当前位置:首页 > AI
  • 南昌智慧视觉产业联盟隆重成立,推进智慧视觉产业发展

    2020年10月19日,在南昌“2020年第一届中国(南昌)城市智慧视觉产业峰会”期间,由南昌市政府主导运作,华为公司与合作伙伴单位共同发起的南昌智慧视觉产业联盟正式成立,并举行了揭牌仪式。 南昌经济技术开发区党工委委员徐海波、华为机器视觉副总裁刘俊梅、江西睿聪科技有限公司总经理肖华、软通智慧科技有限公司首席运营官李进、上海熙菱数据技术有限公司集团副总裁张登等出席仪式。   华为机器视觉将全方位推进智慧视觉产业发展,生态建设的发展离不开合作伙伴的支持。南昌智慧视觉产业联盟的成立,旨在吸引已在南昌落地或有意愿在南昌落地的智慧视觉相关企业加入联盟,联合发展。华为也将携手合作伙伴一起加速推进产业智能化进程,构筑南昌智慧视觉产业能力。   作为南昌智慧视觉产业联盟的首批合作单位,软通智慧首席运营官李进发表《万物感知,面向千行百业》主题演讲,他表示软通智慧致力于联合华为及上下游合作伙伴,面向政府行业客户的具体场景,以业务应用为核心,打造智慧视觉应用开放平台,提升城市治理智慧化程度,赋能千行百业加速数字化转型。面向未来软通智慧将与华为强强联手赋能视觉感知,共建南昌智慧视觉产业。 10月20日上午,峰会与会人员前往南昌临空经济区参观联盟成员单位江西睿聪科技有限公司生产线。该公司多年来承制了华为HoloSens SDC高、中、通用端全系列产品,并继续在华为HoloSens SDC产业链中深入合作。睿聪科技将不断发展与江西省本地供应商的合作,同时更多的将省外的供应商引入到临空园区落地,整合HoloSens SDC产品的完整产业链资源,提供更高效优质的产品。     随后,南昌市委常委、副市长肖云,南昌临空经济区党工委书记、管委会主任赵海东,南昌经济技术开发区党工委委员徐海波,华为机器视觉总裁段爱国,江西睿聪科技有限公司总经理肖华等领导及企业家代表出席智慧视觉产业发展座谈会。   座谈会上,赵海东书记就南昌临空经济区产业推介、发展政策作了详细介绍,各企业家代表围绕自身企业情况进行交流发言,达成了初步合作意向。     南昌智慧视觉产业联盟的成立,将搭建一个政、产、研、用资源协同的平台,开展智慧视觉专业服务和对外交流,促进南昌智能视觉技术、产业、应用的有机协同,积极营造有利于智慧视觉发展的综合生态环境,推动并支撑南昌“智慧视觉第一城”的发展。 出席智慧视觉产业发展座谈会企业清单: 华为技术有限公司 江西睿聪科技有限公司 高新兴科技集团股份有限公司 云从科技集团有限公司 济南中维世纪科技有限公司 上海熙菱数据技术有限公司 北京以萨技术股份有限公司 软通智慧科技有限公司 上海前端科技有限公司 武汉倍特威视系统有限公司 北京博思廷科技有限公司 安徽水天信息科技有限公司 安徽清新互联信息科技有限公司 北京深瞐科技有限公司 深圳前海托克马克科技有限公司 深圳市乐店客科技有限公司 北京奥特维科技有限公司 北京文安智能技术股份有限公司 北京芊慧科技有限公司 深圳天感智能有限公司 广电运通金融电子股份有限公司 南京甄视智能科技有限公司(小视科技) 深圳市铁越电气有限公司 成都睿沿科技有限公司 智洋创新科技股份有限公司 熵基科技股份有限公司 北京图盟科技有限公司 上海闪马智能科技有限公司 佳都新太科技股份有限公司 深圳市华尊科技股份有限公司 芯峰科技(广州)有限公司 北京尚水信息技术股份有限公司 深圳市微盟电子商务有限公司 福建省拾联信息科技有限公司 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-23 关键词: AI 华为 视觉技术

  • 将大数据转变为智能数据?利用嵌入式AI就可以

    将大数据转变为智能数据?利用嵌入式AI就可以

    大数据产生于工业4.0时期。传感器和可用数据源越来越多,通常要求机器、系统和流程的虚拟视图更详细。这自然会增加在整个价值链上产生附加值的潜力。但与此同时,有关如何挖掘这种价值的问题不断出现。毕竟,用于数据处理的系统和架构变得越来越复杂。只有使用相关、优质且有用的数据,也就是智能数据,才能挖掘出相关的经济潜力。 挑战 收集所有可能的数据并将其存储在云中,希望以后对其进行评估、分析和构建使用,这仍然是一种广泛采用的挖掘数据价值方法,但不是特别有效。从数据中挖掘附加值的潜力仍未得到充分利用,并且以后再寻找解决方案会变得更加复杂。更好的替代方法是尽早考虑确定哪些信息与应用相关,以及可以在数据流的哪个位置提取信息。可以用细化数据来打比方,即从整个处理链的大数据中提取出智能数据。可在应用层决定哪些AI算法对于单个处理步骤的成功概率较高。这个决定取决于边界条件,如可用数据、应用类型、可用传感器模型和有关物理层处理的背景信息。 对于单独立的理步骤,正确处理和解读数据对于从传感器信号生成真正的附加值非常重要。根据应用的不同,正确解读分立传感器数据并提取所需的信息可能很困难。时间行为通常会发挥作用,并直接影响所需的信息。此外,还必须经常考虑多个传感器之间的依赖关系。对于复杂的任务,简单的阈值和手工确定的逻辑已不足以应对。 AI算法 相比之下,通过AI算法进行数据处理可以自动分析复杂的传感器数据。通过这种分析,可从数据处理链中的数据自动获得所需的信息,从而获得附加值。 对于始终属于AI算法一部分的模型构建,基本上有两种不同的方法。 一种方法是通过公式、传感器数据与所需信息之间的显式关系进行建模。这些方法需要以数学描述的形式提供物理背景信息。这些所谓基于模型的方法将传感器数据与此背景信息相结合,针对所需信息产生更精确的结果。这里最广为人知的示例是卡尔曼滤波器。 如果有数据,而没有可使用数学方程形式描述的背景信息,那么必须选择所谓的数据驱动方法。这些算法直接从该数据中提取所需的信息。它们包含所有的机器学习方法,包括线性回归、神经网络、随机森林和隐式马尔可夫模型。 选择哪种AI算法通常取决于有关应用的现有知识。如果有广泛的专业知识,AI将发挥更大的支持作用,所使用的算法也很初级。如果没有专业知识,所使用的AI算法可能要复杂得多。在很多情况下,由应用定义硬件,从而限制AI算法。 嵌入式、边缘或云实现 包含每单个步骤所需的所有算法的整体数据处理链必须以能够尽可能生成附加值的方式实现。通常在总体层级实现——从具有有限计算资源的小型传感器,到网关和边缘计算机,再到大型云计算机。很明显,这些算法不应只在一个层级上实现。而尽可能接近传感器实现算法通常会更有利。通过这种方式,可以在早期阶段对数据进行压缩和细化,并降低通信和存储成本。此外,通过早期从数据中提取基本信息,在更高层级开发全局算法就没那么复杂。在大多数情况下,流分析区域中的算法也有助于避免不必要的数据存储,由此降低数据传输和存储成本。这些算法只使用每个数据点一次;也就是说,直接提取完整信息,且无需存储数据。 在终端(例如,嵌入式AI)上处理AI算法需要采用嵌入式处理器,以及模拟和数字外设,用于数据采集、处理、控制和连接。处理器还需要能够实时捕获和处理本地数据,以及拥有执行先进的智能AI算法的计算资源。例如,ADI的ADuCM4050基于ARMCortex-M4F架构,提供集成且节能的方法来嵌入AI。 实施嵌入式AI远远不止是单纯采用微控制器。为了加快设计,许多硅芯片制造商都构建了开发和评估平台,例如EV-COG-AD4050LZ。这些平台将微控制器与传感器和HF收发器等组件结合在一起,使工程师无需深度掌握多种技术,就能探索嵌入式AI。这些平台可扩展,使得开发人员能够使用不同的传感器和其他组件。例如,通过使用EV-GEAR-MEMS1Z扩展板,工程师能够快速评估不同的MEMS技术,例如,该扩展板中使用的ADXL35x系列(包括ADXL355)提供出色的振动校正、长期可重复性和低噪声性能,并且尺寸很小。 平台和扩展板(例如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z)的组合让工程师能够基于振动、噪声和温度分析来了解结构健康状况,以及实施机器状态监控。其他传感器也可根据需要连接到平台,以便所使用的AI方法可以通过所谓的多传感器数据融合来更好地估计当前的情况。这样,即可使用更好的粒度和更高的概率,对各种运行状态和故障情况进行分类。通过平台上的智能信号处理,大数据在本地就变成智能数据,使得只有与应用案例相关的数据才会发送至边缘或云端。 平台方法还可以简化通信,因为扩展板可用于实施不同的无线通信。例如,EV-COG-SMARTMESH1Z具有高可靠性、鲁棒性和极低功耗特性,支持适合大量工业应用的6LoWPAN和802.15.4e通信协议。SmartMeshIP网络由负责采集和中继数据的无线节点的高度可扩展、自成型多跳Mesh网络组成。网络管理器监视和管理网络性能及安全性,并与主机应用程序交换数据。 特别是对于电池供电的无线状态监控系统,嵌入式AI可实现完整附加值。通过ADuCM4050中嵌入的AI算法将传感器数据在本地转换为智能数据,与直接将传感器数据传输到边缘或云端相比,数据流更低,因此功耗也更低。 应用 AI算法开发平台(包括为其开发的AI算法)广泛应用于机器、系统、结构和过程控制领域,从简单的异常检测扩展到复杂的故障诊断。通过集成的加速度计、麦克风和温度传感器,可以实现多种功能,例如监测来自各种工业机器和系统的振动和噪音。嵌入式AI可用于检测过程状态、轴承或定子的损坏、控制电子设备的故障,甚至是因电子设备损坏而导致的未知系统行为变化。如果预测模型适用于特定的损坏,甚至可以在本地预测这些损坏。通过这种方法,可以在早期阶段采取维护措施,从而避免不必要的基于损坏的故障。如果不存在预测模型,平台还可以帮助学科问题专家不断了解机器的行为,并随着时间的推移,得出一个全面的机器模型用于预测维护。 理想情况下,通过相应的本地数据分析,嵌入式AI算法应该能够确定哪些传感器与各自的应用相关,以及哪种算法最适合它。这意味着平台具有智能可扩展性。目前,学术专家仍然必须为各自的应用找到理想算法,尽管只需对各种机器状态监控应用进行很少的实施工作,即可扩展AI算法。 嵌入式AI还应对数据的质量作出决定,如果数据质量不佳,就为传感器和整个信号处理找到并进行相应设置。如果采用多种不同的传感器模式进行融合,则使用AI算法可弥补某些传感器和方法的不足。通过这种方式,可提高数据质量和系统可靠性。如果传感器被AI算法划分为与应用不太相关,将相应地控制其数据流。 ADI的开放式COG平台包含可免费使用的软件开发套件以及许多硬件和软件示例项目,用于加速原型创建、促进开发并实现最初的想法。通过多传感器数据融合(EV-GEAR-MEMS1Z)和嵌入式AI(EV-COG-AD4050LZ),可创建稳健可靠的无线智能传感器Mesh网络(SMARTMESH1Z)。 DzianisLukashevich是ADI公司的平台和解决方案总监。他主要关注大趋势、新兴技术、完整解决方案,以及塑造行业未来,并在广阔的市场中变革ADI业务的新商业模式。DzianisLukashevich于2012年加入德国慕尼黑的ADI销售与营销部。他在2005年获得慕尼黑工业大学电气工程博士学位,2016年获得华威商学院工商管理硕士学位。 FelixSawo于2005年获得德国伊梅诺科技大学机械电子理学硕士学位,2009年获得卡尔斯鲁厄理工学院计算机科学博士学位。毕业之后,他在弗劳恩霍夫协会光电、系统技术和图像处理研究所(IOSB)担任科学家,开发机器诊断算法和系统。自2011年起,他一直担任KnowTIon的首席执行官,专注于传感器融合和自动数据分析的算法开发。

