙做一个真正物理学意义上的模拟,大量的计算如果有充足时间,最终产生绝知,人类将是最佳证明。如果你相信物理学和宇宙演化史,很长一段时间会出现氢元素,出现氦与锂元素,其中一些重元素学去表达。 我们人类本质上是氢元素进化而来,如果将氢元素放一段时间它就会慢慢变成我们,我觉得大家可能不太赞成这一点,所以有人会问我我们知觉作用从哪里来,整个宇宙是特殊的绝知或者是是否存在特殊性,又或者氢元素转变人类过程中何时产生知觉。 说到图像识别或者声音识别,任何信号对于任何给定的字节流,人工智能系统是否能够准确识别呢?认知,这可能是人工智能最薄弱的领域。人工智能是不是能理解概念?是不是能够有效的推理?是不是能够进行创造?现在有很多非常先进的、有创意的 AI,但是没有办法很好地控制他们创造活动,会觉得好像做得不太好。不过未来它会表现得好一点,我们可以把它想象成游戏,在任何有着明确规则的游戏当中,AI 会比人好很多。只要有明确的游戏规则,在任何游戏当中,人工智能肯定都会玩得比人类要好。 问:Autopilot自动辅助和驾驶在哪方面推动了AI算法和芯片的发展?它又如何改变了我们对AI技术的理解? 在为自动驾驶开发人工智能芯片时,我们发现市场上没有成本合理,而且低功耗的系统。如果我们使用传统TPU、CPU或者其他相似的产品,将耗费数百瓦的功率,后备箱会被计算机GPU巨大的冷却系统占据,如此以来,最终导致成本高昂、体积大、能耗高。 要知道,能耗对于电动汽车的里程非常重要,为此我们开发了特斯拉的专用人工智能芯片,该芯片搭载双系统完全自动驾驶电脑,该芯片具有8位元和加速器,主要用于点积计算。人工智能包含很多点积运算。事实上,几个月前我们才启动芯片第二套系统,所以我认为,充分利用特斯拉完全自动驾驶系统,可能还需要至少一年的时间。 我们还开发了特斯拉 Dojo 训练系统,旨在能够快速处理大量视频数据,以改善对人工智能系统的训练。Dojo 训练系统就像一个 FP16 训练系统,主要受芯片的发热量和通讯速率的限制,所以我们也正在开发新的总线和散热冷却系统,用于开发高效的计算机,从而能更有效处理视频数据。 问:特斯拉上海工厂的进展以及会用到哪些人工智能技术? 特斯拉上海工厂进展非常顺利,我为特斯拉团队感到无比自豪和骄傲,我也期待尽快访问上海超级工厂。我不知道如何表达,真的非常感谢特斯拉中国团队所付出的努力,预计未来,我们的工厂中会运用更多人工智能和人工智能化软件,但我认为,工厂真正有效地使用人工智能还需要花费一段时间,我们可以将工厂看作一个复杂的结合体,实际上所有公司都是如此。 谢谢线上采访我,我希望明年有机会亲自参加。我很喜欢到中国,中国总是给我惊喜,中国有很多既聪明又勤奋的人,中国充满了正能量。 我对未来满怀期待,我会让未来成为现实,我期待着回来! 不知大家对此怎么看?欢迎大家留言评论!感谢大家的阅读! 原文章作者:90后创作者,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于前天 05:53
    最后回复 叽善廷 前天 05:53
    2112 0
  • 以AI物品识别技术为核心,品览AI论技线下活动成功举办
    18日,首届「AI论技」线下MeetUp成功在微软人工智能与物联网实验室举办,本次活动以“AI物品识别如何赋能企业降本增效”为主题,以探讨AI行业技术及应用为目标,吸引了众多AI行业人员共聚一堂。 【AI论技】系列文章&直播,是品览为了回馈AI开发者们打造的一系列免费AI线上课内容,自2020年上线以来,在B站和技术社区收获好评如潮,吸引了一大波码友们的追随,本次线下Meet Up,意在能够与一直以来支持品览的的码友们相见会面,探知论技! 活动开场,品览联合创始人&COO李剑回顾了2020年【AI论技】系列内容的现状,并就人工智能技术的本质发表观点:AI=机器展现的类人智能,国内目前在AI技术落地应用方面更加多样性和完善,这离不开近年来新基建政策的支持,以及国内智能化设备的普及,给AI技术的应用提供了独具优势的应用环境。 在主论坛环节,微软AI平台首席产品总监唐猛,向开发者们展示了微软Azure如何帮助企业加速AI落地,作为一个占据85%世界100强企业用户的云平台,Azure以云技术为核心,提供了软件+服务的计算方法。目前的Azure ML已经是第三代产品,一步步的迭代更新,目前的Azure普适性更强,不仅限于AI人才使用,大大降低传统企业智能化转型的门槛。同时兼顾模型训练和部署,提供一套从数据到模型落地的流程。 同时,据微软人工智能与物联网实验室总经理祝焕婧介绍,实验室落地张江一年多以来,仅今年针对开发者们已经举办60余场技术交流活动,目前已经入驻了三期共90家企业,包含金融、零售、大健康、物联网等各个行业,以AI和IoT为立足点,目前第四期企业正在招募中。 下半场的技术研讨环节里,由品览算法工程师赐杰主讲,为开发者们带来题为《深度学习助力零售行业崛起》的分享,零售行业新赛道已经演变为货架战争,占领货架者得天下,因此,快速准确地获取一手货架真实数据就变得尤为关键。面对海量的线下门店及货架,依赖传统人工巡检已经逐渐劣势渐显:零售门店数量多,地理位置分散,陈列场景复杂多变,人工抽查效率低下… 而AI图像识别技术,能够从根本上解决这个痛点,以门店摄像头代替人工巡检,以AI自动审核图片代替人工核查,在保证97%的准确度上,大幅提高审核效率。 作为开发者,在AI图像识别技术的落地应用过程中,首先需要进行图像分类与目标检测,目前主流的方法是通过卷积神经网络,自动提取图像特征,再通过YOLO作为目标检测模型,对图片进行识别。在品览服务客户过程中,也积累了丰富的数据处理经验,因此不仅可以识别常规货架的商品,端架异形陈列、冰柜陈列同样可以识别,针对同一品类外观相似度极高的商品,我们采用细粒度商品识别的方法来做识别;甚至针对翻拍的作弊照片,也可以进行判断。 最后,再次感谢微软中国、微软人工智能与物联网实验室、和张江孵化器对品览的大力支持。品览Pinlan是AI物品识别专家,微软金牌合作伙伴,我们的产品结合了AI的认知识别能力,Cloud的强劲算力,IoT的边缘支持。我们的使命是让物品识别能力无处不在,赋能星球上的每一个企业与个体。在AI应用领域,品览服务过欣和集团、上汽集团、顶新集团(味全)、万科集团(万翼科技)、海天集团、Farfetch、自如、喜士多、河南中烟等客户。我们同全球顶级合作伙伴微软,企业微信,百度AI大脑等一起为企业客户提供AI巡店通,AI亿览通,小览机器人等AI商品识别平台产品服务。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于前天 02:16
    最后回复 吱绳 前天 02:16
    5068 0
  • 行业AI落地攻坚战,华为云如何以知识计算破局?
    AI落地真的很难吗? 一方面,除了语音/语义识别、图像识别等有限的几个场景,AI或许并没有兑现当初描绘的美好愿景。以技术公司为主体落地AI,打造的是AI产业,而AI并不像工业、制造业等适合独立存在,这也就导致了AI落地的困境。另一方面,AI落地或许没有想象的那么困难,少了些技术理想主义不切实际的虚幻,以产业公司为主体落地AI,打造的是产业AI,先行者收获颇丰,后来者循着脚印也逐步将AI落到实处。AI落地的困难与否,在于是否找对了主体和思路。近两三年来,AI落地比以往要踏实地多,行业已经达成一致认知,在尊重行业知识的基础上,找寻与AI结合的方法,摸索实操手段,AI才能深入到千行百业。9月24日,华为全联接2020的第二天,华为云人工智能领域总裁贾永利表示,知识计算是实现行业知识与AI结合的一条全新且高效的路径。 华为云人工智能领域总裁贾永利现场发表演讲知识、计算与AI,这是一条通往何处的路径? AI落地为什么需要知识计算?AI落地是一场持久战,技术创新日益活跃,产业规模不断拓展,是人工智能繁荣的外在,要实现源源不断的正向循环推动力,人工智能必须与行业应用深度融合,各领域+人工智能的新技术新模式是AI坚实的未来。举个例子,通用的AI基础能力如语音识别,在进入行业生产系统的过程中并不是开箱即用,实际业务复杂度和未知性要大大超过实验水平,因地制宜、按需改造才能实现AI落地。在看待AI落地的视角上,华为云一开始就与众不同。2018年,华为云提出AI落地的三种典型场景:海量重复场景、专家经验场景、多域协同场景。2019年,华为云提出跨越行业AI商用裂谷的四个关键要素:明确定义商业场景、触手可及的充沛算力、持续进化的AI服务、组织与人才的适配。2020年,华为云提出,AI如果要创造价值必须要进入企业的核心业务系统。三年都是在HUAWEI CONNECT场合,可以看出,华为云对行业AI落地的思考一脉相承,首先判断AI落地要围绕数据与价值驱动的确定性场景展开,随之华为云通过大量项目实践发现,行业不缺数据但是缺少充足的AI算力、AI落地过程中需要持续迭代和演进、落地过程涉及组织和人才的匹配,因此进一步提出了关键要素,继而在AI深入企业核心业务系统的过程中。华为云关注到行业知识如何与AI结合,成为当前最大的掣肘。具体来看,如何让行业专家和AI专家,双方能够相互听得懂,围绕一个共同的目标相互促进,这是行业专家如何与AI专家合作的难点。不同行业都有自己数十年甚至上百年的专业积累,形成了大量成熟的物理、化学、生物等知识表达的机理模型,这些模型和数据驱动的AI模型如何有效结合,这是行业机理与AI模型的结合难点。行业自身多年积累的应用系统、控制系统,和AI系统的关系重塑,行业应用平滑有序的升级成智慧系统,这是行业应用与AI系统的结合难点。不随大流,华为云开始深入各类工厂车间实验室,当行业开始认知到行业知识与技术本身缺一不可时,华为云已经初步探索出行业经验与AI结合的可行方法——知识计算。AI落地要再攀新高地,传统方式不足以发挥知识最大效用,运用AI的思维解决知识使用的问题,放大知识本身的价值,这也是华为云带来行业知识方法论与技术应用的变革启示。 企业如何”知之“?华为云在其实践的600多个AI项目后察觉,超过30%的项目AI都进入了核心生产系统,经过测算,一旦进入核心生产系统,平均会带来18%以上盈利和效率的提升,这对企业来说无疑是一个有吸引力的数字。企业知道自己的行业知识,但是不知道如何应用人工智能,人工智能企业则反之,只有两者结合将知识、计算与AI融会贯通,才能打造企业自己的智能。AI介入到行业之前,行业知识本身也存在瓶颈,企业无法考虑到现实情况下所有的场景,行业经验往往意味着简化和模糊操作,难以实现流程控制或者质量控制极佳的状态,这就是为什么当控制精准度达到了一定水平以后,哪怕再提升一个百分点都要投入非常大的人力、物力,甚至产出还比不上投入。知识计算恰恰可以一定程度上帮助解决这个问题,通过AI系统和理论帮助企业改进原来传统的控制方法,AI的参与实现了精准化调优,再加上行业知识和算法能力,就可以达到更好的控制精度,更优的成本配置,更优的策略,知识计算的价值得到最大化发挥。在由“不知”向“知之”的过程中,华为云为企业提供了模块化、全生命周期知识计算解决方案,覆盖从知识获取到知识应用在企业的生产环节中的全生命周期。 知识计算帮助AI落入现实烟台华新不锈钢有限公司(以下简称“华新不锈钢”)主营不锈钢、合金钢生产,合金钢生产过程中,合金配件是关键环节。传统的合金配料是由人工完成,配料过程主要依赖于专家经验,配比结果会出现较大波动。同时,由于原料价格随市场波动,不同批次成分含量不同,为人工配料增加了难度,往往需要重复多次调整配比。华新不锈钢与华为云合作后,将合金配料的元素守恒机理模型、专家经验等隐性知识注入到AI中,与AI深度融合;基于多模态的数据感知驱动,构建成分软测量AI模型,赋能合金配料工程师进行优化决策,找到符合钢水质量的最优合金配料比例,同时降低合金成本。华新不锈钢基于AI辅助可实现10秒内完成最优合金配比计算,降低合金成本;并可精准预测终点钢水成分,预测准确率达到95%以上,生产中一次添加就能完成配料合成。平均每吨可降低成本100元,按20万吨的年产能计算,每年可为企业节省成本2000万元。在汽车行业,中国一汽应用华为云知识计算解决方案构建的一汽知识计算平台,基于业务场景,将知识便捷地、以数字化地方式呈现在眼前,快速提升员工能力。通过使用一汽知识计算平台,一汽红旗某4S店的一次性修复率提升了4%,客户维修等待时间下降了23%,厂家支持介入率下降了30%,维修技师的培养时间缩短了30%。类似的产业实践还有华为与中科院北京基因组所韩大力教授的合作,基于华为云知识计算解决方案,将DNA羟甲基数据和经过大量研究实验积累的基因知识图谱进行整合计算,更加准确地识别出血液中的关键生物标记物,将早期诊断的准确性提升了9个百分点,有助于对食道癌患者的早期发现。华为云还与交通管理部门合作,把知识计算解决方案应用于交通治理,综合运用各类专业知识,通过道路信息实时反馈、整合专家的经验,经过AI运算形成一套系统化的控制方案,将其用于城市路口和区域的通行优化,目前已在深圳300多个路口进行验证,未来有望更进一步实现道路、机场、地铁等立体化的交通治理。“通过华为云知识计算解决方案,企业可以打造自己的知识计算平台,推动AI进入核心业务系统,加速智能化升级;知识计算平台也将成为企业的核心平台,极大增强企业市场竞争力。”华为云人工智能领域总裁贾永利表示。 融合知识、计算与AI,华为云助力千行百业开启智能化征程。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于3 天前
    最后回复 祖饺 3 天前
    5267 0
  • 2020腾讯人工智能白皮书:疫情过后AI 医疗将走向何方?
    进入2020年,在全球抗疫的背景下人工智能迅速落地,与产业的结合日趋紧密。日前腾讯研究院发布的《2020腾讯人工智能白皮书》中从宏观环境、技术研究、智慧抗疫、创新经济、以及制度保障等方面对人工智能的发展现状进行了研究分析。 从宏观政策方面,人工智能如今已经成为“新基建”的一部分,经过技术积累、行业标准的不断成熟、与产业的融合等阶段,在新基建背景下,人工智能在新一轮产业变革中肩负了重要使命。在需求侧,长期经济转型的压力与抗疫需求双重牵引,从供给侧看,技术、算法、场景、人才不断充实,产业各生态层不断丰富成熟,产业参与者聚焦价值领域,走向去伪存真,在工业、医疗、城市等领域不断创新融合,验证价值。 今年新冠疫情的爆发给全球经济发展造成巨大冲击,同时也倒逼医疗、教育、办公等传统行业向线上转移,远程医疗、在线教育、在线办公等加速崛起。在疫情防控中,人工智能扮演着关键角色,从提升社区的人车管理、体温筛查、身份核验、到产业服务智能化转型助力复工复产等许多方面发挥了积极作用。具体到医疗领域,AI从医疗影像识别、基因测序、疫苗研发、智能检等多角度解决痛点。 据白皮书内容,在技术研究方面,过去十年用于人工智能的训练模型的计算资源激增,从2010年到2020年,人工智能的计算复杂度每年激增10倍,人工智能的训练成本相应下降。得益于芯片处理能力的提升,硬件价格下降也使得算力大幅提升。在这样的基础上,各项AI技术不断突破,清华大学数据显示,计算机视觉、语音技术及自然语言处理的市场规模占比分别为34.9%、24.8%和21%,成为中国市场规模最大的三个应用方向。 此次疫情中,数字技术得到了充分考验。我国医疗领域原本就面临医疗资源紧张且分布不均、人才短缺、基层医疗水平有待提高,以及人口老龄化加剧、慢病患者逐年增加,医疗需求进一步加大等问题。疫情爆发使得供需矛盾进一步放大。抗击疫情的工作从多个方面加速了人工智能在医疗行业的深度应用: 一、图像识别 传统方式下,医生读片诊断速度较慢,工作繁重也难免出现误诊漏诊,AI图像识别的应用有助于解决此类痛点,提高医生的效率,提升医院的诊疗水平,帮助患者更快地完成检查,获得更可靠的诊断结果。 第一,AI图像识别满足病灶识别与标注需求。AI医学影像产品可以对X线、CT、核磁共振等影像进行分割、特征提取、定量和对比分析,完成病灶自动识别与标注,发现肉眼无法发现的病灶,降低诊断结果的假阴性概率,并且,AI医学影像产品可以在几秒内处理十万张以上影像,将大大提高诊断效率。 第二,AI图像识别解决靶区自动勾画与自适应放疗需求。这一需求主要针对肿瘤放疗环节的影像处理,在这一环节,AI医学影像产品可以帮助放疗科医生对200 到450张CT片进行自动勾画,将时间缩短到30分钟一套,并且在患者放疗中不断识别病灶位置变化以达到自适应放疗,减少射线对病人的伤害。 第三,AI图像识别解决影像三维重建需求。AI可以基于灰度统计量的配准算法和基于特征点的配准算法, 解决断层图像配准问题,从而节约配准时间、提高效率。 二、新药研发 从骤然暴发到如今的常态化防控,再到专家们对于秋冬疫情的研判,面对新冠疫情仍不可掉以轻心,防控疫苗、特效药的研发、试验一直备受关注。但众所周知药物研发周期长,成功率低,但如今AI的介入能提供一些助力。 在药物发现阶段,AI通过自然语言处理技术(NLP),深度学习海量医学文献和处理海量相关数据,进而发现化合物与疾病之间的作用关系,找到靶点,从而缩短靶点的发现周期。 在化合物合成与筛选场景下,AI可以模拟小分子化合物的药物特性,从而可以在数周内完成最佳模拟化合物的挑选并进行合成试验,能够在快速过滤低质量化合物的同时富集有效分子。 从以上两个场景发力,新冠肺炎疫苗和特效药的研发或许能借助AI的优势,从中受益。 三、远程问诊 白皮书从两个方面进行了解析,并以腾讯的两款产品为例。 从医生角度,腾讯云打造了医疗行业语音识别模型,基于医疗行业语料及医疗专业词汇,让医生可以在多种场景下通过语音输入病历,减少病历录入的时间。NLP的关键技术包括分词、句法解析、信 息抽取、词性标注、指代消解、词义消歧等。 在在线问诊的过程中,当用户在线上问诊平台输入症状,AI系统将识别用户输入的文本,并完成分词、词性标注、句法 解析、信息抽取等一系列工作,最终在知识库中进行检索,把类似信息推给用户,完成精准的信息匹配。 在新冠期间,从患者角度,入院问诊存在交叉感染的风险,不可避免地造成恐慌情绪。腾讯医典在疫情期间提供免费在线义诊、AI辅助自査工具、以及权威新冠肺炎医学科普等功能,一定程度上缓解了疫情期间紧急问诊需求。 疫情过后,AI在医疗领域的应用会有什么变化? 不仅仅是疫情期间,在疫情之后远程问诊和在线科普的服务模式也可以为缓解医疗资源缺乏以及分布不均的现状带来助益。而通过半年来的抗疫工作的经验总结,国家也在不断强调公共卫生应急体系的建设和完善。5G、大数据、云计算、人工智能等数字技术如今在公共卫生领域成为高频词汇。疫情过后,医院的数字化转型、信息化建设、医疗服务的创新探索还将继续,同时,在疫情监测分析、 病毒溯源、防控救治、资源调配等方面,数字技术将发挥更大的作用。 除此之外,白皮书中还提到另外几个方面: 一是个人健康管理。人工智能在加强用户个人健康数据与医院健康数据的关联性上将发挥更大作用,构建个人健康管理平台,通过深度学习等技术对海量健康数据进行分析,实时动态监测用户健康状态,从而提供精准的健康监测方案,使得人人身边拥有虚拟医生。 二是AI在基层医院的应用。人工智能的应用将有效解决基层医院医护人员短缺,医疗水平不足的问题。未来人工智能在基层医院也将服务于早筛、诊断、临床等多个应用场景,助力缩小城乡医疗水平差异,提高中国整体医疗水平。 三是从药品研发到销售、精准用药的全产业链服务。AI将不仅仅作用于药物研发环节,还将在药品智能销售、精准用药等方面提供服务,促进个性化诊疗的发展。 四是医疗保险。人工智能技术可在风险控制、医保控费、福利管理等领域发挥数字化、智能化作用,促进医疗生态圈中的多方协同发展。形成以医疗服务为主导,配套支付、福利服务为辅的智能医疗生态圈,进而优化整体医疗服务环境,提升医疗服务质量。 疫情期间,健康码、人脸识别等应用也引发了一系列围绕数据安全、隐私、效率等方面的争议。尤其是在医疗领域,这些问题更加敏感。关于未来人工智能发展的制度保障,白皮书提到三点:构建多层次的治理体系,采取敏捷灵活的治理方式;立法和监管需充分考虑国际竞争、技术的经济社会价值等视角,推动先试先行;推动人工智能治理的跨学科参与和国际合作。希望能通过不断探索完善制度规范和科学治理,使人工智能既能可以与产业紧密结合充分发挥价值,又能实现健康可持续发展。 更多资讯请关注【大健康派】公众号djkpai 及 官网//www.djkpai.com/ 原文章作者:大健康派,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于3 天前
    最后回复 郁婀娜 3 天前
    3595 0
  • 别克GL8的产品力,究竟有多全面