    时间:2020-10-22 关键词: 大数据 嵌入式ai AI

  • 宁畅AI服务器X640 首登MLPerf 斩获30项世界第一

    宁畅AI服务器X640 首登MLPerf 斩获30项世界第一

    10月22日,AI基准性能评测平台MLPerf官网显示,宁畅信息产业(北京)有限公司(以下简称“宁畅”)搭载NVIDIA T4_/A100 GPU卡的Nettrix X640 G30 AI服务器,在ResNet、BERT、DLRM等基准测试中取得30项世界第一成绩。 据报道,MLPerf是用于衡量AI、边缘计算等设备性能的基准测试平台,由云服务厂商、OEM厂商、大学、软件公司等超14个组织、50余家知名IT企业共同驱动。该基准测试包括可代表生产级别的测试用例,测试结果在行业内具有较高权威性。 同配置测试获16项世界第一 宁畅工程师介绍,参加MLPerf Inference(推理)基准测试的X640 G30 AI服务器,最高可支持10张NVIDIA A100 PCIe卡或21张NVIDIA T4 PCIe卡,堪称“性能猛兽”。 图说:宁畅人工智能服务器X640 G30 对比行业同配置AI服务器,X640 G30搭载四张A100 GPU卡的情况下,在Resnet50、SSD、RNN-T、BERT、DLRM等10项测试中分数值取得世界第一;搭载16张T4 GPU卡配置的情况下,X640 G30打破六项世界纪录,性能一骑绝尘。 图说:16卡配置X640 G30部分测试分数对比图 相同配置下取得第一的MLPerf分数,意味着X640 G30 在图像分类、目标检测、医学影像、翻译、推荐、自然语言处理等AI应用场景中有更好性能表现,可为用户带来多高价值。 将多卡性能发挥到极致 AI服务器所能支持异构计算GPU卡数量,是决定其AI吞吐量的首要因素。依托团队10余年行业经验,宁畅率先在4U标准机箱中实现21张GPU卡配置,将多GPU卡性能优势发挥到极致。 搭配21张T4 GPU卡的X640 G30,在图像分类、语义识别等众多AI基准测试中,超越搭配20张T4 GPU卡配置的服务器,测试分数斩获14项世界第一。 图说:21卡配置X640 G30 MLPerf测试成绩表 不仅多GPU卡的性能优越,在单GPU卡平均性能方面(单卡平均性能=整机测试结果/搭载GPU卡个数),横向比较13家服务器厂商提交MLPerf 的53个配置测试结果显示,X640 G30服务器平均单卡性能获得11项第一。 图说:X640 G30平均单卡测试分数对比 宁畅工程师表示,宁畅服务器不仅在MLPerf平台取得多项世界第一成绩,今年早先时候宁畅双路服务器R620 G30,曾在反映服务器性能的SPEC CPU2017测试中,刷新24项世界纪录。 世界纪录的背后,是宁畅工程师为用户提供更优性价比产品,将CPU、GPU等服务器核心部件性能发挥到极致,所做的不懈努力。通过提供硬件、软件等定制化服务,宁畅服务器将有效降低用户TCO(总体拥有成本)。

    时间:2020-10-22 关键词: 服务器 宁畅 AI

  • 机器人动作不协调,到底是哪里出了问题?

    时间:2020-10-22 关键词: 电机控制器 AI

  • 他,她,他,它?深夜AI小酒馆你所不知道的秘密

    本文来源:脑极体

    时间:2020-10-22 关键词: 人工智能 AI

  • 行业最高质量AI数据如何炼成?揭秘云测数据的取胜之法

    本文来源:智能相对论 AI加速落地的大背景下,作为人工智能产业落地重要的环节,AI数据标注越来越受到业界的关注,并在发生着很大的变化。 不久前,数据标注领域的头部企业云测数据首次对外发布了一项标准,其AI数据项目的最高交付精准度达到了99.99%,这是一个新的行业纪录。对此,有自媒体“曾响铃”评论认为,AI数据标注已经由“劳动密集”进入“技能密集”时代。 在AI数据产业中,数据精准度=验收合格数量/全部数量,这意味极高的精准度不仅要满足一些客观标准,还需要与AI项目方的需求深度契合,通过基于需求的验收过程。 事实上,对AI数据标注这种与制造业在很多地方相似的产业而言,更高的精准度的打造过程,就如同制造业的“精益制造”一样,在多个方面有着发展方式的契合,只不过一个交付数据服务,一个产出实体产品。 这种契合,从行业头部企业的动作看,包括四个方面。 业务平台:应对复杂的AI数据交接和作业,出现线上自动化“流水线” 制造业的精益制造首先是“流水线”的自动化、智能化升级,引入更多精密的工具或机械,为产品的精益打磨提供了生产环境基础。 数据标注也类似,粗放式的业务平台越来越无法承接复杂的AI数据交接和作业,在这种背景下,线上的自动化“流水线”开始出现。 以往,数据标注过程的“线下”痕迹浓厚,尤其是数据导入和导出,硬碟拷贝、交接的“原始模式”不时出现。 为了提升效率和安全,做到短时间无缝对接,以云测数据为代表的企业探索出线上“流水线”业务平台化模式。具体来说,就是根据AI企业的自身数据处理流程,完成标准化API接口的流程嵌入,数据在线上接入,完成作业后从线上输出,中间有模板化的任务创建与责任安排,支持不同标注类型和标注方法。 这个过程,对应到制造业,其实就是“物料进入、找到众多产线中合适的那一条并安排好生产工人、产品输出”的过程。在线上,数据标注已经做到了数据进入、标注、交付的云上无缝连接过程。 这其中,对数据标注“精益制造”价值最为明显的可能是“生产工具”的优化,工具能力的提升,大幅提升了数据标注的效率和精准度,这就好比流水线上功能丰富的自动化机械臂能够帮助企业大大提升效率和质量一样。 以云测数据为代表的企业开发的工具为案例,目前来看,工具对数据标注的价值有这三个体现: 一是直接的操作辅助,例如对人脸进行26点、54点、96点、206点的人脸关键点标注、贴合度在3像素以内的特定任务关键点追踪,这使得标注员的操作能够更加精细化,且拥有不错的效率。 二是特殊数据的操作辅助,例如自动驾驶中激光雷达形成的3D点云数据不同于摄像头形成的2D图像数据,标注起来更有难度也更可能出现偏差,这时候,融合标注工具(把3D点云数据和2D图像数据结合在一起对照)的价值就体现出来。 三是数据标注的纠错保障,这类似于“精益制造”中人工质检前的机器自动质检,在数据标注过程中,工具根据AI项目需求设定查错规则,保障标注的精准度(例如,一个三米高的物体标注为人体就错了) 当然,工具质检只是一种辅助,在数据标注的“精益制造”过程中,人工质检(抽检)同样必不可少。云测数据不仅在标注流程上实现了正规化和科学化,设计了从创建任务、分配任务、标注流转,还完善了了从质检/抽检环节到最后的验收的管理流程。 数据作业:应对AI落地的深度需求,出现“数据工艺”般的精细化作业 生产工艺是“精益制造”的核心之一,工艺越好,产品往往更为优质,也更掌握市场的话语权。在“流水线”生产环境基础上,随着AI落地需求的加深,AI数据标注开始出现可以称之为“数据工艺”的类似精细化作业过程,99.99%的精准度本身就是“数据工艺”的结果。 在云测数据的日常作业中,可以发现很多这种“数据工艺”般的做法,例如更丰富的数据标注类型,“线段”这种看起来简单的标注对象也分出了折线、曲线、贝塞尔曲线等。 此外,如同制造业不断积累工艺经验,逐步提升工艺水准生产出更高等级的产品一样,数据标注也存在一个经验积累的过程来提升“数据工艺”水准,例如,工业中的大量看起来差不多的零件的标注,做到更细节层面才能区分出两个型号类似的螺丝;零售行业大量相似的SKU,需要从品牌、标签等多种细化角度来标注,帮助算法识别。 总的看来,对AI数据的复杂需求是促使数据标注朝着“数据工艺”方向发展的直接原因。 当下的AI数据呈现三个特征,一是由于AI产品落地场景的复杂性导致数据场景需求的多元化,如光线强度、拍摄角度、噪声要求、室内室外等;二是同类数据表现出样本多样性,仅就声音的数据,可能就包括年龄、性别、口音等差别;三是针对同一应用目标的数据多维化,例如智能驾驶就可能同时需要摄像头、激光雷达、超声波雷达等不同传感器产生的数据。 很显然,在这种背景下,AI发展初期那种直接应用或者购买成品“数据集”的做法行不通了,它们可以帮助算法快速成型,但却难以支撑更多样化的AI落地需求。 于是,“数据工艺”般的精细化作业对数据标注的需求自然而然就超出了单纯数据标注的业务范畴,必然要整合上游数据采集这个关键环节。可以看到,以云测数据为代表的企业都在大力提升场景化数据采集的能力。帮助客户还原落地场景所需要的AI数据,从源头保证AI数据的质量,才能更好的应用于AI产业化的深度落地。 或许正因为这样的原因,可以看到,云测数据在发布了最高项目交付99.99%精准度的同时,为了贴合实际场景、帮助更多行业实现“AI产品更快更好的落地”, 云测数据结合自身的服务能力积累和行业专业性,还推出了智慧城市、智能家居、智能驾驶、智慧金融四个场景下的“AI训练数据服务解决方案”。 在这些整合了数据采集与标注的场景AI数据解决方案中,可以发现更明显的“数据工艺”痕迹。 例如,在户外场景中,摄像头囊括了大量的行人、机动车、自行车等道路场景数据,但智慧城市的AI应用可能需要识别人流检测、突发事件等长尾场景数据。 在云测数据的智慧城市解决方案中,就通过行业首创的数据场景实验室来还原搭建真实场景,用于采集长尾场景数据,例如多种不同光线下的人员检测、危险动作检测等。 类似的还有智能驾驶场景。智能驾驶的车外环境感知需要大量真实场景数据用于算法训练,为了确保行驶安全,需要覆盖非常多的长尾场景数据,例如举伞的行人、突然出现的宠物等,疫情发生后,带口罩的行人也是另一种车外环境感知所需要的“场景AI数据”。 从细节上满足更复杂深度的AI数据需求,提供独特的、无法替代的AI数据获取能力,将帮助数据标注持续获得更高的产业地位。 人力建设:应对高精细化的“数据工艺”,出现专业的“人工智能训练师” “流水线”的生产基础加上更高的生产工艺之后,“精益制造”考验的还有产业工人是否能将工艺实现的能力,在产业升级的浪潮下,产业工人的素质成为“精益制造”的关键因素之一。 映射到数据标注,为了应对高精细化的“数据工艺”,专业的“人工智能训练师”开始出现,这表现在三个方面。 一是体系化的人才培训,整体技能专业性、领域知识专业性、人员素养等都在提升。 以云测数据为例,云测数据不仅提供岗前培训,还带有员工技能培训、职能培训、行业领域知识、责任培训、标注内容的培训,以及一对一的持续交流来提升员工的能力;与此同时,配备在线化、体系化的打分系统来评估员工的能力。 过去,数据标注那种随便在街上、学校里拉一些人,只要认得图片、懂基本的语法拼写就开始干活的做法,已经不再具备任何竞争力了。 二是匹配不同需求的“人才梯队”开始出现。 这一点,如同“精益制造”里更复杂产品配以技艺手段更高的工人一样,在数据标注领域,出现了一些数据需求上的分化,倒逼企业培养某种意义上的“人才梯队”。 典型的如医疗、法律、金融、家居等高度专业化的领域中,不论是CV还是NLP,人工智能训练师需要非常专业,才能进行正确的数据标注与解读,这甚至不是光有培训就能解决的。云测数据在NLP领域就吸纳了一些金融及家居行业的专才来提升对应领域的数据标注能力,这也意味着数据标注产业开始对人才来源口径有了一些要求,不再是泛化的人群。 三是大量的操作细节和专业性不断叠加。 产业工人变成“老师傅”,一方面来源于苛刻的工作要求,另一方面来自不断的专业经验积累。在数据标注这里也是如此。 粗放式管理下,传统数据标注行业有一种“混乱”的气质,草台班子稀里糊涂完成了大量的数据标注工作。但现在,高精准度的大旗下,数据服务团队的专业化能力被严格要求,在云测数据,智能客服单个场景的意图标注就分为10-20个大类、上百个子类(表达同一个意图,算法面临的用户可能有不同的表达方式,故越细分越好),根据业务需求可能还会有进一步的标注细分。 这倒逼数据标注员提升对话意图的判断能力,需要对句子进行泛化、以不同的描述方式重组或扩充句式、标签(比如,用户只是单纯口误了,或者夹杂了方言,数据都需要标注清晰,供AI算法去学习)。 在整体素质不断提升的基础上,人工智能训练师呈现出更多样化的梯度,更多优质的标注人才将脱颖而出。 需求交互:应对纵深的项目需求,出现深度交互的专业化服务模式 最后,“精益制造”阶段的制造业,往往伴随订单方与生产方的深度沟通,需求方深度介入生产制造,才能生产出更符合初衷的产品。 这其实是支撑“精益制造”的专业化服务模式,在数据标注领域也是如此。为了明确AI数据标准,云测数据这种追求高精准度的企业早已要求项目经理与AI项目方在项目开展前反复沟通需求,配合行业培训师对标注员们进行前期培训,并在标注作业过程中保持实时的沟通和反馈。 这种反复沟通中,涉及到大量影响最终数据结果精准度的细节,例如,CV项目中,什么样的光线要标注和定义为“强光线”?不同需求方的理解可能并不一样。 除了明确数据标准的沟通,在作业方式上,数据标注现在也更为灵活。 典型的是金融场景中,由于行业的特殊性,尤其是对数据安全的极高要求,数据标注企业除了要提供了一套针对金融行业深度结合企业自身业务流程的AI数据服务方案,一些时候还必须改变部署与作业的物理方式,例如云测数据提供的私有化部署和驻场作业服务,在这种服务方式下,数据标注“企业服务”的本质也更明显了一些。 值得强调的是,在数据隐私安全方面,云测数据设置了一系列严格措施。其中一条核心原则就是数据绝不复用,当数据合格交付后从不留底,会清毁相关数据;其二,所有和云测数据进行数据采集的用户都会签订数据授权协议,从来源上确保企业用于训练的数据合法合规;同时,云测数据内部还设定了数据隔离、质量保障等一系列数据安全流程和技术。 总而言之,AI加速落地催生出更为复杂的AI数据需求,使得本来与制造业在过程上有些类似的AI数据标注也走入属于产业自身的“精益制造”过程,在生产环境、作业标准、人才建设以及服务模式上都有了很大的转变。而云测数据带来的这种转变,不只是带来了更高的精准度、更高质量的AI数据,也使得数据标注产业在AI时代的产业链条中作用愈加突出。数据标注就像是信息世界的新基建,只有基石的建设稳妥了,AI产业的高楼才能拔地而起,才能加速人工智能更好的到来。 ~END~ 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-22 关键词: 云计算 大数据 AI