    说到别克GL8,很多人的第一印象是豪华、舒适、安静,一台高端MPV所应具备的关键词,GL8几乎占全了。诚然,这是GL8销量不断破纪录的法宝,即便是在2020年这样特殊的年份,GL8破纪录的脚步也不曾停歇。 GL8的强势,似乎已经让大家习以为常了,MPV销量排行榜也因此变得少人关注——反正冠军不会变,还有啥好看的呢? 霸榜,总是有原因的,更何况是在中国这样竞争激烈的市场。但是为什么竞争对手们都仿佛弃疗般躺倒在地,任由GL8收割着MPV市场的利润,而且这种强势随着时间的推移全无减弱。 如今的GL8家族,已经涵盖了20万到50万的广阔区间。以前总有人质疑GL8的销量是靠企业用户对入门版车型的旺盛需求达到的,但是在GL8艾维亚推出以后,这种论调不攻自破,排队提车乃至加价现象的出现,证明卖40万甚至50万的GL8,也依然竞争力极强。 这次来到熟悉的通用广德试车场,再次试驾GL8,我从一些曾经不太关注的细节处,看到了GL8成功的门道。 首先是大家很容易忽略的轮胎。轮胎这个部件,往往不受重视,只要没爆胎漏气,它几乎就是全车最没存在感的零件。但是轮胎却又极端重要,因为它是车辆与地面唯一发生接触的部分。 对MPV来说,安静是轮胎的第一要务。GL8艾维亚配备的是马牌CC6轮胎,性能取向主打静音,我自己的车也曾经用过CC6,个人观点是它可以达到米其林浩悦95%的静音性能,但是抓地力要明显优于后者。 而GL8艾维亚的这条马牌CC6,可不是一般的CC6,它引入了马牌最新的ContiSeal自修补技术,在轮胎内壁增加了特殊的粘性密封层。只要刺穿胎面的异物直径不超过5毫米,粘性密封层可以立即将刺穿处密封,让车辆保持正常行驶。 和常见的“防爆胎”(缺气保用轮胎)相比,自修补轮胎在扎胎以后依旧可以正常行驶,而不像防爆胎那样只能用较低的时速行驶几十公里,而且自修补轮胎在完成补胎后依旧可以正常使用,且自修补功能依旧有效,不像防爆胎只要扎钉就得换新,使用成本更可控。 GL8艾维亚用上这一全新技术,除了安全和后期成本的考虑,我觉得最大的价值在于提高出行效率。因为自修补技术可以主动填补破洞,让车辆继续保持正常行驶,也就能最大限度维持出勤率,不影响出行效率,这对于时间就是金钱的商务用户来说极端重要,甚至比乘坐舒适性还要更重要。 试想一下,如果同时三辆车出门,分别使用普通轮胎、防爆胎和自修补轮胎。遇到扎胎时,普通轮胎需要立即停车换胎,防爆胎只能慢速行驶几十公里,然后下高速换胎,而自修补轮胎却可以直接去往目的地,随后再找闲暇时间补胎。 这种效率差距,一目了然。效率,是MPV用户们所看重的,GL8就给予了他们最好的效率。除了轮胎,GL8艾维亚还用业界领先的ADAS系统把效率与安全发挥到了极致。 很多人说,GL8通常都是司机在开车,L2等级的ADAS真的有用吗?这种观点有两处谬误:其一,GL8的非公司用户比例正在逐年上升,越来越多富裕家庭的车库里都有一台GL8;其二,即便是老司机开车,好用的ADAS也是很香的。 GL8 Avenir艾维亚的高清宽视前向摄像头采用Mobileye EyeQ4第四代图像识别芯片,计算能力比上代提升10倍,达到每秒2.5万亿次,能够精准识别车辆、行人、两轮车、车道线等目标信息。配合遍布车身四周的5颗高性能毫米波雷达、12颗超声波雷达、4个百万像素高清全景摄像头,共同组成了驾驶辅助功能的硬件。 LCC车道居中智能巡航、TJA交通拥堵辅助,这是目前L2级驾驶辅助必须有的两项功能。在GL8艾维亚上,他们的表现相当稳健可靠,即便试驾当天遇到中到大雨的天气,探测器也能正常运转。 虽然限于法规,现阶段我们不可能长时间“双脱手”,但是一套靠谱好用的驾驶辅助系统,对长途驾驶疲劳感的缓解,无疑是巨大的。无论是家用还是由司机代劳的商用场合,MPV作为多人出行的交通工具,安全是至关重要的,驾驶员不疲劳,也就给安全行车添了一块砝码。 最后和大家聊一个奥迪最爱聊的话题——车灯。 GL8艾维亚家族搭载的前后车灯的点亮效果尤其出色,矩阵式LED前大灯首次采用了高性能ADM小模组单元系统,由8颗“钻石晶体“构成独特展翼灯型,镶嵌在隔栅两侧;带羽纹光幕的尾灯由11颗悬浮式“晶石”LED组成,并首次采用PAS像素式面光源技术,当灯光点亮,Avenir艾维亚专属羽状光纹如羽翼次第舒展。 除了前后大灯,GL8艾维亚还在右侧滑移门加入了少数豪华品牌使用的“光毯”,随着车门打开,地面上投射出一面镶有Avenir字样的光幕,如同迎宾毯一般等待客人上车。 这样的细节,谈不上实用价值,但是作为艾维亚车型,整个GL8家族金字塔尖的产品,是需要一些“腔调”的。或者说,GL8靠什么从那些更昂贵的MPV手里抢到一批用户,恐怕靠的就是这些看似不重要但是却十分关系到使用体验的小细节。 今后几年,GL8的日子或许会不那么好过。“不像MPV”的大众巍然已经上市,未上市已引发高度关注的丰田Sienna蓄势待发。论品牌,丰田和大众都与别克旗鼓相当;论产品,巍然削弱了“司机感”,Sienna有TNGA全新架构和足以比肩GL8的车内空间。 守江山是不容易的,GL8的优势,一方面来自20年的口碑,另一方面也来自别克不断进取精进的态度。GL8的全面,正是在一次又一次的进化中所形成的。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于3 天前
    最后回复 羿荏辣 3 天前
    973 0
  • 浅谈车牌识别中文字识别的技术原理
    车牌识别技术是指对摄像机所拍摄的车辆图像或视频序列,经过机器视觉、图像处理和模式识别等算法处理后自动读取车牌号码、车牌类型、车牌颜色等信息的技术,是人工智能技术中重要的分支。它的硬件基础包括触发设备、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机,其软件核心包括车牌定位、字符分割、字符识别等算法。目前已经被广泛应用于智能交通系统的各种场合,像公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等。对于维护交通安全和城市治安,防止交通堵塞,实现交通全自动化管理有着现实的意义。 1、图像采集 根据车辆检测方式的不同,图像采集一般分为两种,一种是静态模式下的图像采集,通过车辆触发地感线圈、红外或雷达等装置,给相机一个触发信号,相机在接收到触发信号后会抓拍一张图像,该方法的优点是触发率高,性能稳定,缺点是需要切割地面铺设线圈,施工量大;另一种是视频模式下的图像采集,外部不需要任何触发信号,相机会实时地记录视频流图像,该方法的优点是施工方便,不需要切割地面铺设线圈,也不需要安装车检器等零部件,但其缺点也十分显著,由于算法的极限,该方案的触发率与识别率较之外设触发都要低一些。北京易泊时代经过严格的算法优化,这两种图像采集模式的识别率和稳定性都位居行业前列。 2、预处理 由于图像质量容易受光照、天气、相机位置等因素的影响,所以在识别车牌之前需要先对相机和图像做一些预处理,以保证得到车牌最清晰的图像。一般会根据对现场环境和已经拍摄到的图像的分析得出结论,实现相机的自动曝光处理、自动白平衡处理、自动逆光处理、自动过爆处理等,并对图像进行噪声过滤、对比度增强、图像缩放等处理。去噪方法有均值滤波、中值滤波和高斯滤波等;增强对比度的方法有对比度线性拉伸、直方图均衡和同态滤波器等;图像缩放的主要方法有最近邻插值法、双线性插值法和立方卷积插值等。 3、车牌定位 从整个图像中准确地检测出车牌区域,是车牌识别过程的一个重要步骤,如果定位失败或定位不完整,会直接导致最终识别失败。由于复杂的图像背景,且要考虑不清晰车牌的定位,所以很容易把栅栏,广告牌等噪声当成车牌,所以如何排除这些伪车牌也是车牌定位的一个难点。为了提高定位的准确率和提高识别速度,一般的车牌识别系统都会设计一个外部接口,让用户自己根据现场环境设置不同的识别区域。易泊车牌识别系统针对一些复杂背景(例如绿化带、井盖)的现场,可以进行设定识别区域的操作。 (基于连通域分析的车牌定位方法流程图) 4、车牌校正 由于受拍摄角度、镜头等因素的影响,图像中的车牌存在水平倾斜、垂直倾斜或梯形畸变等变形,这给后续的识别处理带来了困难。如果在定位到车牌后先进行车牌校正处理,这样做有利于去除车牌边框等噪声,更有利于字符识别。目前常用校正方法有:Hough变换法,通过检测车牌上下、左右边框直线来计算倾斜角度;旋转投影法,通过按不同角度将图像在水平轴上进行垂直投影,其投影值为0的点数之和最大时的角度即为垂直倾斜角度,水平角度的计算方法与其相似;主成分分析法,根据车牌背景与字符交界处的颜色具有固定搭配这一特征、求出颜色对特征点的主成分方向即为车牌的水平倾斜角度;方差最小法,根据字符在垂直方向投影点的坐标方差最小导出垂直倾斜角的闭合表达式,从而确定垂直倾斜角度;透视变换,利用检测到的车牌的四个顶点经过相关矩阵变换后实现车牌的畸变校正。易泊时代针对大角度车牌识别仍有很高的识别率。 5、字符分割 定位出车牌区域后,由于并不知道车牌中总共有几个字符、字符间的位置关系、每个字符的宽高等信息,所以,为了保证车牌类型匹配和字符识别正确,字符分割是必不可少的一步。字符分割的主要思路是,基于车牌的二值化结果或边缘提取结果,利用字符的结构特征、字符间的相似性、字符间间隔等信息,一方面把单个字符分别提取出来,也包括粘连和断裂字符等特殊情况的处理;另一方面把宽、高相似的字符归为一类从而去除车牌边框以及一些小的噪声。一般采用的算法有:连通域分析、投影分析,字符聚类和模板匹配等。污损车牌和光照不均造成的模糊车牌仍是字符分割算法所面对的挑战,有待更好的算法出现并解决以上问题。 6、字符识别 对分割后的字符的灰度图像进行归一化处理,特征提取,然后经过机器学习或与字符数据库模板进行匹配,最后选取匹配度最高的结果作为识别结果。目前比较流行的字符识别算法有:模板匹配法、人工神经网络法、支持向量机法和Adaboost分类法等。模板匹配法的优点是识别速度快、方法简单,缺点是对断裂、污损等情况的处理有一些困难;人工神经网络法学习能力强、适应性强、分类能力强但比较耗时;支持向量机法对于未见过的测试样本具有更好的识别能力且需要较少的训练样本;Adaboost分类法能侧重于比较重要的训练数据,识别速度快、实时性较高。我国车牌由汉字、英文字母和阿拉伯数字3种字符组成,且具有统一的样式,这也是识别过程的方便之处。但由于车牌很容易受外在环境的影响,出现模糊、断裂、污损字符的情况,如何提高这类字符和易混淆字符的识别率,也是字符识别的难点之一。易混淆字符包括:0与D、0与Q、2与Z、8与B、5与S、6与G、4与A等。 7、车牌识别结果输出接口数据 将车牌识别结果以文本格式输出,包括车牌号,车牌颜色,车牌类型等。 原文章作者:停车场收费系统厂家,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于3 天前
    最后回复 贾雅爱 3 天前
    1765 0
  • 揭秘阿里新制造:工厂版的湖畔创业故事
    高翔没有想到,这个项目保密长达三年,连自己周围最亲密的同事也不知道它的存在。 撰文|忍冬 编辑|jenny 2017年12月初,在阿里巴巴西溪园区6号楼6楼的一个项目室,高翔第一次见到阿里新制造负责人伍学刚,后者曾是优衣库、迪卡侬的全球供应链负责人。 他没想到,自己即将加入的这个项目,竟然会在“黑灯”下运作,保密时间长达三年之久,以至于连自己周围曾经最亲密的同事也不知道它的存在。 三年后,2020年9月16日,这个被命名为“犀牛智造”的新制造工厂迎来了它的高光时刻,一夜间,杭州北郊这个红砖风格的园区,成了万人瞩目的新星。高翔和伍学刚一样,连续几天忙得连轴转,不停接受来自全国各地媒体的采访。 啄木鸟要撼大树? 一切始于3年前的一封邮件。2017年9月19日,伍学刚给时任阿里巴巴CEO的张勇发了“新制造”的立项申请,并取名为“啄木鸟”,以表撼大树之志。此时伍入职阿里仅4个月,刚参加完阿里巴巴成立18周年年会。 他在邮件的结尾写道:“年会有两句话非常打动我:if not now, when? if not me, who?/我们受尊重的原因,不是因为收入和利润,而是为社会创造价值,解决问题。” 彼时,阿里巴巴“五新”战略提出已经快一年,新零售进行得如火如荼,但阿里在新制造领域却还是一片空白,正在寻找新的突破点。 所谓新制造,一言以蔽之,就是提升制造业的数字化能力,让生产变得更“聪明”。 尤其在服装制造业,以产定销的规矩由来已久,一到季末就出现大量库存,让传统品牌泥足不前。 淘宝服饰商家曾经往前走了一步,通过小单快反的形式,以销定产,部分实现了零库存,但灵活是灵活了,由于议价能力低,合作的工厂也没有稳定的质量保障,他们常常遭到消费者对质量的质疑。 服装行业内柔性化生产的呼声由来已久,却苦于技术、管理能力的限制,连基本的信息化都难以实现。阿里在云计算、人工智能、IoT等领域有技术积累,且对商业场景非常友好,自建工厂进行数字化改造,这项对服装生产的改变是改变是有可能实现的。 这就是伍学刚想要改变制造业的第一步,也是他在接下来三年里,不断说服越来越多人加入的初心缘起。 “光杆司令”招到了人 立项后,阿里新制造启航了。但招人却成了难题。 由于在张勇面前立下了军规:一切保密,对外不能发声,对内不能参观。导致许多候选人以为这是个“野鸡部门”,有的人接到电话就不愿意来,有的人“谈了两次就谈崩了”。 伍学刚一个“光杆司令”开始到处找人,一个一个去谈,高翔就是其中一个。高翔是10年的老阿里,计算机系毕业,产品经理出身,做过阿里的信息平台,伍学刚一眼就看中,“技术好,性格还互补。” 通过伍学刚的分析,高翔看到了这个项目的潜力。但跨行如跨山,他想再细细思考下。可是没过几天,HR就发了任命邮件。就这样,他孤身一人从信息平台转岗到刚刚起步的新制造团队。 高翔是阿里新制造的第一个技术型人才,他带来了更多工程师。在内网发帖招聘,请相熟的朋友在外部帮忙寻找,拿到电话后一个个联系潜在面试者。 与此同时,他开始插针见缝地构思产品的方向和思路,每天都和小团队头脑风暴,议题包括但不限于:工厂选址、组织架构、公司名字、工人招聘……最后,他们给公司取名“犀牛智造”,寓意在于,如犀牛般体型巨大,却也可以快速奔跑、灵活转身。 郊外苦练内功 2018年农历新年后,高翔终于搭起了一个二三十人的新制造技术和产品团队。大家来自五花八门的企业,从造芯片、电商平台、视频软件、智能物联网的,不一而足。 这群互联网技术男,一不懂服装,二不懂制造,既然跨行了就必须从头学习。此后的八九个月,他们跑遍全国服装生产厂,还远赴日本学习丰田的先进制造流水线,摸透哪些是门道、看清哪些是热闹后,再结合互联网技术、产品的所长,一步步定义出阿里新制造的技术产品的细致轮廓。 “我以前连服装厂都没见过。”工程师肖长宝曾在英特尔待过,“可谓怀着造芯片的心来做衣服了。” 这段时间里,他们也物色到不少在传统工厂有成熟经验的员工。 1986年出生的胡志军,学历不高,“人却很灵光”,成为迅犀的第一任厂长。面试的时候,在办公室里穿着西装泡着茶,但来新制造后,却连小到一颗螺丝钉都要亲力亲为。 胡志军找来了原先的同事李燕。 1989年出生的李燕就是从工厂来到阿里巴巴的一名员工。作为家里的长女,李燕高中毕业后就在福建泉州的服装厂打工,从一线车工一路升职,成为厂长,还作为员工代表接受过央视的采访。 2018年8月,李燕刚入职,发现这家号称阿里巴巴旗下的新制造工厂,条件极为艰苦:坐落在临平郊区的厂子周围几乎什么都没有,炎热的三伏天没有电扇和空调,到处都是砖和泥土。连基本的剪刀、划粉、尺子、扫帚都没有,还要自己掏钱买。 一次工作的时候,办公区的一扇玻璃还直接爆炸了,大家合力用布遮挡住外面吹来的热浪,继续工作。 3个月下来,李燕瘦了十斤。 入职阿里后,李燕的记忆是鸡飞狗跳。由于大部分技术和产品员工并不了解服装制造业,开发了大量没有用的功能组件,遭到了一线工人的吐槽。一位产品经理甚至直接被怼哭了。 “这根本上是双方的语言体系、认知体系不同。也是需要我们去解决的,让大家互相能够理解。”新制造工厂hr大滟表示,为此,新制造团队确定了所有同事必须一线轮岗的规则,一个月时间,天天蹲在生产线,工人实际工作中,遇到的问题才能切身体会。 在一路吵架中,李燕成了许多工程师的师傅。双方通过互相学习,不断加深理解。 “我从最基本的开始教,封嘴、合侧缝、合后浪……”李燕说。这些聪明的互联网脑袋,在无数个夜晚,跟在一个熟练女工背后,像虔诚的学徒从一针一线摆弄起。听着他们“师傅”、“燕姐”地叫,李燕心里别说多自豪了。 比ZARA还快 时至2018年9月份,首家阿里新制造工厂在余杭区临平正式投产,主攻牛仔裤的柔性生产。这个工厂的创新点在于,首次在服装行业搭建出一个中央厨房,能对小批量采购的牛仔面料进行多轮检测和处理,使其符合国内的相关标准,再通过信息化产品进入生产环节。 这个中央厨房依靠的是强大的数据分析能力,而这是由程序员、打版师等不断训练人工智能训练才生长出来的。 图像识别的机器学习具体是怎么实现?在临平工厂的一个项目室中,样板师拿着无数条不同设计与版型的牛仔裤,一一向服装设计大学生介绍工艺和部位,大学生们则在电脑上用CAD软件画出一张张标注好工艺、部位名称的牛仔裤图,再由程序员持续“喂”给“大脑”,让它越来越聪明和准确。这些就慢慢从完全人工的口口相传变成了一部分可以由机器和机械臂来控制生产。 算法是指导机器学习的精髓,就好像人类的大脑。第一期调教出来的“大脑”很争气,识别的精准度在80%以上。经过一个季度的不断优化、迭代,识别精度提高至90%以上,并且识别的服装品类从牛仔裤扩展至T恤、POLO衫、卫衣等。而且,这个软件能根据订单量和面料尺寸,给出面料利用率最大的剪裁方案。 跟别的工厂相比,通过数据与设计、生产端的打通,迅犀可以实现销量预测,精确到未来一个月能卖出多少件;而且订单极致的小,将行业平均1000件起订、15天交付的流程,缩短为100件起订,7天交货。这个速度,比行业内以柔性化供应链著称的ZARA更快。 而且,迅犀还实现了每块布料都有自己的身份ID,不再是传统的“人找货”,而是“货找人”。 迅犀工厂黑科技的地方还在于,在工厂创建之初就与阿里云达成IoT合作,成为全行业IoT程度最高的一家企业,工厂第一箱交付的订单是500条牛仔裤,通过淘宝商家销售后,品质退换率远低于淘宝平均数。这让高翔特别有成就感。 灯塔工厂的漫漫征途 走通了第一步,迅犀和淘宝商家还联合探索按需定制。如2020年农历新年前,就与某主播推出福气卫衣,准备了几十种吉祥图案与2万条吉利文案,消费者可以在淘宝店自行选择,工厂接单后按需生产,实现0库存。 2020年新冠疫情,犀牛智造的订单迎来小高峰。库存本就是困扰服装行业好几年的难题,疫情突袭更放大了这个难点。冬季服装严重积压,春夏季服装又不得不筹备,淘宝服装商家都选择小批量生产春秋新款,纷纷找到犀牛合作。 为了检验自己的能力,2019年年底,团队搞了一项类“行为艺术”来测压——万人万服,5天做完1万件不同的衣服。这是平台个性化定制能力的检验,没有宕机,没有延误,团队配合也行云流水。 好消息接踵而至,前不久犀牛工厂还成为全球服装业第一个通过灯塔工厂评审的工厂。灯塔工厂是由世界经济论坛和麦肯锡联合发起的评价体系,全球一共只有40家跻身灯塔工厂之列,上榜的还有宝马、施耐德、西门子这样的老牌制造巨头。 “我们在做一件了不起的事情。”一名工人说。 随着犀牛工厂在聚光灯下公开,也引来大量商家问询合作,伍学刚表示:中小商家有痛点,犀牛智造平台就为新制造打样做个工厂,服务中小商家。等模式成熟了,会将沉淀的新制造能力向中小工厂输出,开放合作。 9月23日,犀牛工厂迎来了第一场时装秀,参与走秀的服装是近30个淘宝iFashion的商家,他们中的大部分商家都已通过迅犀进行柔性制造。 如今,在淘宝上,网络热点也可以快速成为一门生意。犀牛工厂“100件起订,最快7天交货”的特点,让淘宝的中小商家对新热点、新趋势的快速反应成为可能。比如,马云与王菲合唱改编歌词“逃不出淘宝的牢”迅速成为网络热点,犀牛工厂当天就接到了淘宝商家的T恤订单。 “未来的制造业是怎么样的,现在没人知道,需要有人尝试。”伍学刚说。 如今,帷幕拉开,但万里长征仅仅开始了第一步。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于4 天前
    最后回复 干萌阳 4 天前
    5564 0
  • 马斯克:不照搬美国,特斯拉在中国要做的是原创设计和工程开发
    每经记者:张晓庆 每经编辑:吴永久 图片来源:直播视频截图 7月9日,特斯拉联合创始人、首席执行官马斯克以视频形式参加了2020世界人工智能大会。他表示,特斯拉在中国,要做的是进行很多原创性的设计和工程开发,并不是简单的将美国的东西直接照搬到中国。 马斯克表示,特斯拉上海工厂进展顺利,他期待能尽快访问上海超级工厂。“预计未来,我们的工厂中,会运用更多的人工智能和更智能化的软件,但在工厂,真正能有效地使用人工智能还需要花费一些时间。” 对于未来实现L5级别自动驾驶或是完全自动驾驶,马斯克非常有信心,并且认为很快将得以实现。“在特斯拉,我觉得我们已经非常接近L5级别自动驾驶,我有信心,我们将在今年完成开发L5级别的基本功能。实现自动驾驶L5级目前不存在底层根本性的挑战,但是有很多的细节问题。”他认为。 马斯克说,特斯拉面临的挑战就是要解决所有这些问题,然后整合系统,持续解决长尾问题。“你会发现可以处理大多数场景的情况,但是又会不时地出现一些奇怪、不寻常的场景,你必须有一个系统来找出并解决这些奇怪、不寻常的场景。这就是为什么你需要现实世界的场景,没有什么比现实世界更复杂了。我们创建的任何模拟都是现实世界复杂性的子集,因此我们非常专注于处理L5级别自动驾驶的细节问题。”他说道,“我相信这些问题完全可基于特斯拉车辆目前搭载的硬件版本来解决,我们只需改进软件,就可以实现L5级别自动驾驶。” 马斯克介绍,特斯拉开发了自有的人工智能芯片,即拥有双系统的特斯拉完全自动驾驶电脑,但要充分利用特斯拉完全自动驾驶电脑的能力,可能还需要至少一年左右的时间。 对于人工智能的发展,马斯克提到,在感知层面,以识别物体为例,目前的技术取得了巨大进展,即便是在专业领域,当今的高级图像识别系统也比人类都要好。问题的实质在于需要多强的计算能力,多少计算机和多长计算时间来训练感知能力,图像识别训练系统的效率如何。就图像识别或声音识别而言,对于给定的字节流,人工智能系统能否准确识别处理,答案是非常好。 马斯克认为,认知可能是最薄弱的领域。“人工智能是否可以理解概念、是否会有效推理、能否创造有意义的事物,目前有很多非常有创造力的技术先进的人工智能,但是它们无法很好地控制其创造活动,至少现在在我们看来不太对。不过未来它会看起来像样些。” 此外,行为方面,在任何规则明确的游戏中,或者自由发挥空间比较有限的游戏,人工智能就像超人类一样。目前很难想象有什么游戏,人工智能游戏玩家不能发挥超人类水平的。 每日经济新闻 原文章作者:每日经济新闻,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于4 天前
    最后回复 衮代 4 天前
    993 0
  • 多个OCR图像识别产品API比较,孰优孰劣,请看详细截图
    最近要做一个图片转换文字的开发,在进行实际代码编写之前,研究了几大公司的OCR免费接口,用POSTMAN进行了调试;开发语言是JAVA,先把比较结果公布给大家。想要源码,可以私信给我。 先上传一个要转换的图片 https://p3.pstatp.com/large/pgc-image/a862b7cd6beb48038a56db5f0cc361d0 第一个选择的是阿里云的OCR接口,运行后的结果如下: { "RequestId": "A7493FA8-163F-457D-8A44-20B14A0FD0E6", "Data": { "Results": [ { "TextRectangles": { "Left": 1077, "Angle": -89, "Top": -808, "Height": 1786, "Width": 35 }, "Text": "e world.A" }, { "TextRectangles": { "Left": 14, "Angle": 0, "Top": 124, "Height": 32, "Width": 1205 }, "Text": "ich configuration should the solutions architect choose to meet these requirements?" }, { "TextRectangles": { "Left": 34, "Angle": 0, "Top": 235, "Height": 29, "Width": 676 }, "Text": "A.Configure Amazon CloudFront with AWS WAF." }, { "TextRectangles": { "Left": 53, "Angle": 0, "Top": 355, "Height": 31, "Width": 754 }, "Text": "Configure Application Load Balancers with AWS WAF." }, { "TextRectangles": { "Left": 219, "Angle": -4, "Top": 400, "Height": 44, "Width": 510 }, "Text": "微顾大师 微题大师 微 题 大 帅" }, { "TextRectangles": { "Left": 428, "Angle": -89, "Top": 132, "Height": 722, "Width": 28 }, "Text": "Configure Amazon Route 53 with a geolocation pollcy" }, { "TextRectangles": { "Left": 473, "Angle": -89, "Top": 185, "Height": 863, "Width": 32 }, "Text": ".Configure Amazon Route 53 with a geoproximity routing policy" } ] }} https://p1.pstatp.com/large/pgc-image/a40a13d88ed64fa28a8e6abdf0d4d881 说实话,不是很满意,继续找 第二个是阿里达摩院的一个OCR产品接口,结果如下: Q134. A company is hosting a website behind multiple Application Load Balancers. The company has different ent around the world. A solutions architect needs to ensure that users are served the correct vithout viola愀 ich configuration should the solutions architect choose to meet these requirements? A. Configure Amazon CloudFront with AWS WAF. B. Configure Application Load Balancers with AWS WAF. Configure Amazon Route 53 with a geolocation policy. D. Configure Amazon Route 53 with a geoproximity routing policy. 感觉很不错呢,符合我的需求,虽然不是100%的完美 继续试验,讯飞云的OCR接口: Q 134.A company is hosting a website behind multiple Application LoadBalancer s.The company has differen it distribution rights for its cont ent around the world.A solutions architect needs to ensure that u sers a reserved the correct content without violating distribution rights.Wh ich configuration should the solutions architect choose to meet th ese requirements? A. Configure Amazon Cloud Front with A WSW AF. B. Configure Application LoadBalancer s with A WSW AF. 微题大师微题大师微题大师 C Conf gure Amazon Route 53 with a geolocation policy. D Configure Amazon Route 53withageo proximity routing policy 感觉也不错,水印都识别出来了,勉强也可以用。 大家觉得如何呢 原文章作者:猿友会,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于4 天前
    最后回复 缪娅欣 4 天前
    1780 0
  • 「最全字体识别网站推荐」让心仪的字体不再陌生
    字体在我们的工作和生活中都非常有用。 无论是是文案工作者,还是设计师,在使用Office系列全家桶来完成文档,或使用Adobe Family Portrait创建设计草稿,都必须使用字体。 而我们平时在浏览各种网站时,经常会看到许多有趣的字体,但因为我们不了解它,所以只能遗憾的错过。 今天,媒帮派将向您「推荐最全字体识别网站」,再也不怕找字体头疼了。 字客网 字客网目前拥有庞大的字体资源,通过人性化的分类筛选功能,创新的多语种搜索技术、乱码校正技术和图片识别字体技术,让用户快速找到所需字体。同时还提供了关键词搜索和图片搜索两种方式,支持进行实时的文本预览,在文本框输入你需要的文本内容并选择相关选项即可。 求字体网 这个网址大多数字体都受版权限制,所以如果您在不了解版权要求的情况下下载它们,则会收到一系列法律措施,例如律师函。 但是不得不说,在中文字体识别方面,求字体网做得非常好。 如果知道字体名称,则可以直接搜索; 如果不知道名称,则可以截图并将其上传到网站上,以便分析出相似的字体。 而且还根据自己想要的主题提供多丰富的字体素材。 字由 打开网站,这页面也太好看了,萌萌的都融化了,作为一款为设计师量身定做的字体工具,字由拥有近 2000 款的字体,素材丰富,而且还可以无需要安装,直接使用。点击页面的AI识字,上传图片就可以识别字体。 打开字由的「发现字体」可看到,总共有530款免费商用的字体,而标注了会员商用的可以买会员商用,什么都没标注的需要单独付费授权。 MyFonts MyFonts是一个美国的字体下载网站,也是世界上最大的字体收藏网站,MyFonts MyFonts 提供的搜索相更加「人性化」在搜索栏中它已经为你提供了四种分类:All Fonts、Free Fonts、Webfonts、Subion。在网站中,你也可以通过图片关键字等方式来定位字体。在字体的详情页面中,用户可以看到该字体的所有样式的样例,并且还能在网站上随意调整大小背景等元素方便查看效果。 识字体网 识字体网是免费在线字体识别与辨认、字体预览和字体下载网站,支持上传英文、中文、日文、韩文等全球所有文字的图片,提供Windows、Android和iOS版等字体识别器软件。识字体系列产品采用独创的图像识别算法和相似度算法,并应用大数据技术和搜索引擎技术,全面提升识别准确率。 whatfontis WhatFontis是一个在线的智能字体识别工具,操作也非常简单,打开是全英文网站,可用浏览器识别转化成中文,你只要把文字截图上传,它会和所有字体样式进行对比,从而告诉你最接近的字体名字,不仅如此,你还可以下载到这个字体。这个网站提供60万种免费或商业索引的字体,相比于其付费网站,这个网站提供的免费素材更加nice。 更多的字体识别或字体海量素材,可以参考媒帮派导航,免费提供上千种新媒体工具导航,节省宝贵的时间。 今天先写到这里, 更多有用的工具, 以后再慢慢和大家分享。收集和整理资料不易, 动动手指, 也请点亮下方的【】,你的鼓励, 是我的动力。 本文属【媒帮派】原创,转载注明出处 原文章作者:媒帮派,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于4 天前
    最后回复 我厢 4 天前
    2951 0
  • 什么是图像识别?
    图像识别技术是指利用计算机系统对图像进行处理、分析和理解,以分辨各种不同方式的目标和对象的技术应用,是应用深度学习算法的一种实践应用。现如今图像识别技术应用一般可分为人脸识别与产品辨别,人脸识别主要应用在安全检查、身份核实与移动手机端的支付中;而产品辨别主要应用在商品流通过程中,尤其是无人超市、智能零售柜等无人零售领域。 图像的传统识别流程可分为四个步骤:图像采集、图像预处理、特征提取、图像识别技术等过程。图像识别技术软件国外代表的有康耐视等,国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术应用。 图像识别一般是以影像的基本本质特征为基础的。每个图片影像都有它的本质特征,例如字母A像个倒三角形并延伸出两个牛角,而Y的中心有个锐角等。根据对眼睛的注视研究表明,视线总是集中在图片影像的最重要的特征上,也就是集中在图片轮廓曲度最大或轮廓方向突然改变的地方,这些地方的关键信息量最大,而且眼睛的扫描路线也总是依次从一个重要的特征开始转到另一个基本重要特征上。由此可见,在图像识别过程中,知觉机制必须排除输入的其他多余信息,只抽出关键的信息。同时,在大脑里必定有一个区域负责整合信息的功能机制,它可以把分阶段获得的信息整理成一个完整的知觉映象。 而在人类图像识别系统中,对与麻烦的图片影像的鉴别通常会要通过不同的维度的区域的信息加工才能实现。相对熟悉的图片,根据知道了它的基本本质特征,就可以把它看作一个单元来鉴别,而无需再注意它的细节了。这种由孤立的单元资料组合而成的总体单位称之为组块,每一个组块是同时被认知的。在文字资料的鉴别中,人们不但能够将一个文字的笔划或边旁等单元组合而成一个组块,而且可以把常常在一块出现的字或词组合而成组块单位来加以鉴别。 原文章作者:种埃果,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于5 天前
    最后回复 娠驼诫 5 天前
    3045 0
  • 科普|图像识别的发展与应用
    图像识别技术是人工智能的一个重要领域。它是指对图像进行对象识别,以识别各种不同模式的目标和对像的技术。 图像识别发展的三阶段 图像识别的发展经历了三个阶段:文字识别、数字图像处理与识别、物体识别。文字识别的研究是从 1950年开始的,一般是识别字母、数字和符号,从印刷文字识别到手写文字识别, 应用非常广泛。 数字图像处理和识别的研究很早,至今也有近50年历史。数字图像与模拟图像相比具有存储,传输方便可压缩、传输过程中不易失真、处理方便等巨大优势,这些都为图像识别技术的发展提供了强大的动力。 物体的识别主要指的是对三维世界的客体及环境的感知和认识,属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向,其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差,一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。 美丽的眼睛的妇女 图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前,在图像识别的发展中,主要有三种识别方法:统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术,自20世纪70年代,其研究已经有几十年的历史,一直都受到人们的高度重视,至今借助于各种理论提出了数以千计的分割算法,而且这方面的研究依旧在积极地进行着。 主要应用领域 图像识别技术可能是以图像的主要特征为基础的,每个图像都有它的特征。在人类图像识别系统中,对复杂图像的识别往往要通过不同层次的信息加工才能实现。图像识别技术是立体视觉、运动分析、数据融合等实用技术的基础,在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域可广泛应用。 遥感图像识别 航空遥感和卫星遥感图像通常用图像识别技术进行加工以便提取有用的信息。该技术目前主要用于地形地质探查,森林、水利、海洋、农业等资源调查,灾害预测,环境污染监测,气象卫星云图处理以及地面军事目标识别等。 军事刑侦 图像识别技术在军事、公安刑侦方面的应用很广泛,例如军事目标的侦察、制导和警戒系统;自动灭火器的控制及反伪装;公安部门的现场照片、指纹、手迹、印章、人像等的处理和辨识;历史文字和图片档案的修复和管理等等。 生物医学 图像识别在现代医学中的应用非常广泛,它具有直观、无创伤、安全方便等特点。在临床诊断和病理研究中广泛借助图像识别技术,例如CT(Computed Tomography)技术等。 机器视觉 作为智能机器人的重要感觉器官,机器视觉主要进行3D图像的理解和识别,该技术也是目前研究的热门课题之一。 机器视觉的应用领域也十分广泛,例如用于军事侦察、危险环境的自主机器人,邮政、医院和家庭服务的智能机器人。此外机器视觉还可用于工业生产中的工件识别和定位,太空机器人的自动操作等。 人工智能前景不可限量,图像识别作为AI技术的支撑,是一种强有力的识别方式,随着AI在场景上的深入,图像识别应用领域会越来越广 。 来源:电子产品世界 原文章作者:智能前沿技术,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于5 天前
    最后回复 啕苞 5 天前
    2568 1
  • 首届全球金融科技大会明天开幕,这次为什么又是上海?
    首届全球金融科技大会——外滩大会将于9月24日-9月26日在上海黄浦世博园区召开,主题为“科技让未来更普惠”。“外滩大会”由上海市政府指导、支付宝和蚂蚁集团主办,永久落户上海,是上海加快推进国际金融科技中心建设的重要举措。 外滩大会是什么? 首届大会看什么? 为什么又是上海? 海岸君带大家一探究竟 外滩大会是什么? 外滩大会是迄今为止全球范围内影响力最大的金融科技大会,全球经济学家、诺奖得主、企业家、技术大咖将汇聚一堂,共同探讨最前沿的金融科技技术及商业落地。 从名字就可以看出,“外滩大会”彰显着深刻的的上海金融发展史。 百年前,被“外滩”所寓意的上海已成为东方第一金融中心,将东京、香港、新加坡等城市远远甩在身后,无论股票、黄金、外汇等金融市场规模都全部雄踞亚洲第一。同期的上海还是仅次于芝加哥的全球第二大期货交易中心,是全球最大黄金现货交易中心、全球第二大钻石现货交易中心、全球三大有色金属定价中心之一。 上世纪90年代,中央就对上海提出要建设国际金融城市的重大战略决策。金融是上海这座城市的重要基因。经过多年努力,上海已经成为中国金融对外开放的最前沿、金融改革创新的先行区,金融市场体系完备、中外金融机构集聚,是金融发展环境最友好的城市之一。上海金融开放涵盖银行、证券、基金、保险、资管等领域,拥有外资企业5万+、金融机构1600多家,外资银行230多家,是全国外资企业、金融机构最多的城市。 今年3月,第27期全球金融中心指数(GFCI)公布,上海首次晋级全球第四。与排名第二、第三位的伦敦、东京的差距仅有2分和1分。从历史排名来看,最早上海与第一名的差距为193分,而现在这个分差仅为29分。这是2018年9月以来,上海连续第四次位列全球五大国际金融中心。金融业增加值、金融市场交易额等多项指标国际排名居世界前列。 以“外滩”命名大会,既回望历史、着眼现在,又展望未来。金融+科技,上海正重新定义未来金融中心。 首届大会看什么? 首届外滩大会大咖云集,权威思想观点必将火花四射,未来感十足;同时也是一场老百姓可以亲近的金融科技盛宴,甚至是好玩又好看的。 “外滩大会”将在上海黄浦世博园区举行 大会采用“1+40+x”办会模式,即1场主论坛、40场分论坛和X场配套文娱活动。大会涵盖数字普惠开放、金融科技创新、全球生态共建、商业价值变革、绿色和可持续发展5大前沿话题。24-26日期间,将举办40多场分论坛,如开放银行金融生态、科技驱动未来保险、智能计算峰会、共享智能、区块链峰会、绿色金融新时代等。 大会将通过在线直播链接全球超过500+金融科技大咖、顶尖学者、行业领军者,如联合国副秘书长、联合国开发计划署署长Achim Steiner,诺贝尔经济学奖得主Michael Spencer,知名学者《失控》作者、连线杂志首任主编Kevin Kelly,中国工程院院士王坚,清华大学国家金融研究院院长朱民等,聚焦未来科技展望、权威思想观点,在黄浦江畔畅想上海金融科技的未来十年。 大会组委会面向社会发布了“A-TECH科技精英赛征集令”——一项涵盖系统安全、AI算法、数据安全的“极客圈铁人三项”。在9月24-26日48小时赛程中,参赛者需要通过AI等技术,在虚拟的“野生动物保护战”中,与偷猎犯罪团伙展开一场看不见硝烟的战争,最终获胜团队将获得奖金100万元。 作为一场“普通人也能看懂”的科技大会,现场将设置13000平方米展厅,观众可近距离了解科技在金融、商业、数字生活等领域的应用。在现场运动体验区域,人工智能结合攀岩运动,助力体验者更快更高更强地发挥。摩登地标旗下创意艺术企划厂牌BULELAB 2020青年艺术家LIN ZHANG打造的摩登地标IP人物——量子摩登人MM.B和“方程未来”多面体影像装置也将亮相外滩大会。 24日晚,观众可以“跳入”外滩大会音乐节,进入无限可能的科幻舞台,时下最火的新裤子乐队、乘风破浪的姐姐阿朵&未来民族、方拾贰、金志文都将来到现场,演绎新科技与音乐的碰撞灵感,展现全方位的感官盛宴。 “外滩大会音乐节”将与“外滩大会”同期举行 大会还将设置“摩登生活集市”,集市里有最新奇有趣的科技项目、接地气的游戏体验、潮流网红美食等,还可以打卡超大度假区,在“外滩”就能体验到唯美的海岛风情。 此外,大会专门设置了两位数价格的青年票(18-22周岁),同时中小学生在监护人带领下可免费入场, “后浪”们也能近距离感受科技的趣味。市民可登录“外滩大会”官网,或上支付宝搜“外滩”即可购票。 为什么又是上海? 上海一直是各类顶级盛会的青睐之城,例如2010世博会、进博会、世界人工智能大会、世界顶尖科学家大会。外滩大会将成为上海又一个顶级大会,将进一步在全球打响上海金融科技中心的城市品牌,输出中国金融科技的实践经验和影响力。 上海已经意识到,“金融科技”正成为其建设全球金融中心的最大契机。政府接连发文,要进一步推动金融科技在在沪发展。2019年8月22日,央行印发《金融科技发展规划(2019-2021年)》,这是央行出台的首个单独针对金融科技的顶层设计文件。2个月后,人民银行上海总部再发《关于促进金融科技发展 支持上海建设金融科技中心的指导意见》,为把上海建设成为与国际金融中心地位相适应的金融科技中心提供有力支撑。 2020年1月,上海市金融局发布《关于加快推进上海金融科技中心建设的实施方案》,上海将在五年内建成金融科技中心,通过金融科技企业扶持、税收优惠、人才引进、长三角监管协作等手段,孵化更多全球领先的金融科技机构。这意味着,上海会加速引领人工智能、区块链、5G等前沿技术与金融业相结合的应用实践,以金融科技激发效率的提升,在国际上率先实现普惠金融。 除了政策支持外,上海同样重视在金融科技的投入,并拥有最广泛的科技企业。通过金融科技,上海拉升了政务、民生、商业服务的效率,极大地拓展了金融服务的深度和广度。上海已成为中国金融对外开放的最前沿、金融改革创新的先行区,是金融发展环境最友好的城市之一。 蚂蚁集团董事长井贤栋接受媒体采访时曾表示: “之所以选择上海,主要是因为上海有敢为人先,开放创新的基因,很多新业态、新模式都在上海首先取得突破,然后走向全国。” 上海金融与法律研究院院长傅蔚冈看来: 全球金融中心竞争日趋白热化,科技成了上海的核心竞争力,可以说,外滩大会是上海5年内建成金融科技中心的重要举措。未来的金融中心一定是科技中心,外滩大会将成为上海建设金融科技品牌新名片,上海将会抓好机遇,与全球最具影响力的金融科技领军企业和专家学者,共同探讨前沿技术在金融、经济、商业、环境等领域的应用和创新,进而推动全球商业、经济与社会生态的合作发展。 原来金融科技离咱老百姓那么近 “外滩大会”前走访沪上金融科技企业 由于是首届,同时又与“金融”“科技”这两个关键词紧密联系,外滩大会多少有点显得“高深而神秘”;但连日来,海岸君走访沪上金融科技企业时发现,其实金融科技离咱老百姓非常近,很多创新成果我们都在用,正如大会主题中的“普惠”一词,金融用科技走近普罗大众,也实现企业自身发展,助推上海建设具有国际竞争力的金融科技中心。 01 小微企业贷款:马云当初贴发票也没贷到款,如今创业者手机里搞定 小微企业信贷是一个世界性的难题。尤努斯创办的格莱珉银行,因较早进行小微信贷实践而荣膺诺贝尔奖。而在中国,过去的五年里,互联网银行利用科技手段服务小微企业和个体户,通过线上触达、大数据风控和人工智能,实现大规模、低成本、高效率的服务,开创了中国独有的创新模式。 01 上海创业者朱诚有一家早教中心和一家设计公司,今年的疫情曾一度让早教中心和设计公司完全停摆,急需贷款支持。而线下贷款需要跑门店、提交材料,疫情期间极为不便。他将目光投向了线上,通过支付宝上的网商贷,不到3分钟,他就收到了20万元贷款,解决了房租和工资的燃眉之急。 02 线下小微企业如此,网店也一样。今年疫情期间,霸蛮米粉作为一家餐饮连锁企业,线下60家门店经营收入降低为0。但是现在,收入不仅没有降低,反而增长了,尤其电商业务,增长了400%。当时,霸蛮全员转型线上云复工,无法卖成品,于是转型卖半成品,公司自行开发电商分销系统、直播500余场,开通了霸蛮天猫旗舰店。网商银行“无接触贷款助微计划”发起后,霸蛮米粉获得了无接触贷款和0账期提前收款服务,零售行业一般回款要1-2个月,但现在一天都不用等,一发货就能拿到钱。 朱诚和霸蛮米粉曾经遇到的困难,在过去可能无解,因为没有抵押物也没有担保人,小微企业很难得到金融服务。2015年在网商银行开业仪式上,马云回忆了创业初期的贷款难:“我那时候创办一家小企业‘海博翻译社’,为借3万块钱,我花3个月时间,把家里所有的发票凑合起来抵押,还是没有借到,那时候想,如果有一家银行有一天能够专门做这样的事情,我觉得能够帮助很多人成功。” 正是科技让网商银行开始做之前传统银行“做了就铁定亏本”的小微贷款。实名认证、刷脸识别技术的发展,让用户不去网点也能证明“我是我”,而数据与AI技术,让用户可以在无抵押、无担保、不提交纸质材料的情况也能证明“我有信用”。传统金融机构是把“风控”比作“刹车”,网商银行视之为“引擎”,始终坚持大部分客户是好的,首先不预设任何一个坏人,通过个体账户关联和网络评估的结合,以及经营流水的数据和行为数据的结合,实时动态评估客户资质。通过大计算技术汇总形成了10万+项指标,网商银行创建了100多种预测模型和3000多项策略,实现了小微企业3分钟申请、1秒钟放贷、0人工介入的贷款流程。 发展至今,可以看到科技的能量是惊人的。2019年双11贷款累计总资金量达到3000亿元,服务商家数超过300万,但是网商银行却只投入了20人。网商银行行长金晓龙说:“科技是最大的功臣,如果是20个信贷员,完不成这个任务,但是20个产品经理和工程师,就可以完成。” 02 区块链:你能想象区块链运用在“养牛”这件事上吗? 外滩大会将发布金融科技的最新趋势,并公布在智能计算、共享智能、数据库、图智能、可信原生、智能风控等前沿技术领域的最新进展。人工智能与理财结合、图计算与保险结合、卫星遥感与信贷结合,种种金融科技的全新突破也将在大会上展示。作为当下最热技术,区块链技术将在此次外滩大会上一展风采。据透露,完成升级之后的蚂蚁链将发布在区块链领域的颠覆性突破。 区块链,对于普通人来说还是一个陌生的领域,即便是专业人士,要解释清楚也颇费功夫。