  • 直击2020世界VR产业大会:华为端到端助力,双G云VR智启新生活

    5G网络加速覆盖,“双千兆”城市建设深入推进,疫情催化文娱产业线上转移,让VR产业在2020年迎来发展大年。10月19日-20日,2020世界VR产业大会在江西南昌盛大举行,吸引了包括电信运营商、ICT服务提供商、内容制作商、终端设备商在内的VR全产业链玩家,以及政府领导、VR领域知名专家、VR龙头企业代表等各界人士参与,共襄缔造了一场全球VR产业的超级盛宴。   大会来到第三届后,今年的主题紧扣2020年大环境,被设定为“VR让世界更精彩-育新机 开新局”。从大会议题和展出内容看,政、产、研、用齐聚一堂,聚焦前沿技术,探讨发展之道,展示最新成果、推动应用普及,搭建交流平台、汇聚要素资源,处处体现出“育新机开新局”之意!   新机在哪里?从展位面积最大、展出内容最丰富的三大运营商看,双G+云VR成为主旋律。无论是面向公众的VR直播、VR影视、VR阅读、VR游戏,还是面向政企行业的5G+VR党建培训、5G+VR智慧教育、5G+MR智慧医院、5G+AR智能协作,运营商的千兆5G和千兆光网都已成为VR产业发展的“高速公路”,推动云VR/AR产品及应用加快渗透千行百业各个场景。   应用大爆发的背后,是VR技术方案的不断进步。以能够提供全面VR解决方案、端到端助力VR产业发展的华为为例,今年在“双G云VR 智享新生活”的参展主题下,该公司面向政府/产业、行业、公众各个领域带来了华为·视频3.0+加持下的更加丰富和完善的VR解决方案,不仅让VR产业这一年来的进步肉眼可见,也打开了VR产业“在危机中育新机、于变局中开新局”的未来画卷。 双千兆网络加速云VR技术方案日益完善 自2019年5G元年之后,突如其来的新冠疫情在2020年非但没有迟滞全国“双千兆”城市的建设,反而加速了千兆5G和千兆光网在各省市的推进。在稍早前的 2020中国国际信息通信展上,工信部副部长刘烈宏介绍,我国5G已建成开通5G的基站超过了60万座,5G终端连接数超过了1.5亿。同期工信部新闻发言人、信息通信发展司司长闻库介绍,中国已在超过300个城市部署千兆宽带接入网络,千兆光纤覆盖用户超过了8000万户。   早在去年的世界VR产业大会上,电信运营商就对云VR寄予厚望,提出要抓住宽管道与大视频互为所需的发展契机,大力推进双G+云VR模式的发展。今年,随着双G网络进一步准备就绪,云VR模式更是成为无处不在的主流,背后的云VR技术方案也日趋完善。这其中最显著的表征,便是本届大会增设的云峰会充分采用了XR影像技术、VR直播拍摄技术、全息影像技术和AI技术,呈现了一个集云会场、AR特效、全息投影、AI虚拟主持人等为一体的虚拟与现实深度交融的云端现场。   作为运营商双G网络建设及业务发展最亲密的伙伴,华为这次带来了云VR全光承载、FTTR全光Wi-Fi、云VR高密接入、超高清智慧场馆、2D转3D、8K FOV、在线影院等使能云VR的端到端解决方案,全面而直观地展示了支撑众多VR应用在政府/产业、行业及公众等全领域落地背后日趋完善的云VR技术方案。   在内容消费侧 ,针对VR用户对极致沉浸式体验的诉求,华为以云VR全光承载、FTTR全光Wi-Fi、云VR高密接入给出了解决方案。利用光纤网络的独享管道、超大容量、超低时延、超高可靠、SLA可视可管等特性,全光承载可实现一跳入云,以确定性网络确保极致VR体验。进一步通过FTTR实现光纤到房间,则可打造千兆全光家庭,实现千兆Wi-Fi极致体验,保证每一个房间都能尽享最佳VR体验。再进一步通过高密接入方案将光纤延伸至每一个VR终端,则可解决诸如VR教室、VR培训、VR直播等高密场景下人手一台VR设备对网络质量的苛刻要求,保障每一个人的极致体验。   在内容生产侧 ,华为今年全新升级的视频3.0+依托于华为在传输和编解等领域的核心技术积累,在去年同期首次提出用VR三层内容架构繁荣VR内容的基础上,进一步升级了自由视角、2D转3D、8K FOV、超分辨等核心能力和全新体验;它们与超高清智慧场馆结合,构筑了超高清/VR内容常态化供给的坚实底座。生产侧的提质增效,使得本届展会上无论是三大运营商还是华为自己的展台,都涌现了更多的VR内容及应用。   一言以蔽之,无论是全光承载、FTTR全光Wi-Fi、云VR高密接入等网络基础创新,还是超高清智慧场馆、8K FOV、2D转3D、在线影院等使能VR、空间视频常态化生产、创作及传播的内容供给层面,云VR技术方案都已有能力匹配,为下一阶段的规模化复制及推广做好了充分准备。 华为端到端助力VR产业发展关键要素齐备 由上可见,千呼万唤等来了双G网络的云VR想要腾飞,其发展所需的关键要素不只是网络管道和云端计算等纯技术层面,还包括重中之重的行业应用落地、常态化内容供给,以及将VR内容呈现给大量最终用户的终端设备——可以说终端、管道、云端计算、内容、生态一个都不能少。   向以端到端助力VR产业发展为己任的华为,本次大会上除一如既往地提供横跨端、边、管、云的端到端支撑技术,并在内容和生态维度展现独到的使能技术及牵引方案外,相比上届还加码展出了面向行业的华为VR/AR应用,包括商臻和河图;面向公众的华为VR/AR应用,包括VR+影院、VR+射击、VR+拳击/虚拟社交、VR+健身、VR+阅读、VR+音乐,AR+娱乐、AR+工具、AR+健康、AR+游戏,以及支持快速上手制作这些AR应用的AR Engine/VR Engine、AR Reality Studio等,并设置了专门的VR Glass促销区。   “自己的降落伞自己先跳”,华为这一系列集合应用/内容、终端设备及云VR技术方案的具体业务体验,以让人看得见、摸得着的成果,一定程度证明VR产业发展的关键要素已经齐备。这其中,最能够体现华为端到端能力、展现VR产业发展所需要素的可能要数华为全新推出的商臻——它在疫情之下开创了一个云VR行业应用的新样板。   华为商臻 对大多数人来说可能是一个新面孔,其定位于企业数字化展示的自助使能平台,通过5G+Cloud XR助力企业数字化转型,让展示与沟通更简单。据介绍,商臻可帮助千行百业营销展示和作业能力升级,广泛适用于企业数字化展示、云上展会、全视频互动交流等场景。借助VR全景摄像头、VR头显、手机/平板等设备,依托百兆级的5G/固网专线,企业基于商臻云作业平台可以像搭积木一样搭建线上展台,实现云上展示、VR远程直播、全视频互动交流、AR智能协作等场景体验,无缝弥合虚拟与现实。   透过商臻云作业平台的运作可以发现,终端、管道、云端计算、内容等VR产业发展关键要素在这里大集结,呈现了一个典型的行业VR应用所需要的产业生态。 显然,这背后离不开华为端到端云VR技术方案的支撑,也与华为长期开放聚合端到端生态合作伙伴密切相关。这样的样板一旦在千行百业不同场景推广开来,必将助推整个VR产业“开新局”! VR/AR应用大爆发双G云VR智启新生活 就在行业应用深化发展的同时,VR在大众领域的创新应用也一日千里。双G的加速覆盖,新冠疫情的持续催化,使得今年来线下文娱产业大量向线上转移,纷纷借助超高清视频、VR全景视频等新技术打造新内容,提供新体验,开辟新商业模式。   实际上早在去年同期举行的世界VR产业大会上,超高清视频以及VR产业界就看准了双G+云VR融合发展的巨大潜力。彼时正是“邻居”韩国5G+VR的狂飙突进之际,产业各界看到借助运营商千兆5G网络消除大众使用VR门槛的云VR模式,是推动VR产业“破圈”发展的最佳选择。华为也创造性提出可繁荣云VR内容供给的三层内容架构——包括2D转3D做海量内容托底、为VR应用增加社交属性、开展周期性常态化VR直播,全力使能运营商云VR业务及整个VR产业发展。   此去经年,本届大会无论是三大运营商还是华为展台,VR/AR应用大爆发的状态都肉眼可见,极大丰富和提升了公众的业务体验。这其中,除了VR智慧教育、MR智慧医院、VR智能工厂、VR驾培驾考等行业应用,以及上面提及的VR阅读、VR游戏、VR音乐等大量面向公众的应用外,得益于VR三层内容架构的落地推进,以及超高清智慧场馆支撑下的VR直播常态化供应,各家的VR影院内也已汇聚了大量VR及空间视频资源,融合5G套餐逐步与更多用户见面。   畅游其中,你会发现: 中国电信天翼云VR平台中的3D版央视、卫视、少儿等电视频道,让原本只有2D效果的电视节目呈现iMAX影院般的3D巨幕效果;也会发现中国移动咪咕视频和移动云VR中的云游珠峰、云游青海茶卡盐湖等5G+VR慢直播;还会发现中国联通5G沃视频中的男乒世界杯、斗鱼黄金大奖赛、VR演唱会等体育、电竞、文娱直播,尽享多屏多视角、自由视角、VR视角带来的极致自由和沉浸体验;更有华为近期携手4K花园打造的多场4K/8K VR演唱会、联合《湖南卫视》舞蹈风暴节目组打造的360度自由视角的“风暴时刻”及8K VR内容……总之在产业各方的协同努力下,云VR的内容、体验已经走出那个“屈指可数”、“马马虎虎”的阶段,双G云VR的新视界业已打开,新生活已经开启! 综上,用“在危机中育新机、于变局中开新局”来描绘2020世界VR产业大会可能再合适不过。恰如本届大会新增全面采用VR/AR技术直播的云峰会、龙头企业持续沉淀完善端到端云VR技术方案、产业各界更加同频共振打造共赢生态一样,超高清/VR产业与各行各业今年以来都在积极转型和嬗变,积极寻找融会贯通、跨越发展的新机遇、新动能!相信在天时地利人和的大环境下,中国VR产业必将以2020世界VR产业大会为新起点,培育新机遇,开创新局面,真正引领世界VR产业发展! 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-22 关键词: 5G 智能穿戴 AI

  • 智慧交通:交通超脑让出行变得更加智慧

    智慧交通:交通超脑让出行变得更加智慧

    当今,随着物联网、大数据、云计算、人工智能等新一代信息技术的快速发展,“交通超脑”大数据平台因运而生,并且大大提升了交通的运行效率,给我们提供了更加智能的交通服务。 在合肥市交警支队交通指挥中心大屏幕上,显示着“交通拥堵指数”“道路拥堵排行”“当前在途车辆”等信息,这些是对监控捕获信息深度分析后获得的。 “交通超脑”于2019年10月投入使用,包括1个数据接入平台、1个超脑中枢、7大应用子系统。其中,最为“硬核”的智能语音指挥调度平台,基于语音识别、语音合成、语义理解等核心AI技术,方便交警收集车流量数据、处理交通事故等。 目前,系统监测范围已覆盖合肥市1332个路口、649条道路,日均接入互联网路况数据1.5亿条。通过分析挖掘,已累计完成70个重点片区治理,44个片区畅通率得到显著提升。通过事件仿真技术,可以在10秒内预测5-30分钟之后的区域交通态势,平均每2分钟就可以完成11个路口的信号协调联动。 此外,“交通超脑”还可以智能调控合肥市市105套高架限行系统,实时优化周边信号灯配时方案,并对施工占道、大型活动安保、恶劣天气等事件进行分析和预判。 “交通超脑”展示的数字化交通管理是合肥市数据惠民的缩影。合肥市于2017年成立数据资源工作领导小组,并在全省率先成立数据资源局、组建大数据资产运营有限公司,与18家行业领军企业签订“智慧城市”建设战略合作框架协议。 “打造‘城市大脑’的初衷,是让城市的各个‘器官’协同工作,从而实现城市治理能力智能化、集约化、人性化。”合肥市数据资源局应用推进处处长吴波表示,经过探索创新,市民享受到更为便捷舒适的城市服务。同时,也让城市管理者更加科学化、民主化地进行决策。 未来,合肥“智慧城市”建设将继续沿着健康、精细、安全的道路,实现高质量发展。

    时间:2020-10-21 关键词: 大数据 智慧交通 AI

  • 分享几个有创意的机器人

    关注、星标公众号,不错过精彩内容 素材来源:电路城 机器人迅速发展,随之涌现出了一大堆创意机器人设计,魔方机器人,寻迹机器人,六足虫虫机器人……电路城给你十个创意机器人陪你玩耍,一起去看看吧! 1、奥豆机器人结构图+代码+装配教程 奥托的制作和设计是受LMR两足机器人鲍勃的启发,他的编程代码是来自另外的一个名为Zowi的开源两足机器人。奥豆是一款兼容于Arduino,且可以3D打印的机器人。它的独特之处在于他组装后的体积很小(11cm x 7cm x12cm),而且他的集成组件和公式都是很简单的。利用现成的部件和3D打印机,只需要做简单的电路连接(几乎不需要焊接)和懂得基本编码技巧,你就可以在短短的两个小时内做出你可爱的朋友-奥豆! 2、魔方机器人-华为研电赛一等奖作品 软件方面:1.移植了Kociemba算法。Kociemba算法是当今世界上复原魔方步数最少的算法,最长步数只有21步,并且其解算时间为ms级。 2.颜色识别方面应用机器学习领域中一种比较成熟的分类算法完成颜色的分类,颜色识别基本不会出错,识别率极高。 3.对来自Kociemba算法的复原指令进行了优化处理,使用深度优化搜索算法,优化率达23%,缩短了整体复原时间。 我认为如果你想学习制作属于自己的机器人,魔方机器人应该是最佳选择,因为你既可以学到硬件的设计,还可以学到控制算法。 3、【创意设计】六足虫虫机器人资料分享 新版虫虫用3个微型舵机的协调摆动来行走,通过红外测距来感知环境,还能够感知周围的光线亮度。另外,新版虫虫的中枢依旧是一颗强大的Beetle控制器和扩展板,而且是利用简单易用的Arduino来编程。所有这些功能让虫虫的行走更加复杂,互动更加丰富。可以实现前进、后退、避障拐弯、巡光等功能。简单的组装让你了解最基本的机器人原理和智能控制。喜欢DIY的用户,还可以在原有代码的基础上改造出自己的互动模式。 4、(恩智浦)低功耗蓝牙控制机器人参考设计 Bluetooth® Low Energy (BLE)控制的机器人参考设计采用FRDM-KW40板和Pololu Zumo机器人开发,并且可以通过手机APP控制。BLE控制的机器人基于Kinetis KW40Z片上系统(SOC),该系统包括一个ARM® Cortex® M0+处理器,并配有面向BLE和802.15.4的2.4 GHz无线电。它采用HID over GATT配置文件实施,用作人机接口设备。该软件提供的特性包括:BLE数据到手机app的传输、电机控制和电池监测,等等。 5、无人遥控水下机器人供电设计方案 无人遥控水下机器人主要有,有缆遥控水下机器人(简称ROV)和无缆遥控水下机器人(简称AUV)两种,ROV是从水面进行控制,带有推进器、水下电视、水下机械手和其他作业工具,能够在三维水域运动,由水面提供能源的装置。水面与ROV之间通过数百米甚至数千米的线缆连接供电,为了减小线缆上的损耗,必须减小其电流,这就要求ROV输入电压尽量高,最好(300-400)V,以目前的DC48V/(3000-4000)W需求为例,传统的砖模块电源很难满足高效率及小体积方面的要求。Vicor针对水下机器人对体积、效率及大功率的特殊要求提供了有效的解决方案。 6、坦克循迹机器人超全单片机智能小车程序资料+坦克循迹红外遥控+原理图260M的资料,无线智能小车,资料很详细,有视频有程序,感兴趣的千万不要错过了,免费分享一大波! 7、【大赛作品】激光测距机器人设计测距采用激光测距,通过对激光束进行幅度调制并测定调制光往返测线一次所产生的相位延迟,再根据调制光的波长,换算此相位延迟所代表的距离,测量距离是超声波与红外线的10倍以上,测量精度远超超声波与红外线,最高能达到1mm的精确度…… 8、超酷溜冰机器人设计在本系统中,采用意法半导体公司的STM32F407VGT6单片机作为智能小车的核心控制器。使用电磁感应圈感应磁场的的寻迹方案,采用MMA7660传感器和单轴陀螺仪作为车速检测传感器,使小车可以直立行走。以脉宽调制(PWM)控制方式控制直流电机和舵机,利用自适应控制PID算法,对小车的转向和速度进行控制修正,从而完成传感器信号采集处理、控制算法裁决及执行、直流电机驱动控制。 9、(3D打印)画蛋机器人制作开源设计本文介绍画蛋机eggbot的制作,因前篇篇幅有限,所以发起新话题,详细介绍一下画蛋机eggbot的制作。你现在有3D打印机么?有42步进电机么?有arduino mega2560么?如果你有,和我一起来制作画蛋机eggbot吧 制作难点:eggbot的主控为EiBotBoard,这个电路板在其他地区是买不到的,只能在eggbot官网进行购买,目前为V2.0版本。在查阅大量资料之后,我们找到了一个eggbot的衍生版SphereBot。SphereBot采用arduino uno和电机驱动A4983,并提供了firmware和简单实用的操作软件,这为我们制作画蛋机提供了方便,结合3D打印机的制作经验,我们采用arduino mega2560+2个A4988组合作为电子控制部分。OK,准备好,我们开始吧!!! 10、基于WIFI的无线侦查机器人本设计是基于wifi技术的机器人,机器人的动作可以通过电脑操控,并实时地返回高清侦查视频。该机器人可以在一定范围内进行侦查,从而避免人员直接进入未知的危险环境之中。本设计主要由无线路由器、摄像头、机器人主控制器、舵机、电机驱动模块、电源模块以及机器人底盘等等构成。另外本设计控制客户端采用C++ builder 6.0编写。 地址: https://www.cirmall.com/articles/34673 推荐阅读: C++中字符编码的转换 手把手教你用STM32Trust生成加密固件 ELF相比Hex、Bin文件格式有哪些与众不同? 关注 微信公众号『strongerHuang』,后台回复“1024”查看更多内容,回复“加群”按规则加入技术交流群。 长按前往图中包含的公众号关 点分享 点点赞 点在看 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-21 关键词: 机器人 AI