但事实上,正如上海已成为全球金融科技发展的标杆,上海金融科技企业也已成为全球金融科技发展的风向标,尤其在区块链等技术领域领先全球。 以上海万向区块链股份公司为例,该公司的区块链技术为各行各业提供企业级区块链产品与应用解决方案,赋能传统产业以新的产业模式,并具有在供应链金融、汽车供应链物流、大宗商品监管与贸易融资、生物资产等多个领域提供多场景适配的能力。 该公司副总经理杜宇向海岸君解释道:“目前,区块链最擅长的领域,就是用技术解决信用问题。” 以肉牛监管平台为例:顶级的肉牛牛犊一头就要两三万元,对于养殖户来说,养1000头牛就得有2000万元以上的资金,这笔钱向银行贷款,之前银行会担心“看不见这1000头牛、不知道进展如何”而“不敢”放贷。现在,可以给每头牛一个电子身份,用物联网采集实时信息,每头牛的体重、健康情况等信息都会上链,等于银行职员拿出手机就能看到每头牛的各种情况,且这些信息都是无法篡改的,银行可以放心了,养殖户也可以拿到低利率的贷款——“这就是用区块链技术为中小企业提供金融服务。” 万向区块链还有慈善信托账户管理平台。今年新冠疫情最严重时,有客户通过这个平台,以商品物资形式向新冠肺炎武汉定点医院定向捐赠500万元,用于为一线医务人员免费提供和配送餐食。 客户通过平台下达捐赠意愿和指令“以商品物资形式向武汉市定点医院捐赠,确保医护人员特殊时期的就餐保障”。平台验证客户意愿后,将这一指令写入区块链,捐赠人可直接在账户查看区块高度、写入时间、原始数据、具体内容等。物资捐赠后,平台将实时反馈捐赠情况,将每日向各个定点医院的供餐情况播报在平台中,方便捐赠人掌握自己的捐赠动态。 03 互联网保险:拍照技术不行?AI帮你快速实现手机里的“秒赔” 今年的疫情给各行各业都带来深刻的影响,但在“危机”中也孕育着“机遇”。麦肯锡的研究报告指出,疫情过后,保险行业会迎来三大变化,一是客户行为加速线上化,二是产品形态更具创新性,三是运营模式全面数字化。 太平人寿保险有限公司战略发展部总经理张永滟对此深有感触:“我们有40万名代理人,服务着四五千万客户,以前靠‘跑腿’‘面对面’,疫情一来,线上化刻不容缓,疫情在倒逼保险企业科技创新,更多地拥抱互联网。” 保险领域的科技创新,对于老百姓来说,有的保险正变得如买白菜一样简单、明了。太平人寿在支付宝上推出的“攒小金库”产品,它让日常“攒小钱”变成一种保险产品,系统自动为客户计算各种数据(每月需要攒入金额、攒多久、什么时候开始领、领多久等),比如选择每月攒300元,攒5年,10年后分3年领,投入18000元本金,就可以领回24249元。再比如“子女教育金”,如果一对夫妻在孩子1岁时就开始攒给孩子上重点大学的钱,每月攒335元,攒10年,18年后分3年领,投入的40200元就可以“变成”66118.95元。 上述的这些保险产品,以前需要代理人面对客户反复解释、计算,现在客户在手机上就可以“自助式服务”,更重要的是培育了客户新的保险消费习惯。而这背后,离不开科技创新,太平人寿加大了金融科技的探索力度,推动了信息技术的应用优化,更多更广泛地将云计算、大数据、人工智能等科技应用于保险销售、运营、理赔等多方面。 科技创新正在夯实基础保险服务,提升客户服务体验,让老百姓切实感受到有金融科技创新带来的便利和获得感。如今,客户在理赔时无需像以前一样“跑腿”,可在线完成理赔申请、影像资料收集,在银联校验、字符识别、人脸识别、电子签名等新技术、新手段的加持下,最快1秒就可结案,而太平人寿目前约70%的理赔都采用这种线上的“秒赔”。一个很明显的变化,在手机上处理理赔事宜时,一般都要把相关票据上传,这之前的一步就是拍照,但每个人拍照技术不一样,拍出来的照片也会千差万别,之前系统可能识别不了,但现在,太平人寿通过AI图像识别,较好地解决了这个问题,“只要人眼能识别出来的票据,AI也能识别出来!” 科技同样在帮助保险代理人提高工作效率。如今,太平人寿的40万名代理人都已“线上化”,他们通过一部手机,就能掌握更多、更准确的信息,以前需要业务非常出色的代理人用自己的“人脑”来记忆客户的生日、买过什么产品、需要什么产品等信息,现在手机上点点,所有信息轻松掌握,为客户服务自然更加精准、周全。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于5 天前
    最后回复 红茜茜 5 天前
    2605 0
  • 解析两类常见的图像识别技术
    随着计算机技术的迅速发展和科技的不断进步,图像识别技术已经在众多领域中得到了应用。 图像识别分为生物识别、物体与场景识别和视频识别。据估算,到2020年,生物识别技术市场规模将达到250亿美元,5年内年均增速约14%。其中,人脸识别增速最快,将从2015年的9亿美元增长到2020年的24亿美元。 移动互联网、智能手机以及社交网络的发展带来了海量图片信息,根据媒体报道,去年5月Instagram每天图片上传量约为6000万张;今年2月份WhatsApp每天的图片发送量为5亿张;国内的微信朋友圈也是以图片分享为驱动。 未来图像识别技术有更大的研究意义与潜力。而且,计算机在很多方面确实具有人类所无法超越的优势,也正是因为这样,图像识别技术才能为人类社会带来更多的应用。 神经网络的图像识别技术 神经网络图像识别技术是一种比较新型的图像识别技术,是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。这里的神经网络是指人工神经网络,也就是说这种神经网络并不是动物本身所具有的真正的神经网络,而是人类模仿动物神经网络后人工生成的。 在神经网络图像识别技术中,遗传算法与BP网络相融合的神经网络图像识别模型是非常经典的,在很多领域都有它的应用。在图像识别系统中利用神经网络系统,一般会先提取图像的特征,再利用图像所具有的特征映射到神经网络进行图像识别分类。 以汽车拍照自动识别技术为例,当汽车通过的时候,汽车自身具有的检测设备会有所感应。此时检测设备就会启用图像采集装置来获取汽车正反面的图像。获取了图像后必须将图像上传到计算机进行保存以便识别。最后车牌定位模块就会提取车牌信息,对车牌上的字符进行识别并显示最终的结果。在对车牌上的字符进行识别的过程中就用到了基于模板匹配算法和基于人工神经网络算法。 非线性降维的图像识别技术 计算机的图像识别技术是一个异常高维的识别技术。不管图像本身的分辨率如何,其产生的数据经常是多维性的,这给计算机的识别带来了非常大的困难。想让计算机具有高效地识别能力,最直接有效的方法就是降维。降维分为线性降维和非线性降维。例如主成分分析(PCA)和线性奇异分析(LDA)等就是常见的线性降维方法,它们的特点是简单、易于理解。但是通过线性降维处理的是整体的数据集合,所求的是整个数据集合的最优低维投影。 经过验证,这种线性的降维策略计算复杂度高而且占用相对较多的时间和空间,因此就产生了基于非线性降维的图像识别技术,它是一种极其有效的非线性特征提取方法。此技术可以发现图像的非线性结构而且可以在不破坏其本征结构的基础上对其进行降维,使计算机的图像识别在尽量低的维度上进行,这样就提高了识别速率。 而在人脸图像识别系统所需的维数通常很高,其复杂度之高对计算机来说无疑是巨大的“灾难”。由于在高维度空间中人脸图像的不均匀分布,使得人类可以通过非线性降维技术来得到分布紧凑的人脸图像,从而提高人脸识别技术的高效性。 图像识别技术虽然是刚兴起的技术,但其应用已是相当广泛。并且,图像识别技术也在不断地长大,随着科技的不断进步,人类对图像识别技术的认识也会更加深刻。未来图像识别技术将会更加强大,更加智能地出现在我们的生活中,为人类社会的更多领域带来重大的应用。 原文章作者:芯思杰,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于5 天前
    最后回复 周映雪 5 天前
    3278 0
  • 你真的了解人脸识别吗?人脸无感识别真的能保证考勤真实吗?
    伴随“人工智能”时代的到来, 以人脸识别为代表的技术革新正在火热进行。 人脸识别作为技术领域的“新星”, 不仅在计算机技术研究领域受到追捧, 在落地应用方面也得到了业界的强烈关注。 那么,人脸识别的技术原理是什么呢? 人脸识别领域的发展现状 与未来趋势又是怎样的呢? 什么是人脸识别? 人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。通常采用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸。 无感人脸识别原理 通过人脸识别系统能采集和存储人脸图像,自动感应进入识别范围的人,并触发系统工作。系统支持动态人脸捕获,能捕获正常行走中的人员的人脸图像,无需人员停留或作出指定动作。系统同时支持多人的人脸图像捕获,能在短时间内完成来自摄像头的人脸图像与人脸图像库的对比识别,从而进行考勤打卡或通行。 无感人脸识别的特点 a非接触性:在人脸识别门禁解决方案中,用户不需要和人脸设备进行任何肢体上的直接接触,刷脸成功即可通行,而能够有效避免细菌疾病通过接触传播,安全卫生。 b非强制性:当用户进入人脸识别的摄像范围时,人脸设备将主动获取用户的人脸信息,用户无需携带任何的信息载体,通行更加便捷,同时用户体验更好,接受度更高。 c并发性:人脸识别考勤解决方案突破了传统考勤系统只能进行一对一识别的局限,在不同的实际应用场景可以进行多个人脸分拣、判断及识别。 d人脸信息具有唯一性:人脸识别是活体生物特征识别技术,动态的人脸信息独一无二,难以复制,不存在被盗用的风险,安全性更高。 基于无感人脸识别的原理和特点 开发的但眼考勤云系统, 成为企业考勤打卡的新宠, 无排队,无接触,更便捷! 无感人脸识别为考勤打卡 提供重要的技术支撑, 实现考勤数据实时共享云端, 保证考勤打卡的真实与准确, 让办公生活智能化! 原文章作者:易新速,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于5 天前
    最后回复 私凋 5 天前
    2453 0
  • 解读Keras在ImageNet中应用:详解5种图像识别模型
    更多深度文章,请关注:https://yq.aliyun.com/cloud 几个月前,我写了一篇关于如何使用CNN(卷积神经网络)尤其是VGG16来分类图像的教程,该模型能够以很高的精确度识别我们日常生活中的1000种不同种类的物品。 那时,模型还是和Keras包分开的,我们得从free-standing GitHub repo上下载并手动安装;现在模型已经整合进Keras包,原先的教程也已经不再适用,所以我决定写一篇新的教程。 在教程中,你将学习到如何编写一个Python脚本来分类你自己的图像。 博客结构 1.简要说明一下这几个网络架构; 2.使用Python编写代码:载入训练好的模型并对输入图像分类; 3.审查一些样本图片的分类结果。 Keras中最新的深度学习图像分类器 Keras提供了五种开箱即用型的CNN: 1.VGG16 2.VGG19 3.ResNet50 4.Inception V3 5.Xception 什么是ImageNet ImageNet曾是一个计算机视觉研究项目:(人工)打标签并分类成22000个不同物品种类。然而,当我们在讨论深度学习和CNN的时候,“ImageNet”意味着ImageNet Large Scale Visual Recognition Challenge,简写为ILSVRC。 ILSVRC的目的是训练一个能够正确识别图像并分类(1000种)的模型:模型使用约120万张图像用作训练,5万张图像用作验证,10万张图像用作测试。 这1000种分类涵盖了我们的日常生活接触到的东西,具体列表请点击。 在图像分类上,ImageNet竞赛已经是计算机视觉分类算法事实上的评价标准——而自2012年以来,排行榜就被CNN和其它深度学习技术所统治。 过去几年中ImageNet竞赛里表现优异的模型在Keras中均有收录。通过迁移学习,这些模型在ImageNet外的数据集中也有着不错的表现。 VGG16和VGG19 图1: VGG网络架构(source) VGG网络架构于2014年出现在Simonyan和Zisserman中的论文中,《Very Deep Convolutional Networks for Large Scale Image Recognition》。 该架构仅仅使用堆放在彼此顶部、深度不断增加的3×3卷积层,并通过max pooling来减小volume规格;然后是两个4096节点的全连接层,最后是一个softmax分类器。“16”和“19”代表网络中权重层的数量(表2中的D和E列): 在2014年的时候,16还有19层网络还是相当深的,Simonyan和Zisserman发现训练VGG16和VGG19很有难度,于是选择先训练小一些的版本(列A和列C)。这些小的网络收敛后被用来作为初始条件训练更大更深的网络——这个过程被称为预训练(pre-training)。 预训练很有意义,但是消耗大量时间、枯燥无味,在整个网络都被训练完成前无法进行下一步工作。 如今大部分情况下,我们已经不再使用预训练,转而采用Xaiver/Glorot初始化或者MSRA初始化(有时也被称作He et al.初始化,详见《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》)。如果你感兴趣,可以从这篇文章中理解到weight initialization的重要性以及深度神经网络的收敛——《All you need is a good init, Mishkin and Matas (2015)》。 VGGNet有两个不足: 1.训练很慢; 2.weights很大。 由于深度以及全连接节点数量的原因,VGG16的weights超过533MB,VGG19超过574MB,这使得部署VGG很令人讨厌。虽然在许多深度学习图像分类问题中我们仍使用VGG架构,但是小规模的网络架构更受欢迎(比如SqueezeNet, GoogleNet 等等)。 ResNet 与AlexNet、OverFeat还有VGG这些传统顺序型网络架构不同,ResNet的网络结构依赖于微架构模组(micro-architecture modules,也被称为network-in-network architectures) 。 微架构模组指构成网络架构的“积木”,一系列的微架构积木(连同你的标准CONV,POOL等)共同构成了大的架构(即最终的网络)。 ResNet于2015年出现在He et al的论文《Deep Residual Learning for Image Recognition》中,它的出现很有开创性意义,证明极深的网络也可以通过标准SGD(以及一个合理的初始化函数)来训练: 图3: He et al.于2015年提出的残差模组 在2016年的著作《Identity Mappings in Deep Residual Networks》中,他们证实了可以通过更新残差模组(residual module)来使用标志映射(identify mappings),达到提高精度的目的。 图4:(左)原始残差模组 (右)使用预激活(pre-activation)更新的残差模组 尽管ResNet比VGG16还有VGG19要深,weights却要小(102MB),因为使用了全局平均池化(global average pooling),而不是全连接层。 Inception V3 “Inception”微架构于2014年出现在Szegedy的论文中,《Going Deeper with Convolutions》。 图5: GoogleNet中使用的Inception模组原型 Inception模组的目的是扮演一个“多级特征提取器”,在网络相同的模组内计算1×1、3×3还有5×5的卷积——这些过滤器的输出在输入至网络下一层之前先被堆栈到channel dimension。 该架构的原型被称为GoogleNet,后继者被简单的命名为Inception vN,N代表Google推出的数字。 Keras中的Inception V3架构来自于Szegedy et al.的后续论文,《Rethinking the Inception Architecture for Computer Vision(2015)》,该论文打算通过更新inception模组来提高ImageNet分类的准确度。 Inception V3比VGG还有ResNet都要小,约96MB。 Xception 图6: Xception架构 Xception是被Fran?ois Chollet提出的, 后者是Keras库的作者和主要维护者。 Xception是Inception架构的扩展,用depthwise独立卷积代替Inception标准卷积。 关于Xception的出版物《Deep Learning with Depthwise Separable Convolutions》可以在这里找到。 Xception最小仅有91MB。 SqueezeNet Figure 7:“fire”模组,由一个“squeeze”和一个“expand”模组组成。(Iandola et al., 2016) 仅仅4.9MB的SqueezeNet架构能达到AlexNet级别的精确度(~57% rank-1 and ~80% rank-5),这都归功于“fire”模组的使用。然而SqueezeNet的训练很麻烦,我会在即将出版的书——《Deep Learning for Computer Vision with Python》——中介绍如何训练SqueezeNet来处理ImageNet数据集。 使用Python和Keras通过VGGNet,ResNet,Inception和Xception对图像分类 新建一个文件,命名为classify_image.py,编辑插入下列代码 1 # import the necessary packages2 from keras.applications import ResNet503 from keras.applications import InceptionV34 from keras.applications import Xception # TensorFlow ONLY5 from keras.applications import VGG166 from keras.applications import VGG197 from keras.applications import imagenet_utils8 from keras.applications.inception_v3 import preprocess_input9 from keras.preprocessing.image import img_to_array10 from keras.preprocessing.image import load_img11 import numpy as np12 import argparse13 import cv2 第2-13行导入需要的包,其中大部分都属于Keras。 第2-6行分别导入ResNet,Inception V3, Xception, VGG16, 还有VGG19——注意Xception只兼容TensorFlow后端。 第7行导入的image_utils包包含了一系列函数,使得对图片进行前处理以及对分类结果解码更加容易。 余下的语句导入其它有用的函数,其中NumPy用于数学运算,cv2用于与OpenCV结合。 15 # construct the argument parse and parse the arguments16 ap = argparse.ArgumentParser()17 ap.add_argument("-i", "--image", required=True,18 help="path to the input image")19 ap.add_argument("-model", "--model", type=str, default="vgg16",20 help="name of pre-trained network to use")21 args = vars(ap.parse_args()) --image为希望进行分类的图像的路径。 --model为选用的CNN的类别,默认为VGG16。 23 # define a dictionary that maps model names to their classes24 # inside Keras25 MODELS = {26 "vgg16": VGG16,27 "vgg19": VGG19,28 "inception": InceptionV3,29 "xception": Xception, # TensorFlow ONLY30 "resnet": ResNet5031 }32 33 # esnure a valid model name was supplied via command line argument34 if args["model"] not in MODELS.keys():35 raise AssertionError("The --model command line argument should "36 "be a key in the `MODELS` dictionary") 第25-31行定义了一个词典,将类映射到对应的模型名称。 如果没有在该词典中找到“--model”,就会报错。 输入一个图像到一个CNN中会返回一系列键值,包含标签及对应的概率。 ImageNet采用的图像尺寸一般为224×224, 227×227, 256×256, and 299×299,但是并不是绝对。 VGG16,VGG19以及ResNet接受224×224的输入图像, 而Inception V3和Xception要求为299×299,如下代码所示: 38 # initialize the input image shape (224x224 pixels) along with39 # the pre-processing function (this might need to be changed40 # based on which model we use to classify our image)41 inputShape = (224, 224)42 preprocess = imagenet_utils.preprocess_input43 44 # if we are using the InceptionV3 or Xception networks, then we45 # need to set the input shape to (299x299) 46 # and use a different image processing function47 if args["model"] in ("inception", "xception"):48 inputShape = (299, 299)49 preprocess = preprocess_input 这里我们初始化inputShape为224×224像素,初始化预处理函数为keras.preprocess_input——执行mean subtraction运算。 