  • 算法的算法:人工神经网络

    在上周的人工神经网络课程中介绍了机器学习中的支持向量机(SVM:Support Vector Machine)与前馈网络RBF的之间的联系,而对于由传递函数为线性函数组成的单层网络的代表自适应线性单元(ADLINE:Adaptive  Linear Element)更是和传统信号处理中的自适应滤波器相类似。 这些都会让我们看到神经网络算法似乎能够与很多其他学科算法搭起联系。下面由Matthew P. Burruss的博文中《 Every Machine Learning Algorithm Can Be Represented as a Neural Network》 更是将这个观点进行了详细的梳理。 Every Machine Learning Algorithm Can Be Represented as a Neural Network》:https://mc.ai/every-machine-learning-algorithm-can-be-represented-as-a-neural-network-2/#:~:text=Every%20Machine%20Learning%20Algorithm%20Can%20Be%20Represented%20as,cumulated%20with%20the%20creation%20of%20the%20neural%20network. 从1950年代的早期研究开始,机器学习的所有工作似乎都随着神经网络的创建而汇聚起来。从Logistic回归到支持向量机,算法层出不穷,毫不夸张的说,神经网络成为算法的算法,为机器学习的顶峰。它也从最初不断尝试中成为机器学习的通用表达形式。 在这个意义上,它不仅仅简单的是一个算法,而是一个框架和理念,这也为构建神经网络提供了更加广泛的自由空间:比如它包括不同的隐层数量和节点数量、各种形式的激活(传递)函数、优化工具、损失函数、网络类型(卷积、递归等)以及一些专用处理层(各种批处理模式、网络参数随机丢弃:Dropout等)。 由此,可以将神经网络从一个固定算法展拓到一个通用观念,并得到如下有趣的推文:任何机器学习算法,无论是决策树还是k近邻,都可以使用神经网络来表示。 这个概念可以通过下面的一些举例得到验证,同样也可以使用数据进行严格的证明。 1.回归 首先让我们定义什么是神经网络:它是一个由输入层,隐藏层和输出层组成的体系结构,每一层的节点之间都有连接。信息从输入层输入到网络,然后逐层通过隐层传递到输出层。在层之间传递过程中,数据通过线性变换(权重和偏差)和非线性函数(激励函数)变换。存在很多算法来对网络中可变参数进行训练。 1、Logistic回归简单定义为标准回归,每个输入均具有乘法系数,并添加了附加偏移量(截距),然后经过Signmoid型函数传递。这可以通过没有隐藏层的神经网络来表示, 结果是通过Sigmoid形式的输出神经元的多元回归。 2、通过将输出神经元激活函数替换为线性激活函数(可以简单地映射输出 ,换句话说,它什么都不做),就形成线性回归。 2.支持向量机 支持向量机(SVM)算法尝试通过所谓的"核函数技术"将数据投影到新的高维空间中,从而提高数据的线性可分离性。转换完数据后,算法可在高位空间获得两类之间最优的分类超平面。超平面被简单地定义为数据维度的线性组合,非常像2维空间中的直线和3维空间中的平面。 从这个意义上讲,人们可以将SVM算法看作是数据到新空间的投影,然后是 多重回归。神经网络的输出可以通过某种有界输出函数传递,以实现概率结果。 当然,可能需要实施一些限制,例如限制节点之间的连接并固定某些参数,这些更改当然不会脱离"神经网络"标签的完整性。也许需要添加更多的层,以确保支持向量机的这种表现能够达到与实际交易一样的效果。 3.决策树 诸如决策树算法之类的基于树的算法有些棘手。关于如何构建这种神经网络的答案在于分析它如何划分其特征空间。当训练点遍历一系列拆分节点时,特征空间将拆分为多个超立方体。在二维示例中,垂直线和水平线创建了正方形。 因此,可以通过更严格的激活来模拟沿特征线分割特征空间的类似方式,例如阶跃函数,其中输入是一个值或另一个值-本质上是分隔线。权重和偏差可能需要实施值限制,因此仅用于通过拉伸,收缩和定位来定向分隔线。为了获得概率结果,可以通过激活函数传递结果。 尽管算法的神经网络表示与实际算法之间存在许多技术差异,但重点是网络表达的思想相同,并且可以与实际算法相同的策略和性能来解决问题。 也许您不满意将算法简单地转换为神经网络形式,也许希望看到通用过程可以将所有棘手的算法都进行这种转换,例如k近邻算法或朴素贝叶斯算法等,而不是针对每个算法都手工进行转换。 这种同样算法转换的答案就在于通用函数逼近定理,这也是在大量神经网络工作原理背后的支撑数学原理。它的主要含义是:足够大的神经网络可以以任意精度对任何函数建模。 假设有一些函数 代表数据背后的规律:对于每个数据点 , 始终返回等于或非常接近 的值。 建模的目的是找到该内部映射关系 一个有效表示,我们将其记为预测函数 。所有机器学习算法对这个任务的处理方式都大不相同,采用不同用于验证结果有效的假设条件,并给出具体算法来获得最优结果 。这些获得优化结果p(x)的算法,可说从在这些假设条件限制下,利用纯粹的数学推导获得。描述函数如何将目标映射到输入的函数实际上可以采用任何形式,下面给出几种典型的情况: 有的时候通过数学推导可以对表达式进行求解。但面对大量待定函数参数,往往需要通过不停的试凑来搜索。但是,神经网络在寻找 的方式上有些不同。 任何函数都可以由许多类似阶梯的部分合理地逼近,划分的区间步数越多,逼近的精度就越高。 每一个区间都对应神经网络中的一些节点,即隐层中具有S型激活函数的节点。激活函数本质上是概率阶跃函数。实际上每个节点都代表函数 的一个局部。然后,通过系统中的权重和偏差,网络为特定输入来激活不同的神经元,使其输出为1),否则输出0。于是便可以将不同函数的局部最后合并成整个函数。 这种处理模式不仅对应上面的一维函数有效,在图像中也观察到了这种通过激活不同节点以寻找数据中特定的模式。 通用逼近定理已扩展为适用于其他激活函数(如ReLU和神经网络类型),但原理仍然适用。神经网络是实现通用逼近定义的最佳表现形式。 相对于通过复杂方程和关系数学形式来描述通用逼近定理,神经网络则通过构建特殊的网络结构,并通过训练数据来获得结构中的参数。这个过程就好像是通过蛮力记忆将函数存储在网络中。这个汇集众多节点的网络结构,通过训练过程来逼近任意函数过程就表现出具有某种聪明特征的智能系统了。 基于以上假设,神经网络至少可以在理论上构造出一个函数,该函数基本上具有所需的精度(节点数越多,近似值越准确,当然不考虑过拟合的技术性),具有正确结构的神经网络可以对任何其他机器学习预测函数进行建模,反过来,其他任何机器学习算法,都不能这么说。 神经网络使用的方法并不是对一些现有的优化模型,比如多项式回归或者节点系统,只是对少量参数进行优化,它是直接去逼近数据内部所蕴含的规律,而不是基于某种特定的模型来描述数据。这种理念是那些常见到的网络模型结构与其它机器学习之间最为不同之处。 借助神经网络的力量以及对深度学习的不断延伸领域的不断研究,无论是视频,声音,流行病学数据还是两者之间的任何数据,都将能够以前所未有的精度来进行建模。神经网络确实可以被成为算法之算法。 注1:除非另有说明,否则所有图片均由作者创建。 本文翻译自Matthew P. Burruss的文章《Every Machine Learning Algorithm Can Be Represented as a Neural Network》 参考:https://towardsdatascience.com/every-machine-learning-algorithm-can-be-represented-as-a-neural-network-82dcdfb627e3 智能车竞赛 相关进展 在刚刚过去的第十五届全国大学生智能汽车竞赛中,Infineon公司给予了大力赞助。今天下午, 全国大学生智能汽车竞赛 秘书处与 Infineon公司中国区事业部 相关主管人员在清华大学 就 第十六届智能车竞赛合作事宜进行了 深入的讨论。 对上届合作过程中,参赛同学在使用Infineon先进微控制器在车模作品开发过程遇到的硬件和软件问题进行梳理,并给出了解决方案。 会议进一步拓展了双方在即将展开的十六届智能车竞赛合作空间。 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-21 关键词: 神经网络 AI

  • 北京PT展,精华都在这里!

    友情提醒:本文图片较多,请注意流量。 10月16日,为期三天的北京PT展在国家会议中心顺利落幕。 PT EXPO,“中国国际信息通信展览会” (PT=Post and Telecom) 小枣君全程参加了本次PT展,按照惯例,来给大家汇报一下现场情况。 ▉ 华为 首先看看华为的展区。 目前处于风口浪尖的华为,仍然是行业瞩目的焦点,参观人群络绎不绝。 展区入口,人山人海: 展区内部,水泄不通: 任总提出的5“机”协同,“机”是指机会。 国内5G基站60万+,覆盖城市350+,终端1.2亿部+: 空间视频的演示,其实就是360度同步拍摄,然后观众可以从各个角度自由观看: 华为和芒果台合作的“舞蹈风暴”节目,就展示了这项技术: 5G+AR(增强现实): AGV,就是Automated Guided Vehicle,无人小车: 5G高低频组网,前天我专门发文介绍过的: 5G高低频组网,到底是什么意思? F5G(固网5G)和Wi-Fi 6,是华为现在重点推进的方向: 刀片电源,可以简化现网基站的5G改造: 5G AAU天线,表面采用了航空级材料,手感舒适,比一般材料轻50%: 华为本次一共有两个展区,主展区都是一些应用为主的展示,我兴趣不大,于是,就溜进了以新技术为主的辅展区。 华为强大的算力体系,从算力到算法,从软件到硬件,都投入了很多资源: 华为全栈数据中心的节能方案: 以前是风退水进,现在是风进水退。真是有点应接不暇: PEU,Power Usage Effectiveness,评价数据中心能源效率的指标,是数据中心消耗的所有能源与IT负载消耗的能源的比值。 风冷模型: 这个东东,就是之前我给大家科普过的全光交叉OXC: 什么是OXC(全光交叉)? 橙色的,就是光背板(把光纤固定到板子里): 光模块内部结构,平时很难看到: 华为主推的全光2.0,数字生活和数字经济的重要底座: IPv6+,这几天我会出个专题介绍: NE8000: AR辅助运维,其实就是你戴着AR眼镜,可以让远端的专家对你提供在线指导: 专家远程指导(可以通过AR眼镜进行影像共享和指示): 我更为关心的AI运维: 相比去年,现在AI运维的各个场景已经逐渐清晰。不管是接入网,还是承载网、核心网,都有了很多AI运维模型,也进行了落地: 借助AI,根据核心网性能指标的异常抖动,准确预测故障: 偶遇了正在录制节目的华为当红巨星Antenna姐和码chine姐,赶紧上前表示了一下仰慕并交换了微信: ▉ 中兴 接下来,就是小枣君的老东家,中兴通讯的展区: 看到熟悉的LOGO,不免感到亲切: 5G人机大战,其实就是玩连连看: 行业路由器: 民用路由器: 5G室外路由器: 5G工业模组: 展区入口: 展区内部: 5G先锋: 一张信息量很大的PPT,其实每个专题都可以展开讲解: 大家都比较关心的5G能耗解决方案,同样也引入了AI: 矿井专用基站,看上去就很结实: 业界首款5G机载CPE,可以帮助乘客在飞机上上网: 核心网,真亲切: 5G消息,之前我专门科普过的: 5G消息(RCS),到底是什么? 功能确实蛮强大的,也很实用: 5G消息的生态在不断发展,越来越多的企业正在加入: 承载网: 模块化数据中心: 5G医疗诊断车: 现在定位业务很火,不管是UWB还是5G,都在强调自己能达到厘米级定位: 云边协同,提供大带宽,支撑XR(AR、VR等)业务: 5G安全办公,有个小姐姐在画画,不知道两者之间是什么联系,我也没敢上去打扰: 智慧社区,管理严密,有利于疫情防控: 设备展示区: ▉  中国信科 中国信科展区面积很大,内容也非常丰富,看样子是下了血本: 中国信科就是烽火+大唐。烽火的强项,是光通信: 屏幕反光太厉害了,简直就像是在自拍: 烽火子公司自研的光通信芯片: 光背板,前面介绍过的: 凑合看吧。。。 这个大叉子是海底光缆使用的分支器(是模型,实物比这个大): 海底光缆: 这个是数字孪生,吸引了我。是一个电厂的实际商用数字孪生案例,电厂造价50亿,数字化花了5千万,这个数字孪生大约200万。只有真正能创造价值,用户才会像这样愿意买单。 5G网规网优软件和工具: 超宽接入: 设备展示: 5G产业链非常关心的滤波器,平时很少能看到实物: AAU内部到底长啥样? 行业应用: 内容是真的很多,都是干货: 车联网: ▉ 中国电信 接下来是中国电信的展区。 运营商展区最大的好处是没有限制,随便进。而且他们很重视PT展,展区面积大,内容丰富,小姐姐颜值高。 物联网展示: 卫星通信: 5G行业应用,是运营商的展示重点: 5G移频MIMO室分系统: 5G数字工厂: 压箱底的古董宝贝都拿出来了: 从古董机到机器人,恍如隔世: ▉ 中国移动 生态链里的各类芯片和模组。作为国内最大的甲方爸爸,移动在哪,生态链就在哪。 猜猜这是什么? 答案是龙勃透镜天线: 关于龙勃透镜天线,看这一篇就够了! 这个是透明天线: 拉近来看,真的有天线振子的哟: 中移参与3GPP标准制定还是很多的: 5G智慧医院: 5G工业路由器: 5G挖矿: 中移的人工智能平台: 区块链,现在的关注热点: 网络安全: 不知道这个数据是真实的,还是随便写写的: 成研院的无人机平台: ▉ 中国联通 MR(混合现实)游戏: 前面介绍过的全景视频: 联通是2022北京冬奥的合作伙伴,所以紧密围绕冬奥场景进行了介绍: 这个挺有意思的,5G智能运营平台,全网精准评估: ▉ 中国广电: 第一次参展的广电。 之前我写了一篇不看好广电5G的文章,引起了广电内部的一致声讨。为了安全起见,我故意遮住名牌混进去看了看。 4.9GHz AAU: 干货很多,广电对自己的网络进行了非常详细的介绍: ▉ 爱立信 来到爱立信的展区: 毫米波,爱立信的强项,在美国已经有很多商用: 最新的毫米波测试结果,3.9公里的覆盖距离,下行650Mbps(采用的CPE,而非手机终端): 云原生: 偶遇中移杨杰大佬参观爱立信展区: 爱立信的5G节能方案: 原生AI: 设备展示: 智能制造: ▉ 中国铁塔 电动车电池租赁。可以交押金,办套餐,进行电动车电池的租借。对于外卖小哥来说非常方便。 能源业务智能调度中心: 中国铁塔对网络也是充满兴趣: ▉ 诺基亚贝尔 展区很小,还设置了门禁。我在门口拍了拍,就被赶出来了。 ▉ 浪潮 来自IT行业的挑战者: 之前很火的“中台”: 5G专网产品,从核心网到接入网,都有: ▉ 京信通信 总部在广州的京信通信: MINI智能视频布控球: 5G毫米波AAU: 设备展示: 家庭级基站: 5G直放站: 32TR,主要用于郊区,更加省电。城区是64TR为主。 ▉ 紫光展锐 芯片产品线非常齐全: 5G手机芯片: 现在很火的Cat.1bis模组: 物联网终端产品: ▉ 长飞光纤 光纤预制棒。光纤就是从这个棒,一根一根拉出来的: 海底光缆的剖面图: 光缆: ▉ 中国卫通 直升机机载天线,第一次见: ▉ 赛特斯 ▉ 香港应用科技研究院 ▉ 中国电科 还有很多企业: 亨通光电: 亨鑫科技: 普天: 千通科技(小型化核心网): 顺丰: 通宇: 中国通用技术集团: 好啦,以上就是PT展的内容,感谢大家的耐心观看! —— 全文完 —— 参展企业太多,恕无法全部详细介绍,敬请谅解! 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-20 关键词: 通信技术 5G AI

  • 憋大招!大疆明日召开发布会:神秘新品曝光!