如果使用Inception或者Xception,inputShape需要改为299×299 像素,预处理函数改为separate pre-processing函数。 下一步就是从磁盘载入网络架构的weights,并实例化模型: 51 # load our the network weights from disk (NOTE: if this is the52 # first time you are running this script for a given network, the53 # weights will need to be downloaded first -- depending on which54 # network you are using, the weights can be 90-575MB, so be55 # patient; the weights will be cached and subsequent runs of this56 # script will be *much* faster)57 print(" loading {}...".format(args["model"]))58 Network = MODELS]59 model = Network(weights="imagenet") 注意:VGG16和VGG19的weights大于500MB,ResNet的约等于100MB,Inception和Xception的介于90-100MB之间。如果这是你第一次运行某个网络,这些weights会自动下载到你的磁盘。下载时间由你的网络速度决定,而且下载完成后,下一次运行代码不再需要重新下载。 61 # load the input image using the Keras helper utility while ensuring 62 # the image is resized to `inputShape`, the required input dimensions 63 # for the ImageNet pre-trained network 64 print(" loading and pre-processing image...") 65 image = load_img(args["image"], target_size=inputShape) 66 image = img_to_array(image) 67 68 # our input image is now represented as a NumPy array of shape 69 # (inputShape[0], inputShape[1], 3) however we need to expand the 70 # dimension by making the shape (1, inputShape[0], inputShape[1], 3) 71 # so we can pass it through thenetwork 72 image = np.expand_dims(image, axis=0) 73 74 # pre-process the image using the appropriate function based on the 75 # model that has been loaded (i.e., mean subtraction, scaling, etc.) 76 image = preprocess(image) 第65行从磁盘载入输入图像,并使用提供的inputShape初始化图像的尺寸。 第66行将图像从PIL/Pillow实例转换成NumPy矩阵,矩阵的shape为(inputShape[0], inputShape[1], 3)。 因为我们往往使用CNN来批量训练/分类图像,所以需要使用np.expand_dims在矩阵中添加一个额外的维度,如第72行所示;添加后矩阵shape为(1, inputShape[0], inputShape[1], 3)。如果你忘记添加这个维度,当你的模型使用.predict时会报错。 最后,第76行使用合适的预处理函数来执行mean subtraction/scaling。 下面将我们的图像传递给网络并获取分类结果: 78 # classify the image79 print(" classifying image with '{}'...".format(args["model"]))80 preds = model.predict(image)81 P = imagenet_utils.decode_predictions(preds)82 83 # loop over the predictions and display the rank-5 predictions +84 # probabilities to our terminal85 for (i, (imagenetID, label, prob)) in enumerate(P[0]):86 print("{}. {}: {:.2f}%".format(i + 1, label, prob * 100)) 第80行调用.predict函数,并从CNN返回预测值。 第81行的.decode_predictions函数将预测值解码为易读的键值对:标签、以及该标签的概率。 第85行和86行返回最可能的5个预测值并输出到终端。 案例的最后一件事,是通过OpenCV从磁盘将输入图像读取出来,在图像上画出最可能的预测值并显示在我们的屏幕上。 88 # load the image via OpenCV, draw the top prediction on the image,89 # and display the image to our screen90 orig = cv2.imread(args["image"])91 (imagenetID, label, prob) = P[0][0]92 cv2.putText(orig, "Label: {}, {:.2f}%".format(label, prob * 100),93 (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2)94 cv2.imshow("Classification", orig)95 cv2.waitKey(0) VGGNet, ResNet, Inception, 和Xception的分类结果 所有的例子都是使用2.0以上版本的Keras以及TensorFlow后台做的。确保你的TensorFlow版本大于等于1.0,否则会报错。所有例子也都使用Theano后端做过测试,工作良好。 案例需要的图片以及代码请前往原文获取。 使用VGG16分类: 1 $ python classify_image.py --image images/soccer_ball.jpg --model vgg16 图8:使用VGG16来分类足球(source) 输出为:soccer_ball,精确度为93.43%。 如果要使用VGG19,只需要替换下--network参数。 1 $ python classify_image.py --image images/bmw.png --model vgg19 图9:使用VGG19来分类汽车(source) 输出为:convertible(敞篷车),精确度为91.76%。然而,我们看一下其它的4个结果:sports car(跑车), 4.98%(也对);limousine(豪华轿车),1.06%(不正确,但也合理);car wheel(车轮),0.75%(技术上正确,因为图中确实出现了轮子)。 从下面的例子,我们可以看到类似的结果: 1 $ python classify_image.py --image images/clint_eastwood.jpg --model resnet 图10:使用ResNet分类(source). ResNet成功将图像分类为revolver(左轮手枪),精确度69.79%。有趣的是rifle(步枪)为7.74%,assault rifle(突击步枪)为5.63%。考虑到revolver的观察角度还有相对于手枪来说巨大的枪管,CNN得出这么高的概率也是合理的。 1 $ python classify_image.py --image images/jemma.png --model resnet 图11:使用ResNet对狗进行分类 狗的种类被正确识别为beagle(小猎兔狗),精确度94.48%。 然后我试着分类《加勒比海盗》中的图片: 1 $ python classify_image.py --image images/boat.png --model inception 图12:使用ResNet对沉船进行分类(source) 尽管ImageNet中有“boat”(船)这个类别,Inception网络依旧正确地将该场景识别为“(ship) wreck”(沉船),精确度96.29%。其它的标签,比如“seashore”(海滩), “canoe”(独木舟), “paddle”(桨),还有“breakwater”(防波堤),也都相关,在特定的案例中也绝对正确。 下一个例子是我办公室的长沙发,使用Inception进行分类。 1 $ python classify_image.py --image images/office.png --model inception 图13:使用Inception V3分类 Inception准确地识别出图中有“table lamp”(台灯),精确度69.68%。其它的标签也完全正确:“studio couch”(两用沙发),“window shade”(窗帘), “lampshade”(灯罩), 还有“pillow”(枕头)。 下面是Xception: 1 $ python classify_image.py --image images/scotch.png --model xception 图14:使用Xception分类(source) Xception将图片正确分类为“barrels”(桶)。 最后一个例子使用VGG16: 1 $ python classify_image.py --image images/tv.png --model vgg16 图15:使用VGG16分类。 图片来自于《巫师3:狂猎》。VGG16的第一个预测值为“home theatre”(家庭影院),前5个预测中还有一个“television/monitor”(电视/显示器),预测很合理。 正如你从上述例子中所看到的,使用IamgeNet数据集训练的模型能够准确识别大量日常生活中的物品。希望你能在自己的项目中用到这些代码。 之后呢? 如果你想从头开始训练自己的深度学习网络,该怎么做? 我的新书能够帮助你做到这些,从一个为深度学习的菜鸟长大为专家。 总结 在今天的博客中,我们回顾了5种卷积神经网络(CNN): 1.VGG16 2.VGG19 3.ResNet50 4.Inception V3 5.Xception 然后是使用这些架构对你自己的图像进行分类。 如果你对深度学习还有卷积神经网络有更多的兴趣,一定要看一看我的新书《Deep Learning for Computer Vision with Python》,现在就可以进行订购。 博客代码下载。 关于作者: Adrian Rosebrock,企业家兼博士,推出了两个成功的图像搜索引擎:ID My Pill和Chic Engine。 本文由北邮@爱可可-爱生活老师推荐,阿里云云栖社区组织翻译。 文章原标题《ImageNet: VGGNet, ResNet, Inception, and Xception with Keras》,作者:Adrian Rosebrock,译者:杨辉,审阅:董昭男,附件为原文的pdf。 文章为简译,更为详细的内容,请查看原文 原文章作者:阿里云云栖号,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于5 天前
    最后回复 啕苞 5 天前
    1326 0
  • 图像识别的可视化解释史
    过去11年中用于解释神经网络的最新方法是如何发展的呢? 本文在 Inception 网络图像分类器上尝试使用引导反向传播进行解释演示。 为什么「解释」很重要? 使用机器学习(ML)算法(尤其是现代深度学习)进行图像识别的最大挑战之一,是难以理解为什么一个特定的输入图像会产生它所预测的结果。 ML模型的用户通常想了解图像的哪些部分是预测中的重要因素。这些说明或“解释”之所以有价值,有很多原因: 机器学习开发人员可以分析调试模型的解释,识别偏差,并预测模型是否可能推广到新的图像 如果提供了为何做出特定预测的解释,则机器学习模型的用户可能会更信任模型 像 GDPR 这样围绕机器学习的规则要求一些算法决策能够用人类的术语来解释 因此,至少从2009年开始,研究人员就开发了许多不同的方法来打开深度学习的“黑匣子”,从而使基础模型更容易解释。 下面,我们为过去十年中最先进的图像解释技术整合了视觉界面,并对每种技术进行了简要描述。 我们使用了许多很棒的库,但是特别依赖 Gradio 来创建你在下面的 gif 文件和 PAIR-code 的 TensorFlow 实现中看到的接口。 用于所有接口的模型是Inception Net图像分类器,可以在此jupyter笔记本和Colab上找到复制此博客文章的完整代码。 在我们深入研究论文之前,让我们先从一个非常基本的算法开始。 七种不同的解释方法 Leave-one-out (LOO) Leave-one-out (LOO) 是最容易理解的方法之一。如果你想了解图像的哪个部分负责预测,这可能会是你想到的第一个算法。 其思想是首先将输入图像分割成一组较小的区域,然后,运行多个预测,每次都屏蔽一个区域。根据每个区域的「被屏蔽」对输出的影响程度,为每个区域分配一个重要性分数。这些分数是对哪个区域最负责预测的量化。 这种方法很慢,因为它依赖于运行模型的许多迭代,但是它可以生成非常准确和有用的结果。上面是杜宾狗的图片示例。 LOO是Gradio库中的默认解释技术,完全不需要访问模型的内部——这是一个很大的优点。 Vanilla Gradient Ascent [2009 and 2013] Paper: Visualizing Higher-Layer Features of a Deep Network [2009] Paper: Visualizing Image Classification Models and Saliency Maps [2013] 这两篇论文的相似之处在于,它们都通过使用梯度上升来探索神经网络的内部。换句话说,它们认为对输入或激活的微小更改将增加预测类别的可能性。 第一篇论文将其应用于激活,作者报告说,「有可能找到对高级特征的良好定性解释, 我们证明,也许是违反直觉的,但这种解释在单位水平上是可能的,它很容易实现,并且各种技术的结果是一致的。」 第二种方法也采用梯度上升,但是直接对输入图像的像素点进行探测,而不是激活。 作者的方法「计算特定于给定图像和类的类显着性图,这样的地图可以使用分类ConvNets用于弱监督的对象分割。」 Guided Back-Propogation [2014] Paper: Striving for Simplicity: The All Convolutional Net [2014] 本文提出了一种新的完全由卷积层构成的神经网络。由于以前的解释方法不适用于他们的网络,因此他们引入了引导式反向传播。 该反向传播可在进行标准梯度上升时过滤掉传播时产生的负激活。作者称,他们的方法「可以应用于更广泛的网络结构。」 Grad-CAM [2016] Paper: Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization [2016] 接下来是梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM) 。它利用「任何目标概念的梯度,流入最后的卷积层,生成一个粗糙的定位映射,突出图像中的重要区域,以预测概念。」 该方法的主要优点是进一步推广了可以解释的神经网络类(如分类网络、字幕和可视化问答(VQA)模型) ,以及一个很好的后处理步骤,围绕图像中的关键对象对解释进行集中和定位。 SmoothGrad [2017] Paper: SmoothGrad: removing noise by adding noise [2017] 像前面的论文一样,此方法从计算类评分函数相对于输入图像的梯度开始。 但是,SmoothGrad通过在输入图像中添加噪声,然后针对图像的这些扰动版本中的每一个来计算梯度,从而在视觉上锐化这些基于梯度的灵敏度图。将灵敏度图平均在一起可以得到更清晰的结果。 Integrated Gradients [2017] Paper: Axiomatic Attribution for Deep Networks [2017] 不同于以往的论文,本文的作者从解释的理论基础入手。它们「确定了归因方法应该满足的两个基本公理——敏感性和实现不变性」。 他们用这些原理来指导设计一种新的归属方法(称为综合梯度),该方法可以产生高质量的解释,同时依旧只需要访问模型的梯度; 但是它添加了一个「基线」超参数,这可能影响结果的质量。 Blur Integrated Gradients [2020] Paper: Attribution in Scale and Space [2020] 论文研究了一个最新技术---- 这种方法被提出来用于解决具体的问题,包括消除「基线」参数,移除某些在解释中倾向于出现的视觉伪影。 此外,它还「在尺度/频率维度上产生分数」,本质上提供了图像中重要物体的尺度感。 下面这张图比较了所有这些方法: 原文章作者:新机器视觉,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于6 天前
    最后回复 牌揍 6 天前
    1286 4
  • 犀牛智造,这不是两年前阿里吹过的牛吗?
    出品| 虎嗅科技组 作者| 宇多田 头图为杭州乔司小镇的服装加工厂 要想在互联网行业看懂一些东西,据说只要在媒体呆的够久就可以。 犀牛工厂的新智造概念在这几天持续发酵后,我们一直觉得这项业务的逻辑似曾相识,但又陷入自我怀疑,想着或许这次面向中小服装厂和淘宝服饰商家的“赋能”,的确会因为技术的快速迭代而与众不同。 然而,面对各种未见真实生产线,便开始“为民欢呼”,甚至上升到推进整个国家服装行业发展的长篇画大饼式分析,我们找到了走出“迷茫”的方法——把阿里曾在两年前做的一些事情展现给大家看,与读者一起讨论两者到底有什么差异。 不吹捧,不贬低,让我们看看这场阿里新制造的狂欢,能否像很多人预测的那样,给服装行业带来翻天覆地的变化。 图片来自虎嗅Pro:犀牛样板工厂 阿里犀牛CEO伍学刚在接受36氪专访时,明确指出犀牛新制造要做两件事情: 一边是面向淘宝商家,以销定产,做到小单快反,解决服务和成本难题; 另一边则是赋能服装工厂,做到“合理安排产能”。通过犀牛工厂这个样板间,未来将数字化生产模式“移植”给成百上千家工厂,让工厂生产流程数据化和透明化。 很明显,这本质上是解决供需两侧的信息不对称问题,让信息流通更为高效。 而这正好是两年前,阿里1688(B2B商贸平台)牵头的“淘工厂新制造项目”做过的事情。 淘工厂项目负责人在2018年接受我们采访时,曾表示“已经帮超3万家工厂实现基于海量大数据的精准匹配,让优质工厂获得精准客户资源,减少因供需不匹配造成的时间和资源浪费”。 而匹配的方式,便是与阿里云IOT团队合作: 第一,阿里云技术团队会帮助工厂产线部署IOT设备让服装厂每条生产线的情况完全数据化。 第二,通过对服装生产线的视觉识别分析,完成生产流程数字化。 第三,将线上整个供应链数据打通。 很明显,他们要解决的,也是供需端的不匹配问题,方法也有点像“工厂数字化改造”。 很幸运,我们在2018年接受阿里1688的邀请,曾到杭州探访过一个叫做乔司的小镇,那里聚集着上百家中小服装厂。有些甚至不能称之为工厂,它们很多隐藏在居民楼里,更应该被称为“制衣作坊”—— 没有多么先进的生产线,但是一个不到50人的生产小组却可以每天制作出成百上千件衣服。 在杭州乔司小镇上,有很多家庭式生产作坊。 当时,淘工厂的一个标杆项目——点石工厂是我此行的目的地。但很遗憾,我当时看到的景象,跟当下看到的犀牛制造高大上的“自动化样板间”很不一样,但这却是长江三角洲与珠江三角洲的数万中小服装加工厂的普遍模样。 面料、裁剪环节以及缝制环节都在一个空间里。 它的“内里”一点也不高大上,衣服材料在角落堆的到处都是,所谓的生产线,其实就是若干个裁剪师傅“手指翻飞”出牛仔裤或连帽衫的雏形,然后将它们送上另一边的缝制台。 整个场面是忙乱且没有节奏感的,只有机器嗡嗡的噪音和满天乱飞的棉絮填满一个几百平米的空间。 来料堆在一旁。 当时,淘工厂打出的口号是“用低成本数字化软硬件,帮工厂实现各个生产数据流程化”。而点石老板王存石,据说是花了5万元采购了这套结合了人工智能和IOT技术的软硬件设备。 因此,我们看到在相对简陋的工作台上方前后两头,都安装了类似摄像头一样的硬件。据点石老板介绍,在这个不大的空间里,包括裁床、缝纫等所有生产环节共装了大约20个摄像头以及可满足实时监测的边缘服务器。 边缘服务器 阿里当时告诉我们,这些IOT硬件的作用主要是通过计算机视觉分析,能把每个生产流程都做数据化处理。 这样一来,工厂如果接10个单子,那么每个订单都可以被线上系统自动将工厂与买家匹配成组,由线上虚拟机器人进行生产计划管理,自动跟踪生产计划。 “一环扣一环,能节省两边的时间吧。” 当时点石老板王存石告诉我们,以前都是经常接5000件以上的大单,因为根本没时间接小单,既“浪费”人力和时间,也不太赚钱。 但是,生意的确真的一年比一年难做,单子要靠抢才能抢到,而小工厂自己也搞不清楚市场形势。 他悄悄告诉过我们,每年有很多工厂都会因双十一押宝失误而导致产品库存积压,欠好多钱。“旁边就有一个工厂主年前跳楼了,因为工厂积压了太多羽绒服销不出去倒闭了”,他承认,市场预测能力和清库存能力是他们这些中小规模工厂所不具备的。 