    10月19日讯,日前“DJI大疆创新”官方微博发布了一只预热视频,视频以vlog快闪的视角,展现了诸多用户都在从口袋中掏出一台可以拍摄的设备,并配文“这一次,大疆要从口袋里掏出什么来?” 图片来源:大疆官方微博 新一代口袋相机来袭 对此,大疆已经表示将于10月20日召开新品发布会,并会在晚上9点发布一款新品。 此次发布的新品很有可能是新一代口袋相机——大疆Pocket 2。 那么新一代的大疆口袋相机Pocket 2有哪些惊喜呢?最大的亮点可能是较大的相机镜头,据说Pocket 2相机和DJI Mavic Air云台可能部分配置相同,这意味着它或许拥有1/2英寸传感器。此外,Mavic Air 2还具有最近更新的数字变焦功能,该功能也可能在像Pocket 2这样的紧凑型手持相机中拥有不俗的表现。 无人机龙头企业为何加码相机领域? 在4G网络,智能手机得到长足发展的这几年里,尤其是近两年爆发一般的手机拍照能力大提升,促进了拍摄高清视频分享的大众创作风潮,短视频应用也正是此时红遍全国。 大疆很快认识到,随着参与摄影创作的人群逐渐扩大,摄影的主流将从古典摄影——专注于体现人文风景艺术感,讲究构图美学,曝光准确的老法师们,慢慢转向一种“新摄影”的形式。 而它的主体正是希望能随时随地记录生活,并发布在社交平台上与其他人分享的普通人,这群人可不喜欢沉重的单反相机,小巧轻便,能现场自动后期随拍随发才是符合他们使用习惯的设备。 基于此,大疆认为大众需要一个能帮助他们拍摄出更好更稳定的视频工具,所以才先后推出了口袋相机Pocket系列,并打算让这些口袋云台相机真正成为了明星网红手里的爆款,每次上架次次迅速断货。 到这里,再次回到“硬核”的运动相机领域,为这些大众中具有冒险精神,喜欢出挑的人提供一款能符合他们使用习惯,而且基础素质过硬的运动相机,就条件成熟了。 有大疆品牌影响力的代入,比起一开始就进入一个小众市场打拼,成功概率要高得多——至少大疆认为,如果口袋相机也能养成苹果那种品牌归属感和用户认同心理的话,肯定不会卖得差。 无人机市场困局显现 大疆成立于2006年,是全球消费级无人机的领头羊,据《2018-2023 年中国无人机行业市场需求预测及投资战略规划分析报告》显示,2013-2017年,大疆销售收入不断增加,呈现每年约一倍的增速。2013年,大疆销售收入为8.3亿元,2014年销售额实现近4倍的增长,达到30.7亿元。2015-2017年,大疆营收分别为59.8亿元、97.8亿元、175.7亿元,增速维持在60%以上。 同时,根据多家机构预计,2018年大疆将实现90%以上的同比增长率,销售额或达到300多亿元,依旧保持在消费级市场的优势地位。然而这一数字最终没有得到官方验证。从2018年开始,大疆的经营数据成为了秘而不宣的行业秘密。根据早前界面新闻的报道,大疆在2018年、2019年营收情况均实现增长,年营收已经突破200亿人民币。 大疆CEO汪滔也曾在2016年中国企业家杂志采访中提出,无人机市场即将接近饱和,大疆的收入达到200亿元就见顶了,但这个收入很难撑起大疆100亿美元的估值。由此可见,大疆目前已经升到了汪涛曾预期的天花板。 大疆虽然营收增长,估值却正在下滑。据投资者称,根据二级市场的交易价格,大疆创新科技的估值自2019年6月、2018年4月融资时的水平分别下降10%至68.4亿美元、145亿美元。 然而早早预见增长天花板的大疆却似乎抽身乏力。“一招鲜、吃遍天”的好处自然是在细分市场做到极致,成为龙头;但是另一方面,行业波动、经营变局都很有可能最大程度的影响企业的成长。 首先令大疆陷入困境的就是消费级无人机的市场规模困局。 根据IDC在2018年的预测,全球消费者和企业无人机的市场规模为90亿美元,预计未来5年的年均增长率约为30%,按照这个速度计算,到2023年,无人机市场的整体规模仅约为334.1亿美元。 然而,Gartner的预测更为悲观,他们认为,2020年全球无人机市场规模将达到112亿美元,而这其中起码有五成以上的规模属于行业级无人机。 与此同时,大疆表示:大疆80%商品的销售发生在线下,大疆无人机通常应用于影视、旅游、户外等场景,现在大家不出门逛街也不去旅游了”。由此可见,大疆受到的冲击显而易见。” 在最近的一次公开露面中,汪涛表示:“大疆在国内的销售已恢复到疫情前的70%,但海外销售影响较大,问题主要在供应链和销售端,海外供应商存在较大断供风险,疫情下运输成本高涨。这种影响将在第二季度体现出来。 根据大疆曾披露的信息,大疆的海外业务占比不低于业务总量的80%。在疫情的持续发酵下,海外业务受损程度不言而喻。而作为大疆最为重要的北美市场,除了疫情的影响,还叠加了中美关系的不确定性展望。虽然大疆在北美市场已经多次被针对,但这并不能证明大疆每次都能渡过难关。 大疆到底是无人机公司还是影像产品公司? 很多经常关注大疆的朋友们会觉得进入2015年以来,大疆放慢了在飞行器方面推新品的脚步,反而把关注的焦点放在了影像产品领域,比如禅思系列航拍相机、OSMO手持云台相机,大疆为大家所熟知是因为“飞”,在估值百亿美金后的他们为什么频频发布跟“飞”无关的产品,有业内人士表示可能有两个方面的原因。 第一, 在以航拍影像为主要目的的多旋翼飞行器消费级市场,大疆依靠先发优势和全球化的资源整合能力建立了强大的技术和品牌壁垒。大疆的产品有两大核心优势,独步天下的飞控系统和稳若磐石的云台稳定系统,这个属于技术的先发优势。飞控也好、云台也好,DJI都是最早一批开始折腾并且始终坚持不断迭代到今天形成巨大的技术优势。 市面上有很多新兴创业企业很喜欢玩文字游戏,隔几天就在某个领域形成“微创新”具备了颠覆大疆某项产品的概念或者是能力。这个时候,作为一个以卖货为己任的从业人员我建议大家去淘宝看一看销量,一个产品。到底具不具备颠覆一个公司或者另一个产品的实力,出货三个月内淘宝的销售数据是非常强硬的背书。 聊两句技术,多旋翼的飞控,到今天为止开源的已经做得非常棒了。比如APM,最近2年进步非常巨大,所以让很多零基础的小白都能搞无人机创业。但DJI 的飞控在稳定性、故障率、硬件兼容性、创新功能开发上依然具有绝对的优势,这个差距的缩小不是一天两天改改开源的飞控加几个吸引眼球的功能就能解决的。 第二, 手持稳定器+运动相机市场的火爆成为无人机企业新的业绩增长点。国内无人机企业多旋翼产品的开发已经进入了惨绝人寰的竞争状态,产品同质化严重、创新乏 力、售后难度较大使多旋翼飞行器成为了一款“看起来很美”的产品。大多数企业被逼打起了价格战,包括DJI本身也罕见的降价促销,而手持稳定器产品在2015年获得了充分的爆发。 以飞宇科技为例,前几年一口气推出了适配GoPro等运动相机的WG穿戴式稳定器、G4S手持稳定器、G4Pro智能手机稳定器等多个产品,在全球市场增速迅猛已经成为这家无人机企业的最主要业务,手持稳定器领域已经成为所有无人机企业不容忽视的一个重要业绩增长点。 大疆作为最早一批做无刷云台的企业,不可能放弃这个领域,相比之前如影高端系列,小型手持云台相机更有希望成为一款拉动业绩增长的“现金牛”。 大疆的进入使手持稳定器和运动相机市场进入一个全新的竞争态势,插班生大疆做的相机能否逆袭学霸GoPro的自留地?到底是一体化的云台相机后来居上,还是 稳定器+运动相机的组合方式一骑绝尘,让我们用时间和市场来检验。 对于大疆和GoPro这种不断创新的科技公司来说,不断地交叉竞争,不断地打破固有边界才是企业获取长久发展的不竭动力。 而围绕运动相机和稳定器领域的产品竞争,才刚刚开始。最终的受益者,永远是负责买单的消费者。 关于我们 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-20 关键词: 消费电子 AI

  • 紫外线机器人成欧洲抗击新冠病毒新武器

    外媒称,西班牙约200家公立医院已迈出第一步,将成为第一批从欧委会获得所谓“消毒机器人”设备的国家之一。这种设备结合了紫外线和机器人这两种技术,新用途在新冠大流行时期潜力无穷:无需人工干预即可对有可能被新冠病毒污染的空间进行灭菌。 据西班牙《国家报》网站10月13日报道,欧委会日前在其健康安全委员会会议上指出,机器人有助于在保护医护人员和患者的同时限制病毒的传播,并防止清洁工人在消毒过程中面临风险。根据欧委会的说法,这些设备能够消灭密闭空间中99.99%的病原体。 欧委会12日表示,这些机器已经在欧洲和世界一些地区的医院中成功使用,可以有效满足医院的灭菌要求。 报道称,这项计划中包括的第一批消毒机器人是由丹麦“蓝海机器人”公司与丹麦欧登塞地区的医院合作开发的。 西班牙卫生部12日表示,有约200家西班牙医院对上述技术表现出兴趣。欧委会称,将根据各国的流行病学情况和需求分发机器人。 报道指出,西班牙一直是对该计划表现出最大兴趣的国家之一。截至目前,包括瑞典和德国在内的其他一些国家要求提供更多相关信息。瑞典委员向欧委会表示:“我们尚未看到有关此类机器人有效性的研究。”德国委员的态度则更为审慎,甚至提到了紫外线辐射的危害。欧委会答复说:“机器人可以在房间外面操作,操作人员在任何情况下都不会暴露在紫外线照射下”。 欧委会希望能在11月分配第一批50台机器人,然后“按照每月50台的速度陆续分发”。无论如何,这个数量仅仅是第一步,因为一家拥有约300张病床的医院将需要十几台这样的机器人。 蓝海机器人公司的负责人表示,尽管也存在其他能够发射紫外线的机器,但这些机器人能够自动移动,从而抵达那些无法被静态设备覆盖的黑暗区域。此外,这种机器人消毒一间病房的时间只需不到10分钟。 来源:OFweek维科号 中国之光网 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-20 关键词: 电子医疗 AI

  • 机器人海豚出道!未来动物园中的野生动物将被机器人代替

    一群游泳者站在浅水区,在游泳池旁嬉戏,这只海豚看起来像在主题公园表演杂技的海豚,但不为人知的是,这个海洋生物竟然是机器人。 “当我第一次看到海豚时,我认为它是真实的,”一位经过的游客说道。 据外媒报道,这只机器人海豚是由美国工程公司Edge Innovations设计的,耗资2600万美元,该工程公司在加利福尼亚设有动画和特殊效果部门。 它希望有一天可以在主题公园为人们提供娱乐服务的是好莱坞电影中使用的栩栩如生的动画电子产品,而不是关押野生动物。游泳者仿佛置身于数百万年前的侏罗纪时代,在海洋中与大白鲨机器人、爬行动物机器人一起潜水。 “目前,大约有3000只海豚被囚禁在主题公园内,仅用于体验海豚就可以产生数十亿美元。因此,人们显然有了解海豚的兴趣,” Edge Innovations创始人兼首席执行官Walt Conti说。 “因此,我们想利用这种兴趣,并提供不同的方式来让观者爱上海豚。” 欧洲约有20个国家已经禁止或限制马戏团中存在野生动物,孔蒂表示,Animatronics可能会带动公园观众的兴趣。 在Edge的加利福尼亚州海沃德总部的机器人海豚目前已经成型,它重550磅(250千克),体型长达8英尺半(2.5米),机器人海豚的皮肤由医用级有机硅制成,是与TeachKind合作为学校计划的一项计划,是《动物道德对待人》(PETA)的一部分。 Edge还将好莱坞大片中使用的水生生物命名为“自由威利”、“深蓝海”和“阿纳孔达”。 Edge动画计划的创意总监罗杰·霍尔兹伯格说:“这个飞行员的想法实际上是在水下创建一种“芝麻街”。 “这些角色教会了一代人如何以前所未有的方式感受人类不同方面的感受。这就是我们梦project以求的项目。” 关于我们 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-20 关键词: 机器人 AI

  • 浪潮集团将继续加大力度发展智慧城市

    浪潮集团将继续加大力度发展智慧城市

    当今,随着科技水平的不断提升,为了更好地推动我国经济高质量发展,我国高度重视“新基建”的发展,并且还把“新基建”首次写入了政府工作报告中来,让“新基建”成为驱动社会经济结构转型的新引擎。 700位嘉宾齐聚一堂,共享云数智科技盛宴 9月11日,在智驱新时代—浪潮云数智中国行郑州站现场,近700位嘉宾齐聚一堂,共享云数智科技盛宴。浪潮集团执行总裁陈东风在主旨演讲中表示,浪潮将加速向“云+数+AI”新型互联网企业转型,并积极参与数字河南建设。围绕智算,浪潮布局了智算中心和云服务;围绕智联,浪潮布局了大数据、工业互联网和5G相关产业;围绕智用,浪潮主要面向智慧政府、便民服务和智慧企业提供服务。 目前,智慧城市和智慧企业是发展数字经济的两大重要场景。 浪潮集团副总裁姜振华表示,目前,浪潮已在济南、重庆等几个典型城市,结合各城市的特点,开展“数联智驱”的探索和实践。数联即各系统、各平台、各场景基于数据的流转互联互通;各委办局、各区县、实现跨层级、跨部门的互联互通;政府和市场、市民互联互通。智驱即智慧赋能,通过AI等技术的成熟化、广覆盖应用,打破原有社会治理与城市运行以人为核心的管理能力上限,最终实现一屏观天下、一网管全城、一键全调度、一脑筑孪生的智慧城市未来典范。 浪潮集团加大与河南本地企业合作助推数字经济发展 当前,河南涌现出一批电子信息、5G规模化组网试点、大数据、人工智能应用等数字产业集群和政务服务、健康养老、教育医疗等领域的智慧应用形态,以推进河南经济社会尤其是黄河流域生态保护和高质量发展。 会上,中科九洲、山谷网安、天筑科技、天业仁和、盈冲科技、桂科网安、万聚达、海诺电子、海泰天成等企业与浪潮签约,加入浪潮生态伙伴行列,共同发展。 河南移动也与浪潮进行了战略合作签约,双方将在5G、DICT、大数据、云服务、网络等方面,不断合作创新,提升效率,履行商业责任,更好服务于河南省数字经济创新发展。 浪潮集团河南公司总经理王燕波表示,今后,浪潮将在河南加大新基建投入力度,发展工业互联网,建设河南标识解析节点,建设智算中心,同时,发展大数据产业,建设政府一体化大数据中心、开展政府数据运营、推动特色产业数据聚集,赋能城市数据资源、推动医疗数据有序开放,运营健康医疗大数据等,积极参与河南数字经济建设。