与此同时,淘宝越来越多店铺,特别是很多所谓的“设计师品牌”,更倾向于“根据销量来确定生产数量”,所以他们就一直在找方法来优化生产流程,尽可能缩短出货周期。 “很多时候我们跟客户的矛盾是,他们觉得我们没在给他们生产,把他们排到了后面,故意拖;但我们其实每个订单都有固定的排期,跟他们解释也总是说不清楚。” 因此,将“面料到仓”、“投料开裁”,“生产车缝”,“下线撤产”等所有交易和生产步骤都通过线上公开透明化——由工厂端上传图片或视频),让客户端在线看到自己的产品有了进度更新,的确解决了一个问题。 很明显,“投料开裁”一栏有上传的视频为证 另一边,作为工厂老板,王存石为了能够接更多小单,将几十人的生产小组分拆为很多不同的组合模式,这跟传统大厂的流水组有非常大的区别。 “做大单的是超过20人的标准流水线,那做小单的就单独成立了2人、4人以及6人小组。相当于就把每个单子按照规模,灵活安排给不同规模的生产组。” 有意思的是,当时这个项目也提到了要学习和超越Zara的“快反”模式。 服装供应链的快速反应概念,是由全球著名快时尚品牌Zara首先提出来的。而一项叫做“射频识别”(RFID)的技术,被其充分应用在了整个供应链条中——通过商品以及生产流程上的“识别码”,实现产品从工厂最终到达店面的全程追踪,并可以实时监测库存情况。 而在淘工厂项目里,“计算机视觉”和”线上大数据分析”则成为宣传中服装加工厂实现小单快反和按销生产的关键技术。据当时官方提供的数据是,通过计算机视觉算法,点石工厂优化了生产流程,排产提升了6%,交付周期缩短10%;而淘宝天猫数据则可以帮工厂做市场判断。 此外,在1688平台上,淘工厂参照了ZARA的供应商评级模式,对于工厂做了等级划分。等级越高的工厂,越有机会接到优质客户的订单。 没错,每个环节的交付透明化和数据共享,能够让多个订单并行操作时更加有序化,也在某种程度上“标准化”了交付流程,让每个工序都能一环扣一环地进行,的确可以节省时间; 而线上的市场与销量大数据分析与线下生产制造环节的数据打通,可以让工厂在淡季和旺季安排出“大中小订单”的不同最佳组合,不出现生产缝隙,做到淡季不淡;而淘宝商家也能被匹配到产能和技术适合的工厂。 一切从理论上看起来都无懈可击。 但是仔细一想,这里面其实存在着一些肉眼可见的漏洞和让人困惑的结论。 首先,生产流程透明化,是否就需要计算机视觉?除了图像数据,还有什么其他数据? 根据做过类似项目的工业互联网行业人士的说法,很多衣服堆叠在一起,图像识别几乎不起作用——无论是确认数量还是确认质量,都没有太大用处。 “在这种环境里,非常难。即便这个工序完成了,也可以由工人直接按下按钮,并非需要机器来确认。 而且完工确认并非是确认某件衣服的样子,而是通过一些执行动作或者是数量来确定。总的来说,图像识别在这种繁杂的环境里挺鸡肋,但是摄像头却可以做实时监测和现场工况确认,譬如确认工人的加工情况,是有必要的。” 那么问题来了,除了图像数据,那么现场还采集了哪些可用的数据用来调配人力,调整库存?在逛了一圈车间后,我没有什么其他发现。 其次,虽然衣服可以是“标品”,但是在这种不到百人的小型服装加工厂,流程其实一点也不标准。 在参观时,打板的团队在一个封闭的小屋子里工作,那里并没有安装任何设备;而存放衣料的角落也没有任何数字化的痕迹。而二人一组,四人一组手工做小单的师傅,其工作更是难以用摄像头或其他传感器来量化。 本来工业的智能化改造,都是建立在自动化基础上。没有设备自动化,何谈智能化呢?这种改造更像是一种“交易上云”,而非智能化改造。 当时在向老板提出这个疑问时,他也曾承认一些环节“的确需要手动来点击完成”,订单线上化的意义更在于“避免两边扯皮,随时查看订单并行进度。” 第三,所谓不到5万,就能用标配软硬件设备帮中小服装工厂完成智能化改造,听起来有点像耍流氓。 即便像很多人说的服装工厂流程相对简单,但每家服装工厂的生产车间大小不一样,员工数量也不一样,设备的功能和老旧程度不一样,各个生产环节的规模不一样,加工工艺也不一样,人员流动情况也不一样……不知如何用同样的价格和相同数量的硬件一概而论。 此外,工程师的人力费用、系统实时更新和后续服务的费用,也都是非常昂贵的成本。 第四,以销定产,阿里的确可以帮助工厂实现。譬如当季究竟流行什么,用人工智能来预测用户偏好,比起工厂老板拍脑袋的确更管用。但是,技术目前只能把线上这部分单维度的工作做好,而线下生产车间是一个复杂的多面体,即便将线上数据与工厂的线下生产流程数据完全打通,也解决不了影响工厂生存的本质问题。 技术和研发技术的人,也需要对服装行业的生产工艺、师傅手艺熟练度、工厂人员流动(工人去留很不稳定),外贸转内销的市场变化,以及激烈的竞争环境有很高的洞察力和领悟力。 此外,大家可能忽视了“点石”这个标杆项目的一个细节,就是所有分组都是老板安排的——大组与小组的人员配比,如何分组才能让生产效率最大化,做到足够弹性?根据我们的现场观察,现场没有丝毫系统决策的痕迹。“人”,依旧在中小规模工厂中起着决定性作用。 总之,别妄想用“技术”和“改造”等字眼,就想完全解决服装加工厂乃至一个行业长期存在的痛点。 有人说阿里想用样板间,向国内工厂出售数字化解决方案。想问这机械臂有几家工厂能买起,需要附带“回本攻略”,而犀牛智造对于商业模式和收入问题一直都回答的比较模糊。图片来自虎嗅Pro 两年后,当我们看到阿里造出了犀牛工厂这个“样板间”后,一方面在思考是不是阿里觉得突破不了国内中小工厂存在的成本与人力瓶颈,索性自己先造一个示范一下,部署上先进设备,从底层到上层全部数据化;另一方面,我们也在想这个两年前的项目是不是有了一些未知变化。 因此,我再次联系了阿里1688,对方已经表示这个项目已经不做了,“升级”为C2M业务,将内贸批发平台1688与淘宝特价版打通。换句话说,就是帮工厂做好与消费者端的“对接”和“匹配”工作,重点放在“工厂直销”上,不再提参与工厂的改造问题。 此外,当我再次联系点石工厂时,对方已经无回复。 如今,取代阿里云IOT团队,由淘系孕育出的犀牛智造,自己造了标杆式的“样板间”,再次提到将人工智能、IOT等技术应用到生产车间中,把工艺数据、产能数据、生产线数据全部打通,用产生的数据来决定工人的调度问题;又再次提到了利用淘宝的海量数据,帮服装品牌做市场预测…… 听起来好像跟两年前一样,又似乎不太一样。 但至少我们清楚了,沿海利润微薄且竞争激烈的中小工厂里那种简陋设备和车间布置,如果直接只架个摄像头,不从底层加以改造,是不会收获足够多的有效数据的。 但话又说回来,阿里自己造一个拥有机械臂和蛛网式吊挂系统的样板工厂,是不是能给时刻徘徊在倒闭边缘的中小工厂一些借鉴,似乎没有太大意义。 那么回到阿里自己身上,这个样板间带来的收益是否足以支持他们建立第二家、第三家工厂? 或许阿里自己算好投资回报比,并在未来实现盈亏平衡后,有意加盟的人可能会把这套模式推广下去,那么到时候效果如何,我们会再次用文字记录下来。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于6 天前
    最后回复 倪腴 6 天前
    3676 0
  • 货架战争打响!详解货架商品识别难点&落地实践
    导读 6月8日晚,品览技术合伙人魏勋在智东西公开课进行了AI零售合辑第三讲的直播讲解,主题为《商品识别算法在货架商品智能巡检中的应用》 在本次讲解中,魏勋老师首先分析新零售下货架巡检存在现状,给出了以图像识别和目标检测实现货架巡检的方案,之后分别从图像分类与目标检测发展历史,货架商品识别的难点、落地关键及实际应用案例等方面进行深入讲解。 (本文为此次专场主讲环节的图文整理,错过课程的小伙伴快来收藏) 大家好,我是魏勋,是上海品览数据的技术合伙人,今天由我为大家带来在快消零售领域的一个具体落地方案,是讲货架商品的智能巡检的应用,今天分享的主题为《商品识别算法在货架商品智能巡检中的应用》,主要分以下5个部分: 1、新零售赛道:货架战争 2、图像分类与目标检测发展历史 3、货架商品识别的难点 4、货架商品识别落地实践 5、货架巡检应用实例 新零售赛道:货架战争 新零售的概念是马云于16年提出,它是用大数据、人工智能等先进的技术手段,对商品的生产、流通与销售过程进行升级改造,进而重塑业态结构和生态圈,并对线上服务、线下体验以及现代物流进行深度融合的零售新模式。 按照传统,在零售领域可以分为三大元素,分别为人、货、场,人是指消费者,货是指商品,即SKU,场是指各种大卖场、超市、全家便利店或夫妻老婆店等。场可以再细分到最小的有机单元,就是货架。随着新零售时代到来,货架已经逐渐成为零售企业的战场。 货架的情况包括商品有多少,它被放在哪里?放在哪里比较适合?同时也包括陈列哪些品类,有没有竞品,竞品是如何放置?这些对于零售企业都很重要,对于未来销售、营销的策略有很大的参考意义,所以把它称为一场关于货架的战争。 举个简单的例子,比如当货架上的商品缺货了,作为一个消费者,会做什么样的行为?可能会买别的品牌,还可能去别处买,或者干脆不买,或买另一种类型替代。无论如何若货架上缺货时,品牌商可能会失去46%的购买者,而零售商可能会失去30%的购买者。 为了要打赢这场货架战争,我们必须要精确的获取线下商品的实际陈列信息。为了做到这一步,我们必须要对货架图像中的商品进行识别,这就会用到计算机视觉领域中的图像分类和目标检测技术。 2 图像分类与目标检测发展历史 如果在CV领域研究比较久的同学肯定清楚,图像分类跟目标检测是计算机视觉中非常基础的研究方向,且非常重要。图像分类是最基础的,例如上图显示的小猫,可以直接对它进行分类,判断到底是猫还是狗。检测就额外增加了一部分,必须进行定位,才知道它到底是在哪里,同时对定位的目标进行分类。 从图像分类和目标检测的发展历史来看,在2012年以前都是通过提取手工特征,比如SIFT、HOG、LBP等,然后才有后续的分类和检测。随着AlexNet在2012年横空出世,后面所有的方法都是用了CNN或者深度学习的方式来自动提取图像特征,进而帮助我们进行图像分类和目标检测。 对于目标检测的发展脉络,可以从1999年SIFT的提出开始,还有Cascades、HOG、DPM等,这些都是2012年之前提出用来实现目标检测的手段。随着AlexNet提出之后,AlexNet最早用于图像分类。2013年后,开始有学者在想目标检测是否也可以用CNN来做,所以第一个作品是Overfeat,在与它很接近的时间里,出现了一个非常经典的网络RCNN,然后像Fast R-CNN、Faster R-CNN还有YOLO系列及SSD和RetinaNet等。诸如此类的很多网络可以从上图中看到,从13年到了19年,这段时间里涌现了非常多的网络,标红的都是些比较有影响力的网络。 目标检测的深度学习模型通常是分为两种,第一种是两阶段模型,有Overfeat和RCNN系列,它先要对目标框有一个比较粗的定位,然后再对粗的目标框进行精细的修正,同时进行分类识别。有学者觉得这太麻烦了,能不能一步到位,直接从图像里得到bounding box和它的类别信息。这就是YOLO系列,还有SSD和RetinaNet等。通常,两阶段模型的精度会比较高,但速度会比较慢;单阶段模型的精度通常要低些,但它的速度会很快,如上图右边所示,不仅是说两阶段、单阶段的问题,还考虑了backbone的问题,若backbone越大,速度可能越慢。我们可以看到同一个backbone,在单阶段的模型下,它的速度远远要快于两阶段模型,但是精度mAP会要低一些,这张图是在COCO数据集上计算的结果。 货架商品识别的难点 上面简要介绍了图像分类及目标检测的大致情况,下面直接进入具体场景,就是货架商品识别。识别包含检测和分类两部分。 对于货架商品识别的难点分成两块,首先,是算法难点,主要有四点。第一是商品种类繁多,像ImageNet用来刷榜时,一般用到1000个种类,但商品的SKU种类基本上是上万,甚至是几十万,对真实世界里面的SKU数量可能是百万千万级;第二是在货架场景中,通常会摆放的非常密集;第三是某些商品非常相似,特征看上去没有明显的差异,这也是图像分类的难点,只是在货架上体现程度可能会更大;第四点比较特殊,同一款商品可能有不同的规格,比如可口可乐,它可能会有330毫升、500毫升,或一升的,它更像是等比例缩放,因为计算机视觉天然是要求有尺度不变性的,这种情况通常是很难区分的。 上图是具体的图片展示,最左边的图是一个调味料的货架,可以看到种类非常多,一排货架里面应该有几十种,摆放也非常密集,基本上是紧挨着的情况。中间的图是一个比较典型的情况,两个商品属于同一个商家,左边是一个常规的,右边的可能是为了某种活动促销特别特意加了100克,可以看到商品其实非常相像,除了中间多了“100克”之外,其他方面没有任何差异。因为在PPT的图比较大,看得比较清楚,如果是在货架上,是很难分辨出来的。右面的图片是同类商品具有多种规格,可以看到最左上角的酱油是300毫升,中间第二排的是500毫升,倒数第二排是800毫升。它们的外观很像,只是存在不同的规格,如果你只是用常规的分类模型去训练,或者用常规的操作去处理,这三种分错的概率很大。 第二个是数据难点,也包括四个部分。第一个是拍摄的货架可能是一种非常倾斜的状态,倾斜很容易导致透视,很多商品就会被遮挡,检测跟分类会受到很大的干扰;第二个是采集到的货架图片是模糊的,里面可辨识的特征基本上看不清,第三个是货架图片翻拍,有一些从业人员可能会偷懒,对着电脑拍一张图片作为工作业绩,然后上传图片,这就是翻拍的情况,这种翻拍也会影响模型的准确率,客户也会要求我们把这类图片识别出来;第四个是货架图片存在曝光过度或者曝光不足的情况,在这种情况下货架的商品基本上看不清的。 针对上面四点,再给大家展示下,第一张图是货架过度倾斜,在过度倾斜的情况下,靠右边的商品还可以看出,但靠左边的商品基本上被遮挡,即使能检测出来,它的类别也识别不了,因为大部分的特征都被遮挡。第二张图展示货架图片模糊的情况,模糊导致看不清商品的主要区分特征,尤其涉及到一些比较相似的商品,模糊基本上就看不清了。第三张图是翻拍的情况,通过肉眼能看出一些情况,它里面会有一条条纹理信息,一般叫摩尔纹,由屏幕的发射光和自然光不一样导致。最后是货架图片过暗或特别亮的情况,过亮时特征都被遮挡,你只能看到一片闪亮,过暗时可以隐约看到一点,但也不知道具体是什么商品。 货架商品识别落地实践 下面介绍下整体落地实践的流程,流程是比较通用的。首先是数据标注,这是深度学习不可避免的。通常先手标一部分,再利用一个比较弱的模型,进行一个预标注,最后是人工调整,这很大程度上节省人力的成本。 第二个是模型的训练调优,通过模型选型和超参的调整去训练模型。训练完后,先做内部测试,内部测完后,还要再做公测,根据公测的反馈,再去迭代上面的步骤,也可能会重新补一批数据,再重新训练模型,达到公测的要求之后,我们会部署上线。目前我们主要是云端部署的方式,模型的云端部署用的是tf serving的方式,外部端是 flask框架。 对于数据难点,其实有一句机器学习的名言:数据是模型的上限,必须要保证数据质量,你才能谈模型的准确率。所以对刚才的几种情况:货架倾斜、模糊、翻拍、过暗和过亮,再把图片送给模型之前,先对图像质量进行分析。实际情况可能还不止这4种。对于货架倾斜,我们会做一个货架检测,根据检测出来的货架层的一个角度来判断倾斜情况。后面三种是通过图像处理的方式来进行判断,一张图片必须通过质量检测,同时满足这4个条件后,才把它送到模型里面去做后续的检测和识别。 在最早期时,对于场景货架商品的识别,我们直接应用检测模型来做检测,但实际上,我们尝试了很多种检测模型,但是效果不太理想,mAP也很低,只有40%左右,与COCO的情况就差不多,SKU类别非常容易分错,根本无法商用。 通过分析发现,首先,直接用检测模型去进行检测、识别,在COCO数据集上在SOTA模型上有54%左右的准确率。由于数据量及SKU的种类数量非常大,所以不容易实现。通过大量的阅读论文,发现目标检测里面的定位和分类,其实是有一定矛盾的,通过上图右边看到,若要检测北极熊,它关注的地方是语义信息比较丰富的,主要集中在中间的部分,对于定位通常是更倾向于去关注物体的边界处。对于检测相当于一个多任务学习,同时去做定位跟识别,是有一定的矛盾的,它会影响检测器的训练。 第二点是一旦更新了某些SKU,就必须要重新训练检测器。若大家对目标检测比较熟悉,发现检测器的训练会花费很长时间,时间成本很大,训练复杂度也很高。所以,是否有一种比较通用的检测器,可以避免了上面提到的两种情况。 经过多方讨论,我们决定对SKU不按具体的类别去标注,而是按它的包装对它进行标注,比如像调味品,主要以瓶装、罐装、盒装主为主,然后以这个标注再去训练检测器,定位到具体的SKU位置,之后对定位出来的SKU进行crop操作,对抠出的小图进行后续的识别,相当于是把它分为两个阶段来做。 为什么要这样做?第一点看使用包装,包装相当于SKU的形状,我们在对SKU形状进行定位及分类时,会削弱定位及分类之间的矛盾。第二点是SKU的种类是成千上万甚至十几万,但是它的包装种类数量是有限的,通常不到10种,具有很强的通用性。一旦训练完成后,如果有SKU的更新,我们不需要再重新训练。除非包装发生了很大的变化,才会重新训练检测模型。 到底要使用一个什么样的检测模型呢?在模型选型时,同时还要兼顾检测精度和速度,目前以云端部署为主,虽然不要求实时性,但也希望尽量快的响应,客户通过web请求,上传图片、做检测分类,还有后续一系列的逻辑处理,在这种情况下,希望能够在几秒内有一个实时响应。 在V100上测试过,早期时分别尝试了Faster-RCNN、RetinaNet、YOLO v3。可以看到Faster-RCNN的backbone用的是ResNet50+FPM,它的检出率能达到能到97.1%,但是它的速度很慢,因为是一个二阶段的模型,只有6FPS;RetinaNet经过调优之后,能达到一个96.7的检出率,速度为15FPS;YOLO v3的效果也不是特别理想,检出率只有94.5%,但是它的FPS很高,能超过30。右图是RetinaNet和YOLO v3对同一张图的检测效果,可以看到YOLO v3会把上面的两个箱体漏掉,而且右边会多检测出非商品的东西,这个与YOLO v3的机制有关,它对如此密集的商品摆放支持不太友好,而RetinaNet使用了一个更密集的Anchor设置,效果上会更好。 介绍完检测后,下一步如何对成千上万的SKU进行有效的识别?最开始考虑用图像检索的方式,这也是比较自然、省力的想法,只需要训练一个比较通用的提特征模型,如有一个新的SKU,只需要提供几张样例图片作为检索库,然后对一个小图进行识别,直接去检索库里面检索即可。所以先通过模型先提取特征,提完后跟检索特征库进行匹配,比如可以直接计算余弦距离或者欧式距离,然后去找Top1。经过多次实验,它的识别准确率最高也只能达到90%左右,这是无法达到商用标准,商用标准一般至少得到97%、98%,对有些客户比较严格会要求99%以上。 原因分析下来发现,首先是不同商品之间的特征差异很大,现实场景很复杂,训练提取特征的模型无法达到很强的鲁棒性。而且业界SOTA的图像检索方法准确率也只有90%左右。最终,还是通过图像分类的方式对小图进行识别。 由上图可以看出,货架上的商品摆放是非常密集的,很容易影响定位精度,造成重框的现象,左边这张图是早期的情况,可以看到第二排下有很多的重框,第三排也是类似的情况。经过优化之后,基本上都能够把重框去掉。分析发现用传统的 smooth-l1的回归loss,以及传统NMS技术无法高效的定位去除重复的框。我们的改进方法是使用一种针对性的回归loss,使得这种密集的商品摆放能够有比较好的回归定位。第二是使用后处理的去重框逻辑,经过这两部分操作后,最终能达到像右边的一个效果。 针对商品十分相似的情况,比如1000种的SKU类别,里面可能有几十种是很相似的,相似商品之间的类间距会很小,它混在大量的类间距很大的类别中,比如酱油跟豆瓣酱,它们可能差异会很大,因为一个是瓶装,一个是罐装;比如两种酱油,一种是红烧酱油,另一种是天然酱油,它们就很接近,可能只是颜色上有差异。之前也实验过用细粒度图像分类来做,但发现细粒度分类是有要求的,必须要求图片的分辨率很高,才能去做细粒度分类,货架图片通常是几百万到千万级的像素,再从里面抠出来的小图,宽、高可能就200×200,是无法满足用细粒度分类要求的。 可以通过一个分治的方法,对SKU进行层级划分,非相似的划在一起,相似的划在一起,相似的都统一一个label,统一完label后,再把相似的具体细划分。相当于在同一层级之下,它们的类间距是在一个量级,至少分类器是不容易去忽视这样的情况。 对于同一类商品具有不同的规格,跟刚才略有差异,因为刚刚只有相似,但还有一些特征差异的,这里并没有太大的特征差异,只是等比例缩放的情况,分析下来发现,对于2D计算机视觉,它本身需要满足尺度不变性,仅靠视觉特征基本是无解的,所以必须要借助非视觉特征。我们会采用机器学习的方法来提取一些关键有用的特征,比如高度、宽度等进行区分,当然这种情况必须得满足拍摄距离是比较固定的。通常拍摄距离不会有大幅的改变,而且我们不仅有高度这样的特征来进行机器学习模型的训练,还会有一些别的非视觉特征。可能有同学会问,如果2D视觉解决不了,为什们不用3D视觉?这受限于我们的场景,图像本身其实主要是由客户来提供,他来调用我们的服务,所以我们是无法要求他持一个3D的设备去进行数据采集,这是无法做到的,也限制了我们的一个技术实施。 货架巡检应用实例 上面介绍了把货架商品识别的难点,以及所采取的方案,下面简单介绍下货架巡检的应用实例。 比如跟欣和的合作,它主要生产各种调味料,像酱油、豆瓣酱等。我们给他做好商品识别后可以用来做什么?首先,他们内部的一些陈列规则,比如看它的排面是否少于竞品,当看到同一排里面少于竞品的,这说明什么?他们要加强这家店或者这些相关货架的陈列数量;第二个是说不在黄金位置,黄金位置是你能进到一个店里,或者是在货架面前最容易拿到或者最容易看到的货架层的位置,通常5层货架,第二层、第三层是黄金位置,第一层可能很不好拿得到,下面两层弯腰也不方便,所以黄金位置,对于商家来说也是很重要的一个指标;第三是缺货、陈列不合格,看货架是否能陈列饱满;第四个是本品没有集中陈列,就是商品不应该隔开来放,应该放在一起。 同时品览也跟国内味全果汁有合作,我们主要是在AI巡店通上做的产品,味全果汁包装的更新速度非常快。所以,我们迭代的速度必须要满足他们更新速度。我们基本能够精确地识别出他们具体有哪些果汁,以及它的一个陈列位置,以及各种陈列信息。 更多技术干货,欢迎持续关注品览。 最新论文分享、大咖直播活动敬请期待! 原文章作者:品览Pinlan,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于6 天前
    最后回复 应云亭 6 天前
    2491 0
  • 科大讯飞拾音领域实现新突破,“谛听”可识别30分贝超小音量
    万物互联,作为人类最自然、便捷的沟通方式,语音正成为所有智能设备至关重要的入口,但入口的关键——拾音,效果往往差强人意。就智能家居来说,它们的拾音范围多集中于近场环境,约为2-3米,且拾取效果欠佳,需多次唤醒。 如果把摄像机比作“眼睛”,拾音器 便是“耳朵”。眼睛看到的图像和耳朵听到的声音组合构成一个基本的影音记录系统。然而这只灵活的耳朵在应用过程中会受到诸如拾音距离、室内混响、环境噪音等诸多因素的影响,这对拾音来说是不小的挑战。 如何真正“耳听八方”?深耕智能语音与人工智能领域多年的科大讯飞,近期推出了全新拾音品牌——谛听,在超小音量拾取和降噪方面再下一城。其实,讯飞在早前推出的讯飞录音笔、智能鼠标、阿尔法蛋等产品均涉及语音交互。基于产品应用的技术积累,这次在拾音领域发力深耕,令人欣喜。 据了解,科大讯飞谛听系列配备了32路麦克风,主打全自动声源定位、自适应波束形成和混响抑制技术以及基于深度学习的噪声抑制和语音自动增益调节算法,可实现室内说话人自动定位、噪声与混响抑制、音量自动调节等功能,从而达到精准拾音的目的。 自动追踪声源,精准拾取30分贝超小音量 近日,某科技博主的一支关于拾音器的评测视频引发关注。视频中,科大讯飞的谛听系列产品和德国森海塞尔、美国舒尔的同类产品“同台竞技”,讯飞表现出彩。 在模拟30分贝人耳都无法听见的超小的音量环境下,森海塞尔拾音稳定,内容清晰,舒尔拾取的声音小且难以分辨说话内容,讯飞谛听拾取的内容清晰,且音质听感较好的。 这主要由于科大讯飞采用了自主研发的全自动声源定位技术,只要有轻微的声音,它便如聚光灯一样迅速定位声源,并对来自其他方位的混响和噪音进行抑制。在实际应用中,32个麦克风组成的阵列可做到7×24小时全天候、全方位、无死角拾音,精准拾取低至30分贝的超小音量。 众所周知,声音在传播过程中会发生衰减,不同方位的声源会导致所拾取语音音量和效果差异较大,全自动声源定位和自适应波束形成技术还使得讯飞谛听在拾取运动的声源方面表现出色。波束如同枪手枪击猎物一样,可自动“瞄准”运动的声源方位。这意味着,对于那些仍需要预设和限制区域才能拾音的设备来说,讯飞这是一大突破。不仅如此,通过对不同音量自动调整,讯飞谛听使得拾取的声音更符合人耳听觉效果。 攻克技术难点,谛听降噪能力惊人 声学环境比想象中更为复杂,环境噪音、干扰噪音、电流噪音等噪声与语音信号在时间和频谱上常常相互交叠,再加上回波和混响的影响,想要捕捉相对纯净的语音非常困难。在评测视频中,评测者分别模拟了环境噪音为70分贝和90分贝的情况,结果显示即使是90分贝的极端噪音环境,谛听都抑制了噪音,对话内容依旧清晰。 面对噪音这一挑战,讯飞谛听依据时域、频域和空域的信息,能有效增强语音并显著抑制噪音对目标语音的影响。它首先通过声音定位技术拾取语音,进行语音增强,实现初步的降噪效果。然后通过波束形成和基于深度学习的语音增强算法和对非方向性和方向性的噪声进行抑制,最后输出时,对音量大小自动增益并根据人耳的听觉特点优化,使声音更加饱满。 核心语音技术驱动发展,未来可赋能多场景 万物智联的时代已然来临,A.I.赋能IOT将激发无限可能,前端拾取的音质高低无疑会为影响后期的语音处理的水平。 谛听系列产品,是科大讯飞21年来始终坚持源头核心技术自主创新的体现。凭借“中文语音技术应由中国人做到最好”的信念,2018年至今,科大讯飞已获得30项人工智能国际竞赛的冠军,涵盖语音识别、语音合成、机器阅读理解、手势识别、图像识别等诸多领域。随着一项项技大关术的突破,科大讯飞也为拾音器的多样化应用场景落地提供了强而有力的技术支撑。以往的拾音设备成本高、音质差、指向性强,无法在大面积推广,谛听的推出,或许将打破这一现象。 据悉,谛听系列产品未来可广泛应用安防、交通、高质量会议等关键场所和重点部位,其实用性应用而言,可以说大有可为。以公共场所为例,以往的视频大多无法精准拾取声音,音频与视频的有效结合,全向采集视听解决了单纯视频的图像死角,有利于防止群体性和违规事件的发生,满足更多现实的需求。 当今世界正经历百年未有之大变局,而人工智能正是引领新一轮科技革命和产业变革的战略性技术,对于推动社会生产力的整体跃升有着重大意义。刘庆峰不止一次表示,“只有占据核心技术的高点,才能在产业发展中赢得主动,在国际竞争中拥有话语权。”讯飞谛听或许正是其20多年专注于人工智能核心技术的最佳体现。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于7 天前
    最后回复 杆括 7 天前
    2902 0
  • 轰6K携4枚鹰击-12重型反舰导弹巡航 稳固的空中打击平台
    18日参与巡航宝岛的机群中又看到了轰-6K的身影,只是这次的载荷和以前不太一样,挂载4枚鹰击-12重型反舰导弹,这种组合也算是第一次出现。其实这倒是也不算是个什么稀奇的事情,因为鹰击-12之前出现在轰-6L和轰-6J上,轰-6K从技术水平上讲带起来肯定是没有什么问题的。借这个机会说一下鹰击-12以及轰炸机带反舰导弹的问题吧 可能大家听鹰击-18超音速反舰导弹比较多,因为最近052D和055的消息太多了,因为装备了大垂直发射单元的原因,所以往往鹰击-18和这两种军舰捆绑出现。其实鹰击-12是我军装备的另一种超音速反舰导弹,而且能做到全程超音速飞行。之前的鹰击-18是亚音速巡航+末段加速到2.5-3倍音速。但鹰击-12巡航阶段就能达到1-1.5倍音速,末段有一个再加速过程,这就相当于超音速巡航++末段加速到2.5-3倍音速。从外形上看,鹰击-12有4个进气道帮助发动机吸入海量的空气,它采用的固体燃料火箭助推+液体燃料冲压发动机。 因为速度越快越难拦截,3倍音速的末段冲击相当于1公里/秒,突破对方军舰近程防空系统的10公里只需要10秒钟,再加上末端机动和超低空的飞行高度,普通舰艇根本没有反应和拦截的时间。其实鹰击-12有个外贸版,以前在展会上出现过,外贸代号CM-302,下面这两张图是外贸版的宣传模拟视频,可以看到在攻击末端进行了较大幅度的机动。所以从技术水平上鹰击-12是很强的, 当然速度是一方面,制导能力是掌控打击精度的最为主要的因素。复合制导是鹰击-12的一个特点,这也是现代导弹基本都具备的一个要素,因为单一制导模式累计误差大,一旦受到干扰或制导本身失效后整个导弹就作废了。对于鹰击-12来说,除了正常的惯性制导+主动雷达制导模式之外,还增加了卫星定位和红外图像识别进行精度补充。惯性制导本身是存在一个累计误差的,长时间飞行后会偏离正常的弹道轨迹,所以增加了北斗卫星定位对航路进行修正,弥补惯性误差带来的影响。红外图像识别一方面是提高了抗干扰能力,另一方面是攻击的精准度更高,甚至可以做到对军舰某个部位实施精确攻击。 应该说鹰击-12本身是一个很好的导弹,在人民海军序列中应该属于最强反舰导弹之一。3倍音速带来的动能+200公斤黑索金战斗部,一旦命中基本上万吨级左右的作战舰艇要失去大部分作战能力。这种路子跟以前苏联的重型反舰导弹很类似,大速度+大战斗部直接冲击对方舰体构成致命性伤害,P700“花岗岩”的重量甚至达到7吨。也不失为一种反舰的有效手段。 既然这么好那么上面提到的052D和055为什么一直宣传用鹰击-18呢?速度快、制导好、射程远也带来一些问题,那就是太大了,也不能适应一些通用性发射器。4个巨大的进气口和弹翼其实占用了相当大的空间,鹰击-12的重量猜测在2吨,甚至还有资料表明达到2.5吨。所以我们能看到其实能带鹰击-12的海上平台不多,之前只有6艘052C携带,而且箱式发射器很大。之后051B“深圳”舰和956型“现代”级在现代化改造中也更换了鹰击-12,但从来没有发现在052D和055的垂直发射装置中见到过出现鹰击-12。空中平台中,轰-6系列能带,歼轰-7“飞豹”战斗轰炸机可以带,歼-16应该可以带,但再小的就承受不了了。就算“飞豹”和歼-16也只是机腹重挂点能带,机翼挂点也是不能带的。 其实导弹设计也是有一个取舍的,要性能就舍弃体积,要体积都不能所有性能全部照顾到。所以定位一种武器之前必须给它做好定位,到底是谁用、什么时候用、在哪用都必须要有清晰的定义,都要面面俱到的考虑。 我们再说一下轰炸机带反舰导弹的问题,中美俄都有轰炸机带大型反舰导弹的实例。中国的轰-6平台就不说了,上面就是例子。美国用B-1B轰炸机带AGM-158C空射反舰导弹,俄罗斯用Tu-22M、带KH-22空射反舰导弹。所以其实轰炸机带反舰导弹执行反舰任务也是一种常规的反舰作战手段,也是轰炸机的任务之一,虽然并不多。 这里面很多朋友说轰炸机为什么要带反舰导弹?原因很简单:轰炸机平台足够大,带弹足够多,带弹足够好。 上面我们也提到了:导弹设计也是有一个取舍的,要性能就舍弃体积,要体积都不能所有性能全部照顾到。AGM-158C射程超过800公里,弹重1.15吨;KH-22射程1000公里,超音速巡航,战斗部1.2吨,可带核战斗部,但自重5.8吨。空射鹰击-12超音速巡航,射程超过500公里,自重2-2.5吨。所以这类导弹根本不是随便一个战术飞机想带就能带,想带多少就能带多少的,自然轰炸机成了一个合适的平台,本身飞行距离够远,而且一次出动可以携带很多。导弹因为载机本身的速度和高度可以增加射程。 AGM-158C 飞豹挂鹰击12 常规战术飞机不是说不能带,但要么导弹本身性能有限,要么带高性能导弹数量太少。美国的“鱼叉”和法国“飞鱼”都不大,但战斗部重量都只有100多公斤,而且全程亚音速。“布拉莫斯”性能不错,但Su-30MKI只能机腹带1枚。即便“飞豹”也只是机腹能带1枚鹰击-12。所以轰-6J一次能带6枚鹰击-12就显得意义比较大,一次出动发射6枚,多架次甚至可以实施饱和打击。当然前提都是制空权或防区外,就连B-1B也不敢没有制空权的情况下直接突入对方防空网。 “飞鱼” “鱼叉” 反舰的平台有很多,水面舰艇、潜艇、战机都是反舰导弹的载具,但单一手段始终并不保险。所以在经济实力可以的情况下,潜舰空立体化、多手段化反舰自然是更好的选择。战术飞机、战略飞机各有自己的优点和缺点,配合使用效率更高,打击成功概率也是更大。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-16
    最后回复 平雪粉 2021-1-16 21:16
    2435 0
  • 【天眼查:我国上半年新增人工智能相关企业14万家】
    天眼查数据显示,我国经营范围含“人工智能、机器人、数据处理、云计算、语言识别、图像识别、自然语言处理”,且状态为在业、存续、迁入、迁出的企业(以下简称“人工智能相关企业”)超88万家。以工商登记为准,我国今年上半年新增的人工智能相关企业数量超过14万家。 原文章作者:36氪,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-16
    最后回复 攸爸 2021-1-16 12:48
    2714 0
  • 卧底电子厂,被骗、欺压、交出身份证,谁能逃出流水线的绝望?
    编辑导语:9月5日,有网友发抖音爆料,世硕电子(昆山)有限公司有一工作人员在一边点名,一边随手将员工证件像扔垃圾一样扔在地上的视频,被叫到名字的员工一个个蹲地上弯腰拾起工作证。本文作者通过卧底电子厂,了解进厂的全流程,揭露了在高科技的背后,那些被欺骗和压榨的劳动力是如何在望不到尽头的流水线苦苦挣扎的。 http://i1.go2yd.com/image.php?url=0QvYCkHoO5 走出厂门的那一瞬,我回过头来看,低矮的厂房映照在橘红色的穹顶之下,硬生生把天空切成了红与白的两半。这里一面生产着高端的电子机密零件,一面又因为复杂的代理关系和四处可见的劳工骗局而臭名昭著。 因为一些机缘巧合的原因,我需要对“普工”这一群体进行深入的调研,走访、调查之下,还是无法窥知这个复杂群体的全貌,我决定和几个小伙伴一起隐藏身份,卧底进入一座万人大厂,用彻底融入的方式,去了解他们。 所谓“普工”,便是最普通的工人,他们在流水线上日复一日地重复着机械的工作,做着最基础的体力劳动,每个人只负责其中一个环节,例如拧螺丝、扣上排线等等。 但他们手中重复的简单劳动,经过长长的流水线,最终会组装成为你手中的iPhone、华为手机、Kindle等高度精密的电子设备。 对于产品经理来说,要深入理解业务,更需要大量的第一手感受。 躬身入局。在这件事上,危机不在于“躬身”,而在于——“局”。 我没有想到,这个决定,让我经历了无比难忘的七天,尽管已经做足了预期,但事态的发展,依然超出了想象。 一、富士康们的高光 9月2日,我抵达苏州,烟雨迷蒙的江南已不那么酷热,小桥流水掩映着青瓦白墙,充满了温婉的气息,让人很难想到,这里是全中国最大的制造业基地之一,将近五分之一的世界500强企业都在此设厂,工厂数量超越深圳。 无数满身风尘的务工者,从四川、从河南、从甘肃,从全中国的四面八方,汇聚到这里,转身投向高墙和金属探测门围起的工厂,任凭江南风光多么荡漾,都与他们无关。 作为一座工业城市,富士康、立讯精密、仁宝、华硕、比亚迪电子等耳熟能详的电子代工企业,都能在苏州找到他们的身影。随着苹果、小米、华为等硬件厂商的飞速发展,为他们提供代工的电子厂自然也相应地水涨船高。 中国电子产业的黄金二十年,孕育了这些规模庞大的电子工厂,富士康在顶峰时的员工,达到120万人, 是欧洲国家冰岛总人口数量的3.5倍。 巨大的用工量,使得每一座工厂的坐落地,都仿佛一座小型城市,生活娱乐设施一应俱全。而富士康之外,还有数不清的各类代工厂:近年飞速崛起的立讯精密和立讯刚刚收购的纬创电子,华硕电脑孵化的立硕、名硕、昌硕,仁宝集团和旗下的联宝,数不胜数。 如此规模庞大的巨舰,对于制造业行业和区域经济来说,更是以点带面的绝佳触点。 每一座大型电子工厂,向上承接信息高科技公司,向下又拖动着更多的小型供应商和分包商,再加上工厂周边配套的基础生活设施,形成集群,产生巨大的经济效应。 在前不久公布的2020年半年报中显示,富士康工业富联在上半年实现收入1766.5亿元;立讯精密实现营业收入364.52亿元,同比增长70.01%。 如此诱人的利润背后,是劳动密集型工业体系下,无数工人在车间流水线上的辛勤付出。 我亲历其中,从寻找劳务中介,到被收走身份证,再到被中介层层转手,抵达工厂之后更是直接接触了各式各样的劳动者。在他们中间,我看到了这个魔幻世界的重重叠影。 这是网络上光看数据和研报,无论如何都不可能感知到的亲身体验:一面是电子企业争流而上的高光时刻,另一面是基层劳动者在骗局与恶劣环境中反复沉沦。 二、有人成功入厂,有人险象环生 当我们在讨论电子厂时,总习惯把工厂当成一个整体去讨论,但工厂产能如何、股价如何高涨、最新的iPhone有几条产线,工厂的工人们都毫不关心,他们关心的,只有这个月的几千块钱血汗钱能否顺利领到。 进厂打工,最危险的,其实不是入厂之后,而是在入厂前。 普工要想进工厂,一般来说,都必须要通过劳务派遣公司进入工厂。由于工厂用工量巨大,直接和工厂对接的劳务派遣公司无法完成需求的吞吐,就会把普工需求再分包给自己下面的劳务中介,称为二手,有时候二手依然不能满足需要,又会再分包给三手和个体黄牛。 由于层层分包,就形成了多个个体黄牛把零散的求职者汇集起来送到三手,二手再把自己下面多个三手送来的人汇总送到一手(即有资格和工厂直接对接的劳务派遣公司)。 一家工厂有多个合作的一手,各有各的向下分支,这些分支有的相互独立,有的互相送人,因此,也就衍生出盘根错节的外包网络。 这个网络,最直观的感受,就是“乱”。网络关系就如此混乱,那在利益驱使下,这个行业会有多少暗坑,也就不难理解了。 http://i1.go2yd.com/image.php?url=0QvYCkYPhY 无论是一手二手还是三手,他们对求职者的口径,全部都是“工厂直招”。对于求职者来说,找到一手直接入厂,还是被三手和黄牛层层转卖,很大程度上全凭运气。 如果只是层层外包,这个行业还没有那么乱,导致求职者经常受骗的,还有一个“返费”的概念。 所谓“返费”,就是劳务中介为了更好的招人,把工厂给到的入职奖励,承诺做工一定时间后,分一部分给求职者。返费金额根据供需关系按天调整,从几百到几千不等,用工高峰期能上浮到一万五左右,返费金额由工厂制定。 由于各家工厂的小时时薪都差不多,因此返费金额的多少成为不同职介招揽求职者的卖点。 为了招揽求职者,一些中介会采用虚报返费的方式,诱骗劳工入厂。返费的存在也是很多职介收入的重要来源,因此这其中的猫腻,自然是相当丰富。 入厂这个阶段,我就几经波折。 在到达苏州之前,我们就在网络上联系好了一家自称是“苏州立讯工厂直招”的中介,我们的目标是苏州立讯精密工厂,和中介沟通后中介也承诺送立讯。但这一切从进入中介发给我们面试地点开始,就发生了改变。 中介通过微信发给我们一个定位,我们自行前往,是市区一个很荒僻的地方,一簇低矮的民房中间,夹着几栋老楼,中介的面试点就在老楼里面。 办公室的走廊里堆满了行李,一位微胖的大姐把我们带到一个小房间就离开了,留下了几张报名信息表,让我们填写完成。对于普工这个职业来说,基本上没有任何要求,年龄符合、身体健康,就能入厂。 http://i1.go2yd.com/image.php?url=0QvYCkV77B 为了更加真实,我把学历写成了中专,是一名中专肄业就出来打工的社会小青年。过了一会儿,大姐过来收走填写好的报名表,随即口风一变:“苏州立讯已经不招人了,你们看要不换成昆山纬创,纬创是立讯收购的子公司,和立讯一样。” 其实这是劳务中介调配人力的常用伎俩之一:一家劳务中介可能对接多家工厂,先用好招人、名气大、环境好的工厂吸引求职者前来面试,然后再以“招满”或者其他理由,用话术引导求职者去其他工厂。 对于很多普工求职者来说,对于工厂品牌的感知并没有特别强烈,而且可能当天下了火车就没有住处,一般情况下都会同意换厂,中介成功把人力分配至招工量更大或者招工报酬更高的工厂。 在我们表示了“只想去立讯”的态度之后,中介变换了口径,说苏州立讯不招人了,但浙江嘉善立讯还在招人,可以免费把我们送过去,也就40分钟车程,很近。 我用地图软件查了一下,显示驾车需要1小时50分钟,中介嘿嘿一笑,“这也差不了多少嘛”。 对于跨城周转这件事情来说,从苏州到浙江嘉善,其实不算远。 在苏州遇到的一对母女,是在不知情的状况下,被中介直接用大巴从西安拉到了苏州。尽管母女俩非常愤慨,但还是无奈先在苏州进了厂,因为她们没有再回去的路费。 我们也想体验一下被跨城市运转的过程,就同意了嘉善立讯的方案。 中介大姐就收走了身份证,然后让我们在一个大厅里等着。从身份证被收走的那一刻起,我就非常慌了,每隔十分钟,就要给朋友发一条微信报个平安。对于当代人来说,身份证不在自己手里,是毫无安全感的。 大厅里的工作人员已经不再是那个胖大姐,而是几个精瘦的年轻男子,紧身裤豆豆鞋,纹着大花臂,颇有“江湖”气息。 大厅里的十几排座位,稀稀拉拉坐着三四十个求职者,相熟或者同来的凑成一堆,最前面有一台电视,播放着成龙的电影《十二生肖》。 工作人员大声斥责着相互交流的人们:“不准讲话,安静”,对于依然小声交谈的人们,就走过前去恶狠狠地瞪一眼:“想不想干了,不想干就出去!” 等到快中午的时候,大厅也差不多坐满了人。一名工作人员开始强调需要准备身份证复印件和一寸照片,没有的可以在他们这里打印。我准备了身份证复印件,但没有准备照片,工作人员让我靠着墙,拿手机随便一拍,照片收费20元。 一番准备下来,我本以为可以顺利入场,但问题出现了。工作人员一一检查求职者的苏康码(即苏州健康码)和手机通信行程轨迹,我因为从北京前往苏州,行程轨迹就显示我曾途经北京市。 工作人员一脸严肃地告诉我,北京属于疫情区,进不了厂。我问真的没有办法了吗,工作人员很痛快地把身份证还给我,摇摇头:“不行,绝对不行。” 尽管北京疫情早已过去,但对于工厂这种大型聚集地来说,只要出现一个疑似病例,造成的损失可能就是非常大的,不怕一万就怕万一,所以湖北、北京、辽宁大连等地的务工者,就被工厂和中介们排离在外。 后来,开始接待的微胖大姐微信上联系我们,说要是真想去立讯的话,行程轨迹他们“有办法”,但是要花钱找人“弄”一下。我们又通过网络联系了几家其他中介,有的明确北京不要,有的则信誓旦旦地说没问题。 我们决定到线下的劳务中介门店试试。在长三角、珠三角和川渝等工厂聚集的地区,劳务的线下门店就跟北京的链家门店一样多,几乎遍地开花。有些装饰精美店面宽大,有些则是简陋小店,门前用纸板写着大大的“高返费”“工厂直招”“妹子多”等招牌。 http://i1.go2yd.com/image.php?url=0QvYCkGVUt 我们找到的这家线下门店算是长三角地区比较出名的劳务公司。店里有很多劳工坐在椅子上休息,不时有一些求职者进来,店员就热情地把他们留下来讲解,这家工厂都是坐班,那家工厂不用穿防尘服,这家工厂返费高,那家工厂女孩子多。 耐克哥是一个很有意思的年轻人,从上衣到鞋子,一身白色耐克,留着长头发,时不时用手指梳起挡住眼睛的碎发,举手投足溢出慵懒和散漫的气息。他来到店里时,我的目光一下子就被吸引过去了。 “今天都有哪些厂返费高?”店员小妹拿起一张海报,推荐了华硕,“太累了,不去,刚从那里出来。”又推荐了纬创,“要穿防尘服,不想去,麻烦。”就这样一连好几家工厂都不满意,不是嫌累就是嫌工资低,最后索性扬长而去。 我想到了“三和大神”,一群“开工一天,赚百来块钱,玩三天,钱花完了再干活”的年轻人。 最终我们通过这家门店找了昆山仁宝的普工工作,第二天一早,门店集合。集合接待的工作人员,摆出一副爱答不理的样子,收了身份证之后,就不再理人,和前一天热情推荐的店员小妹,形成了鲜明的反差。 一群人坐上大巴,被拉到了昆山(苏州县级市)一处大型劳务集散中心。 这个集散中心占地得有三四百平米,大量的务工者拖着行李待在这里,或打游戏或刷快手,等待分配。中午时分,有人拿着厚厚的一摞身份证叫名字,叫到名字的跟他走。我们二三十号人就跟着他,上了一辆破旧的依维柯面包车。 车子很破,内饰基本上已经被磨掉了,一些音响和空调的电线裸露在外。由于车子后备箱空间不足,务工者的行李只能高高的堆在过道上。 有两名工友坐在过道附近,被像唤狗一样:“你,滚到后面去。”工友没有表达出任何不满,也许早已对此习以为常,默默走到车最后排的座位坐下。 http://i1.go2yd.com/image.php?url=0QvYCkuInR 根据工作人员衣服上的LOGO,我们得知,接我们的人,已经不是之前送我们到集散中心的中介了,我们被转交给了又一家新的中介。 三、进入工厂,和工厂中抽离灵魂的斑驳生活 同很多打工者相比,我们还算是幸运的,虽然入厂过程被几经倒手,但至少还是顺利到达工厂。 在工厂门口,一个红衣胖男子把我们聚集起来,我们的身份证也不知道什么时候已经到了他的手上,这个人就是我们入厂过程中,最高级别的中介,直接对接着工厂,也就是所谓的“一手”。 他开始点名的时候,原本嘈杂的人群一瞬间安静下来。“有没有不满18周岁的?”红衣男子举起手里的一沓身份证,大声问道。 两个小男孩从人群中走出来,03年的,还小的很。我本以为中介会劝他们回去,但后面的对话出乎我的意料。“你们没满18岁,只能签小时工,不能签长期工,工价和长期工一样,但和厂里面的人说得时候,就说自己是小时工。” 安顿好两个小孩儿之后,红衣胖男子给我们剩下的人发了一份合同,让我们签了之后,再进工厂面试,一群人就趴在墙上填合同。合同的用人甲方不是工厂,是红衣男子所在的这家劳务派遣公司。 http://i1.go2yd.com/image.php?url=0QvYCkSItF 一切妥当后,中介带我们排队进入工厂的招募中心,从这个节点开始,同我们接触的,就是仁宝工厂的工作人员了。 扫描人脸信息,填写个人信息资料表,笔试,提交身份证复印件和照片等材料,面试。 笔试是一些非常基础的计算题和手写26个英文字母,基本上识字就能答出来,但我看到依然有很多人抓耳挠腮写不出来。 旁边是一对三十岁左右的男女,在100多人的培训教室里依然旁若无人的搂抱在一起,看我写完了,问我能不能抄一下,我说我也不会,瞎写的,你们想抄就拿去抄。 之后是面试,站在面试官前背出26个英文字母就算通过。不会背也没关系,有的面试官会直接提醒,有的直接拿出中介为他们准备好的谐音表。 http://i1.go2yd.com/image.php?url=0QvYCkBtP9 尽管我们这一批有一些00年之后的年轻人,但大部分人在30岁左右。看得出来,工厂的面试官对这些人并不是特别满意,整个过程中伴随着严厉的斥责和辱骂。 有数据显示,今年外卖行业新增的200万骑手中,有近三成来自制造业工人,有一大半是二十岁至三十岁的年轻人。青年劳动力正越来越远离工厂,进入城市当中从事外卖和快递行业。 面试结束,工作人员再次把多个面试教室的打工者汇总到一个大会议室里,这次看过去,乌泱泱一片,足足有四百多号人,这只是一家工厂一天的招聘量。之后便是无休止的等待,下午两点完成面试,直到晚上五点多,才有工作人员过来分配了宿舍。 一整天下来,所有人都饿着肚子,从早晨被送上车,到晚上分配宿舍,中介没有安排一丁点的吃饭时间,许多打工者已经没有力气说话,趴在桌子上昏昏欲睡,或者无聊地刷着抖音和快手。 这里倒是有一个意外收获,一直以来,我们都认为快手是下沉市场的王者,但观察下来,抖音这些年也基本大规模渗透进了这个群体。 http://i1.go2yd.com/image.php?url=0QvYCkGoKa 这天晚上,我走在工厂生活区内,江南的微风轻拂,路灯的光照尽头有着一对对依偎的情侣,主干道上偶尔掠过夜跑的工友,紧邻生活区的小吃街人声鼎沸。 恍惚间我一度以为重返了大学校园——这里除了没有人学习,几乎和大学校园的晚上一模一样。 我怀念起大学的浪漫和愉快,给导师打了一个电话,没有提我的卧底行为,只是向导师致以问候。挂掉电话后,我望着夜班上工的人群,看向河对岸的厂房,耳边时而飘过男男女女的嬉笑,任由自己沉没在这魔幻与现实的割裂之中。 四、流水线上最折磨的,其实是绝望 昆山仁宝一共有四个分厂,我被分配在其中一个,从宿舍到工厂,走路要50分钟。 分宿舍-分工厂-分产线-分工岗,在这些所有的环节中,劳动者都没有任何选择的权利,只能无条件服从调配,如果不愿意干,那就自己离开。而在工厂的培训当中,几乎任何一个错误,惩罚都是“解除劳动合同”。 工厂基本上是每周上6天班,每天分白班和夜班,都是8点到8点,12个小时。虽然各项规章制度规定加班自由,但很大程度上,加班是强制的。 我被分配至某电子设备的组装线(由于保密需要不能透露该设备名称),负责撕掉塑料膜和安装电池。工作很重复,就是撕膜,扣上电池,压好排线,然后一直重复。 一个很轻松,两个也不累。但这一天下来,我的工作任务是安装3500块电池,而且中间不能停,一旦我的动作慢一点,面前的流水线就会马上积压一大堆设备。 流水线只是机器,它不等人。机器的发明是为了解放人类双手,但流水线上的工人,必须无条件配合机器,成为机器的奴隶。 干了一天,手指因为带着手指套被捂得发白水肿,以至于都无法指纹解锁手机,指甲缝也因为抠塑料膜撕裂出血,12小时一个姿势,腰酸背痛。 http://i1.go2yd.com/image.php?url=0QvYCkdvr7 (手指套上的黑色,不是脏东西,而是电子金属氧化物,先是白色,逐渐变灰,最后变黑) 入厂的那一天,正好发生了火遍全网的昆山世硕工厂扔工牌事件,几名主管给工人发工牌时,把工牌扔在地上,让工人弯腰去捡。这件事情在昆山当地工人之间,引发了巨大的情绪。 跟我同宿舍的一名正式工,左臂纹了一个巨大的日本鬼怪,对这个事情表达了极度的愤慨,大声斥责说“这根本就不把人当人!不把人当人的工厂,给多少钱都不能去!” 继而又开始讲什么法国工人大革命之类的话题,问我“你知道法国工人革命不?”我摇摇头表示不知道,让他给我讲讲,他没搭理我,又一次表达了愤怒。 我问他:“如果现在昆山世硕一小时30块,你去不去?”他更加激动:“不把人当人,多少钱都不去!” 同样的问题,我第二天又问了流水线上一起上工的老张,却得到了不一样的答复,老张讪笑道:“当然去啊,当年富士康13连跳,现在不也人人想去?都是养家糊口,有钱干嘛不挣。” 不同的答案,两面的人生。 有人只寻人间快活,快意人生;有人身负妻儿老小,担当前行,却也多了束缚和镣铐。 流水线上,坐在我的位置上望过去,一直传送过来的电子半成品密密麻麻,我不知道这条流水线的尽头在哪儿,或者,它根本没有尽头。 即使我已筋疲力竭,我也不能停歇,如此日复一日,拼接了重复的人生。流水线上,身体的劳累不足以摧垮坚强的人类,精神的绝望,才是让人崩塌的痛击。 五、结束 拖着行李箱离开工厂生活区宿舍的那一个晚上,我在对面的租房区遇到了一个小孩儿,坐在路灯下推着他的小玩具车。一个中年男人走过来,抱起儿子:“马上就开学了,明天回奶奶家,要好好读书哦”,“爸爸发了工资,就给你买好吃的!” 我很触动,因为当年,我的父亲也是这样跟我说的。 即使身在厂房,有理想之处,便有微光。 科技发展至今,信息技术、高端装备制造,这些最高新的科技,极大地便利着我们的生活,也改变了整个世界。但这些高新科技在我们看不见的背后,却是由无数最基础的劳动力在支撑。 每一台iPhone,每一个路由器,我们所依赖着的每一部电子设备,都是经由一双双真实的手,一个一个地手动拧上螺丝,扣上背板。 还有先进的人工智能图像识别,是大量廉价劳动力从海量数据中,一张一张地做图像标注,成为机器学习的原材料;海量的内容资讯,是大量的审核人员,挣着几千块钱工资黑白两班倒,用肉眼甄别着色情、暴力和违规。 这些最基层的劳动者,值得去尊重。他们也应当享受到互联网飞速发展的便利,至少,也让他们少受一次骗,少上一回当。 文中人物因隐私需要均为化名,题图为作者拍摄。 作者:亨哼,95后互联网产品经理;(ID:hengpaper)95后互联网原生代的思考自留地,纵观TMT风云,解构产品思维 本文由 @亨哼 原创发布于人人都是产品经理。未经许可,禁止转载 题图来自 Pexels,基于 CC0 协议 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-16
    最后回复 罗燕岚 2021-1-16 00:29
    2153 0
  • 【经典】毛主席诗词歌曲《七绝·为女民兵题照》
    名人茶楼 网上茶楼 欢迎转发 交个朋友 好视频!快分享到朋友圈! 点击链接更多精彩 (吴广川) 【茶楼典藏】打虎拍蝇——黄胜泉特色歌词四首 (长按图像识别图中二维码,欢迎打赏) 原文章作者:黄胜泉名人茶楼,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-15
    最后回复 楮时圳 2021-1-15 17:54
    1589 0
  • 财联社保险早会(9月23日)
    政策方向 银保监会发布融资性信保业务保前保后管理操作指引 银保监会开展人身险产品组合销售专项核查整顿工作:严查"六不"行为 行业动态 车险综合改革启动!车主喜笑颜开,保险营销员叫苦连天 车险综合改革新系统已顺利切换 短期内将“降价、增保、提质” 机构要闻 王慧轩获批担任幸福人寿董事长 叶峻获批担任中美联泰大都会董事长 江西三家机构未经批准擅自注册保险公司、保险集团 江苏银保监局注销江苏天和康汽车保险代理经营资质 国泰财险上调与蚂蚁金服关联交易金额上限至35亿元 险资股权 中国平安等39股获北向资金增持额超亿元 8月以来险资密集调研近700次 海外保险 新加坡金融科技协会推出交互式保险科技地图 Travelers借助Pineapple的技术开展物品保险业务 Third Point Re收购Arcadian Risk Capital的少数股份 Clearlake Capital从Aurora手中收购Zywave 政策方向 1、银保监会发布融资性信保业务保前保后管理操作指引 9月21日,银保监会发布《融资性信保业务保前管理操作指引》和《融资性信保业务保后管理操作指引》,其中,《融资性信保业务保前管理操作指引》共六章四十五条,分别在销售管理、核保管理、承保管理、合作方管理、产品管理、系统和信息管理等方面进行细化要求;《融资性信保业务保后管理操作指引》共七章三十五条,分别在保后监控、逾期催收、理赔处理、代位追偿、投诉处理等方面进行细化要求。 从内容看,保前管理操作指引要求保险公司应确保消费者的知情权和自主选择权,不得进行捆绑搭售其他保险产品。保后管理对应保险公司保后监控措施应与其经营业务类型、实际经营情况等相匹配,并与核保时的风控措施保持延续性,确保风险计量的一致性、客观性和准确性。 2、银保监会开展人身险产品组合销售专项核查整顿工作:严查"六不"行为 银保监会于近期下发《关于组织开展人身保险产品组合销售专项核查整顿工作的通知》,此次核查的要点主要包括6大方面:经营理念不正确、捆绑销售不合规、承保规则不合理、销售宣传不规范、信息披露不健全、公司管理不到位等。 银保监会表示,本次核查整顿,重点对保险公司通过产品组合销售,强制捆绑搭售保险产品,变相突破监管规定,误导夸大保险理财功能,违背保险基本原理,弱化保险保障属性,偏离保险本源,侵害消费者合法权益等违法违规行为进行规范。 行业动态 1、车险综合改革启动!车主喜笑颜开,保险营销员叫苦连天 国际金融报消息,随着车险改革落地,各家保险公司给的佣金明显减少,营销员叫苦连天。而车主则实实在在地享受到了实惠,根据此前行业普遍预测,车险保费规模下降空间将在15%-20%之间。 2、车险综合改革新系统已顺利切换 短期内将“降价、增保、提质” 施辉介绍,9月19日从零时起到早上6:45,大家财险车险综合改革出单测试顺利通过,总部各相关部门和全国各地36家分公司 ,共计900余人全力以赴,连夜奋战。产品报备、车险快出、电销、移动工具系统出单测试一次性通过。 据了解,车险综合改革以“保护消费者权益”为主要目标,具体包括:市场化条款费率形成机制建立、保障责任优化、产品服务丰富、附加费用合理、市场体系健全、市场竞争有序、经营效益提升、车险高质量发展等。值得一提的是,车险综合改革短期内将“降价、增保、提质”作为阶段性目标。 机构要闻 1、王慧轩获批担任幸福人寿董事长 9月18日,银保监会发布行政许可信息,批复同意王慧轩出任幸福人寿董事长。公开资料显示,王慧轩现任诚泰财险董事长,紫光集团执行董事、联席总裁。曾任中国人寿新疆分公司副总经理,人保寿险执行董事、副总裁,人保资本投资管理有限公司董事长、总裁等。 2、叶峻获批担任中美联泰大都会董事长 9月18日,银保监会发布行政许可信息,批复同意叶峻出任中美联泰大都会董事长。公开资料显示,叶峻曾任上海联和投资有限公司副总经理、总裁等职位。 3、江西三家机构未经批准擅自注册保险公司、保险集团 9月18日,江西银保监局发布公告称,上饶汇元丰保险有限公司”、“上饶市泽瑞财产保险集团有限公司”、“上饶市国廉财产保险集团有限公司”三家保险机构未经金融监管部门批准擅自在横峰县注册登记,并领取了营业执照。截至目前,3家公司已经更名。 4、江苏银保监局注销江苏天和康汽车保险代理经营资质 近日,江苏银保监局发布公告称,发现江苏天和康汽车保险代理在《经营保险代理业务许可证》有效期届满申请续期的过程中存在不予延续许可证有效期的情形,江苏银保监局依法对其做出不予延续许可证有效期的决定。 5、国泰财险上调与蚂蚁金服关联交易金额上限至35亿元 近日,国泰财险在保险业协会披露,国泰财险与蚂蚁金服签订《关联交易框架合作协议》,将未来两年的关联交易金额调整至不超过35亿元。此前,2018年签署的三年关联交易框架合作协议,交易金额不超过19.58亿元。据了解,蚂蚁金服及其相关企业向国泰财险提供技术平台服务或代理销售保险产品等。 险资股权 1、中国平安等39股获北向资金增持额超亿元 9月18日共有817只股获北向资金持股量环比上一个交易日增加,以增持的股份数量和当日收盘价为基准进行测算,加仓股中,增持市值在亿元以上的有39只,增持市值最多的是中国平安,最新持股量为7.82亿股,环比增加1.84%,增持市值为11.74亿元;其次是万科A、立讯精密,增持市值分别为6.43亿元、5.47亿元。 2、8月以来险资密集调研近700次 Wind数据显示,8月以来,84家保险公司及保险资管公司累计调研684次,涉及241家上市公司。其中,“中小创”类企业就有449次,是保险机构重点调研对象。分行业看,电子元件、应用软件最受青睐。四季度将至,保险资产人士建议重点关注两大领域:一是周期龙头+消费板块,二是泛高端制造业。 海外保险 1、新加坡金融科技协会推出交互式保险科技地图 近日,新加坡金融科技协会保险科技小组委员会公布新加披第一个交互式保险科技地图。据了解,该项技术可帮助保险机构的用户寻找解决方案提供商,同时,使保险科技公司能够轻松地在本地和全球推广其业务。 2、Travelers借助Pineapple的技术开展物品保险业务 通过与南非的初创公司Pineapple合作,Travelers为其Traverse个人财产和责任保险产品提供了AI驱动的创新图像识别技术,以进一步简化客户体验。 Traverse建立在现代化的核心平台上,于2018年首次推出,最初针对纽约州的年轻消费者。Travelers客户体验和创新高级副总裁Beth Maerz解释说:“尽管年轻消费者暂时可能不会考虑购买房屋或汽车,但他们会为自己喜欢的特定物品投保,例如手机和笔记本电脑。” Pineapple的技术能够对图像进行捕获、分类、命名和存储,以供保单持有人、理赔处理人员或其他相关人员检索。根据图像特征,Pineapple的应用程序可为客户提供报价。Pineapples的三位联合创始人之一Marnus van Heerden说:“在物体识别方面,计算机视觉的准确性达到了99%,因此比人类更准确。借助完全模块化的平台,我们可以根据要求,重新组合技术模块。” 3、Third Point Re收购Arcadian Risk Capital的少数股份 专业再保险公司Third Point Reinsurance宣布收购百慕大初创公司Arcadian Risk Capital的少数股权。 Arcadian是一家MGA,由行业主管John Boylan领导。这家新的创业公司已获得百慕大金融管理局的批准,将于10月1日启动承保业务。最初,该公司将承保超额意外保险和专业保险。Third Point Re表示,除了投资外,它还将为Arcadian Risk Capital提供保单和承保支持。 4、Clearlake Capital从Aurora手中收购Zywave Clearlake Capital Group宣布已签署最终协议,从Aurora Capital Partners手中收购Zywave,这是一家前台保险解决方案SaaS供应商。该公司将继续由首席执行官Jason Liu和当前的管理团队领导,他们将与Clearlake一起投资这笔交易。具体交易条款尚未披露。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-15
    最后回复 邬国 2021-1-15 17:32
    1727 0
  • 三农日报|我国鼓励资本投资乡村休闲旅游;农业大健康将会是个大趋势
    导读:今天是2020年9月18日(星期五),袁隆平为何要支持青年投身农业;乡村休闲旅游除了缺钱还缺什么;美菜网改变业务模式发力2C,能成功吗;上市企业向银行借款,会面临什么风险.... 【热点】 农业农村部:鼓励资本投资乡村休闲旅游 农业农村部部长韩长赋指出:乡村休闲旅游是一片投资热土,各方面参与热情高涨。但从业主体普遍实力不强,经营方式、产品结构较为单一,还不能很好满足日益升级的消费需求。要发挥好乡村投资指引的作用,进一步完善扶持政策,吸引更多文旅企业、农业企业等下乡投资兴业。推广契约型、分红型、股权型等多种联农带农模式,引导农民深度参与乡村休闲旅游业发展,出台优惠政策吸引各类人才投身乡村旅游产业。 袁隆平寄语年轻人:知识青年营投身农业研究 袁隆平寄语年轻人:“我希望更多青年从事现代农业。现代农业是高科技的农业,不是过去面朝黄土背朝天的农业。希望广大知识青年投身农业研究!” 更多关注农业、食品、农业科技、生鲜领域的新政策、创新、新商业、新布局,请阅读由【农业行业观察】编辑团队梳理的价值信息: 1、专家表示:农业大健康将会是个大趋势 国家政策研究室中国国情研究中心主任万祥军说:“从传统农业向农业3.0即功能性农业·农业大健康转化,立足于吃的有营养吃的健康,我国的现代农业已经成为世界各国经济发展客观趋势的反映。实践证明,农业大健康及其农业的多功能性日益突出,不仅能够满足人们对食物和工业原料的需求,而且在消除贫困、吸纳就业、保护环境等方面的功能更加明显,支撑着一国社会经济的发展。 2、山东:电商产业主打演出服和木制品 截至2020年6月底,阿里研究院在全国发现了5425个淘宝村、1756个淘宝镇。其中山东有淘宝村598个,占全国11%;淘宝镇134个,占全国7.6%。 阿里研究院最新发布的《淘宝村百强县名单》中,山东省13个县市区上榜,在榜数量位居全国第四;其中,菏泽市曹县更是以151个淘宝村、17个淘宝镇的密度占据全国百强第二位,主打产业是演出服和木制品。 2、新希望:拟投资18亿扩大生猪项目 近日,新希望六和股份有限公司发布公告称,为落实公司生猪产业发展战略,促进养殖业务的发展,拟继续加大在生猪养殖业务的投资力度,拟投18.26亿元新建3个生猪养殖项目,涉及年出栏量150万头,还将带动饲料增量42.3万吨。 4、超客巴巴:获得种子轮融资 生鲜供应链服务商超客巴巴已完成数百万种子轮融资,本轮投资方为北京中绿中防供应链管理有限公司。 超客巴巴成立于2019年6月,定位于C2BCF生鲜供应链综合服务商,2020年5月份正式组建项目运营团队。通过积累的生鲜供应链资源,超客巴巴希望帮助优化社区便商超生鲜供应链体系,同时以社区团购等形式直接输出特色生鲜农产品。 截至目前,超客巴巴已经签约200家大卖场以及近500个社区社团,综合交易额超120万元。 5、刘传军:美菜网基因是2B企业 相对于其他生鲜电商尤其是偏C端的生鲜电商,美菜网的优势会偏重在供应链。美菜网创始人刘传军对美菜网的定位始终明确,“美菜是做供应链的企业”。在他看来,to B与to C之间的逻辑并不相同,“toC的补贴是为了获取流量,而to B想要留住用户一定要依靠服务。” 6、圣农发展:营收下降,股价趋于疲软 根据最新的半年报数据显示,上半年圣农发展营业总收入约65亿元,同比下降0.82%;归母净利润约13.32亿元,同比下降19.4%;扣非后归母净利润约13.22亿元,同比下降19.17%。 最近甚至有不少的媒体报道,卖一只鸡甚至还要倒亏10元。 7、新研究:5分钟可完成农药残留检测 近日,中国农业科学院农业质量标准与检测技术研究所“农业化学污染物残留检测及行为研究创新团队”基于免疫层析试纸条和人工智能图像识别算法的农药多残留快速检测技术再获突破。利用该技术,通过微信小程序拍照,5分钟便可完成检测(如茶叶)多种农药残留,检测结果直接显示在手机上,检测数据可实时上传分享。 8、每日优鲜曾斌:卓越企业一定要实现用户、伙伴和企业的三赢 每日优鲜联合创始人兼总裁曾斌在大会表示,每日优鲜成立之初便想成为一家连结优质生鲜生产者和消费者的平台,而卓越企业一定要实现用户、伙伴和企业的三赢。每日优鲜会把重仓供应链作为未来三大战略之一,以更好的价格和品质,让用户在买得省心,吃得放心的同时,也让供应商获得更好的收益和长大。 9、雷沃重工:欠银行40亿 或遭遇信用崩塌 江南都市报报道:有消息透露,雷沃重工使用银行资金高达40亿元,而且都是没有任何抵押的信用资金,涉及中、农、工、建、交及兴业、光大、潍坊银行等12家国有及社会股份制银行。 据雷沃已离职财务负责人透露,雷沃原本无任何贷款,从2017年开始 另据雷沃内部人员透露,大量的财务人员已经流失,原因可能就是每年编制的财务报告都和现实情况存在出入,怕被逼迫承担法律责任。 10、数据:我国农产品产后经济损失超3000亿元 近年来我国农产品加工业发展迅速,但在产地初加工领域由于设施简陋、方法原始、工艺落后,导致农产品产后损失严重,品质下降。 据专家测算,我国农户储粮、马铃薯、水果、蔬菜的产后损失率分别为7%—11%、15%—20%、15%—20%和20%—25%,远高于发达国家的平均损失率。折算经济损失达3000亿元以上! 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-15
    最后回复 靳好洁 2021-1-15 14:33
    4702 0
  • 西安市副市长马鲜萍:西安将打造“中国程序员之都”
    新京报快讯(记者 徐美慧)今日(9月19日),2020中关村论坛平行论坛——人工智能与城市可持续发展论坛在京召开,西安市副市长马鲜萍表示,西安将打造“中国程序员之都”。 9月19日,西安市副市长马鲜萍在人工智能与城市可持续发展论坛上讲话。摄影/新京报记者 郑新洽 马鲜萍说,西安作为国家中心城市、中国科技创新的重镇,一直以来高度重视人工智能产业的发展和技术应用。今年3月获批国家新一代人工智能的创新发展试验区后,西安开展了大量的工作。 她表示,西安在发展人工智能方面具备优势。“西安科技实力雄厚,有国家级的平台13个,省部级的36个,在机器学习、图像识别、无人系统等领域形成了26个具有国际领先水平的科研成果,人工智能算力在全国排第10位。” 此外,西安人才资源比较丰富,高校院所较多,拥有在校大学生130万,每年有30万学生毕业。在人工智能领域,西安也有相关的院士、长江学者和相关专业的毕业生。“应该说,西安在这一方面成为了国家人工智能重要的人才培训基地。” 马鲜萍介绍,目前,西安拥有程序员约20万人。未来,西安计划吸引和汇聚程序员50万人,打造“中国程序员之都”。 原文章作者:一点资讯,转载或内容合作请点击 转载说明 ,违规转载法律必究。寻求报道,请 点击这里 。
    发表于2021-1-14
    最后回复 庇细 2021-1-14 20:57
    3981 0

快速发帖

还可输入 80 个字符
您需要登录后才可以发帖 登录 | 立即注册

本版积分规则

在本IOT圈子中寻找帖子
IOT圈子地址
[复制]
Weiot(威腾网)是一家以原创内容、高端活动与全产业渠道为核心的垂直类物联网产业媒体。我们关注新兴创新的物联网领域,提供有价值的报道和服务,连接物联网创业者和各种渠道资源,助力物联网产业化升级。
15201069869
关注我们
  • 访问移动手机版
  • 官方微信公众号

© 2014-2020 Weiot.NET 威腾网 北京微物联信息技术有限公司 ( 京ICP备20000381号 )|网站地图