    时间:2020-10-20 关键词: 浪潮 智慧城市 AI

  • 第二十二届高交会智慧医疗健康展隆重举行

    第二十二届高交会智慧医疗健康展隆重举行

    2020年11月11日,将在会展中心2号馆隆重举行了为期5天的“第二十二届高交会智慧医疗健康展”。本次智慧医疗健康展将由博闻创意会展统筹组织。 这是一个了解中国大健康产业发展的最佳窗口,紧跟医疗行业热点,重点展示国内外企业在智慧医疗以及大健康领域的新突破,汇聚了医疗行业品牌企业及全球买家,将全面呈现智慧医疗健康全产业链的技术、产品及服务。欢迎加入平台展示,抢占142,000平方展示面积的一席之位,共享高交会全场576,000观众人次。 传统医疗走向智慧医疗面临三大挑战:一、医疗资源互通、数据共享及系统链接方面的问题;二、如何让百姓普遍接受和推广应用智能医疗新模式的政策和伦理方面;三、智能医疗产品尚未产生直接可观的经济价值和形成市场运营闭环。 但新冠疫情的暴发和5G、AI技术的发展,推动了市场和民众对智慧医疗的认识,加速了传统医疗走向智慧医疗的步伐,促进了众多应用落地,对未来医疗服务体系的建设产生了深远影响。据中商产业研究院统计,我国智慧医疗行业投资规模增长趋势可观,已从2016年的437亿元增长至2019年的885亿元,预计2020年我国智慧医疗行业投资规模将突破1000亿元。 互联网医疗以及智慧医疗主要包含医疗电商(网上药店)、健康服务(预约挂号、问诊、医疗知识百科)、消费医疗(预约体检、医美服务)、互联网医院(企业与公立医院共建互联网医院)、医疗云平台搭建(远程医疗平台、影像云平台、大数据云平台)、AI诊疗辅助平台(语音电子病历、影像辅助诊断系统、智医助理)等业务。 疫情暴发之后,公众对公共防护和个人家庭健康护理的重要性有了新的认知,居家隔离的生活模式使得民众对网络在线问诊的信息服务和“非接触式”“智能自动化”的医用器械的需求激增,医疗资源不足与病患人数众多的不平衡更加凸显了家庭智能医疗器械的重要性。以往被认为是投入规模大、投资周期长、投资回报慢的智能医疗行业,在如此刚性的需求下,也迎来了发展新契机,在创新、价值、市场的商业闭环中逐渐摸索适合的盈利模式,致力于让最新的研究成果落地,既为企业带来切实的效益,也将智慧医疗的红利惠及每一个人。 在此背景下举行的中国国际高新技术成果交易会智慧医疗健康展,既是智慧医疗行业内部交流发展方向的专业平台,也是制造企业与民众面对面沟通供应需求的优质窗口。响应中央及地方政府关于智慧医疗的深化改革政策,顺应“互联网+医疗大健康”的时代潮流,聚集华南成熟的电子产业,依托高新技术科技产学研一体化,自2015年创立伊始,就专注于移动医疗、致力于个人健康、打造“家庭-医疗机构-社康-医院”生态医疗圈,展示智慧医疗健康在科技领域新突破。 2019年第二十一届高交会展览总面积达14.2万平方米,共有3315家展商参展,展示的高新技术项目达10216项,44个国家和国际组织、共148个团组参展,共接待来自108个国家和地区的57.6万人次观众参观。 今年,第二十二届高交会智慧医疗健康展将于11月11-15日在深圳会展中心2号馆举行。紧跟医疗行业热点,全面展示智慧医疗全产业链技术、产品及服务。打造华南医疗行业内更专业的医疗采购贸易平台、更好的企业形象发布地以及专业信息集散地和学术、技术交流平台。 展会汇集了贝乐智能(专注家庭云智能健康设备的研发、设计、生产,拥有完整健康服务体系),科瑞康(集测量、诊断及治疗建议为一体的移动医疗健康体系,专业为家庭健康提供整体智能解决方案。),问止中医(全球首家人工智能中医诊所,解决中医师短缺、中医医疗水平参差不齐的问题),资福医疗(“大圣”磁控胶囊式内窥镜专注于消化道高端医疗产品),倍泰测量(行业领先的智慧医疗解决方案提供商,致力于健康、营养、运动网络系统和人体健康网络交互平台的研发及推广),邦健医疗(专注于心脏电生理类医疗器械领域,自主研发符合国际标准的心电分析算法),康尚生物(专注于家庭医疗、临床医疗、互联网医疗以及大健康生态链建设的创新型科技公司),优尼康通(康复、智能护理、消杀防疫等领域均有独家专利和竞争优势)等多家优秀企业。

    时间:2020-10-19 关键词: 5G 智慧医疗 AI

  • 大力推进长三角智慧医院发展

    大力推进长三角智慧医院发展

    前段时间,在“潮涌长三角?共建进行时”主题网络传播活动中,记者探访了建设中的长三角智慧医院——上海青浦区朱家角人民医院,寻找智慧医院与众不同的答案。 长三角智慧医院为什么会建在青浦区?青浦区卫健委副主任金贵元告诉记者,上海青浦、江苏吴江和浙江嘉善三地的医疗资源相对薄弱,为了加强上海市优质医疗资源对长三角的辐射作用,最终选择落地青浦区。 金贵元表示,长三角智慧医院未来会整合中山医院以及复旦大学6家直属、附属医院的专家资源,为全国的患者进行服务。例如患者需要做b超,可以先在智慧医院平台上进行预约,按预约时间来到医院后,专家可以远程控制机器人操作,即时给出患者诊断结果。复诊也可以在线上进行,药物可通过物流进行配送。 此外,长三角智慧医院一期体验中心依托“云、大、物、移、智”、5G网络等信息技术,开展中山医院远程AI手术、交互查房和教学、远程影像、远程医疗、AI物流、智慧病房等一体化应用。 据了解,长三角智慧医院建设将分阶段推进:第一阶段,在朱家角人民医院基础上建成长三角智慧互联网医院,9月底前完成建设,10月上旬挂牌并试运行;第二阶段,在“十四五”期间建成具有国际先进水平的研究型长三角智慧医院,争取2021年二期立项并启动建设,2024年完成基础建设,2025年投入使用。

    时间:2020-10-19 关键词: 5G 智慧医院 AI

  • 飞利浦以AI赋能智慧医疗发展

    飞利浦以AI赋能智慧医疗发展

    近几年来,人工智能技术得到了飞快的发展,它催化了一系列新技术、新产品、新产业。当前,人工智能是否能够推动智慧医疗行业的发展得到了各界的高度关注。 在这场浪潮中,显然飞利浦已经先人一步,在落地的同时全力打造行业生态圈,真正的将“梦想转化为现实”。 2020年9月18日,在“第二届医学影像AI大会”上,飞利浦举办了“2020飞利浦人工智能高峰论坛”,展示了飞利浦医学影像和人工智能在临床各疾病领域的全面应用和最新成果。 在会场可以看到:飞利浦持续致力打造数字化及人工智能技术为驱动力的解决方案,开始迈入“精准、智能、开放”的医疗AI 2.0时代。 1.0到2.0,“梦想与现实的跨越” 2013年,伴随中国医学人工智能标准刚刚启动,飞利浦把AI纳入了公司战略布局,开启了医疗1.0时代。 此时的飞利浦着重于利用人工智能扩大疾病领域涉猎与布局,逐步降低医护工作者大量重复性工作、提高患者关护效率和质量。 但随着人口老龄化的加剧以及医疗资源的日益紧缺,急需医疗朝着价值化转型。加上人工智能这一快车道经历了“技术炒作的泡沫破裂”后,行业关注重心开始转变为“人工智能如何落地产业”。 技术与业务需求之间的鸿沟依旧存在,人工智能在走向落地的过程中面临一系列的挑战,飞利浦开始从医疗AI1.0时代走向2.0时代。 梦想与现实的差距,精准+智能 医疗数据的海量增长,以及医疗系统平台的复杂性增加,工作效率和诊断精准性一直是医生的重要期望。 如何将医生从海量的数据中解救出来,利用结构化的数据做精准的诊断才是AI落地的最现实意义! COVID-19的到来使得这一需求不断攀升,医学AI落地成为大势所趋。而飞利浦医疗AI2.0最重要一个特点就是在提升检查便捷性和可及性的同时,帮助医生充分利用有效数据,提高诊断效率及精准性。 通过将尖端产品赋能AI分别在CT、超声、MR等领域占领制高点,将医生解放出来。另外,依托解决方案推动健康医疗系统的整合,也是飞利浦”智能、融合“的重点之一。 飞利浦大中华区副总裁、精准诊断事业群总经理陈胜裕表示:“飞利浦通过数字化转型赋能精准诊疗,以信息化为纽带,通过人、设备和数据的互联和整合,助力医学影像学未来的发展趋势。以创新为使命,飞利浦将全球创新和本土洞见紧密结合,协同共创符合中国实际临床需求的解决方案,为中国本地客户创造价值,助力‘健康中国2030’的大目标。” 在医疗不同领域,飞利浦完成了“梦想与现实的转变”: CT首台智慧心脏CT - 领航CT,通过AI辅助质控,可以做到高效和标准化的数据采集,并减少了66%的扫描定位操作,影像重建加速24%;Incisive极光AI CT, 其扫描自动定位,椎间盘自动识别、重建等基于AI的智能工作流,可大幅提升检查与处理效率。 MR无液氦007磁共振,结合了完全密封的BlueSeal磁体技术,并搭载包括全数字系统、医疗信息学以及一系列覆盖设备全生命周期的专业服务。让MRI检查单纯的解剖机构发展到精准的病理分级分层,从定性图像进入到定量呈现,为医护人员提供更快,更智能,更简单的途径来实现精准诊断,助力专家临床和科研工作。 超声飞利浦乳腺智能导航系统(AI Breast)搭载在飞利浦Affiniti 70及EPIQ系列智能超声诊断系统之上,超高清的图像品质,加上以人为本的智能应用,能以直观导航定位的方式为医护人员提供强大的决策支持。AI Breast通过磁场感应,单晶体线阵探头内置传感器,实现乳腺检查的全跟踪、全覆盖,高效减少漏诊、误诊率。 ISAI一站式放射科全流程人工智能平台 – 飞利浦星云人工智能影像平台 (ISAI),其覆盖影像科临床、科室管理及科研教学全流程,从患者的预约、扫描检查,诊断分析,到出具报告以及科研,人工智能算法和应用无感融入到全流程中,辅助医生提供更精准的诊断。 DCP飞利浦数字病理系统,其全自动高速全切片扫描仪满足病理科高通量扫描需求,图像管理和诊断系统兼顾开放和可扩展性,能与医院现有工作流程和IT环境无缝结合。并且作为开放的数据管理平台,不仅支持教学和科研,也支持高级分析、人工智能算法的应用和开发,助力AI生态圈建设,促进计算病理学的发展和病理诊断智能化。 创新是企业发展的核心,而新型产品是飞利浦一大增长来源,每一款尖端产品的问世都是AI赋能医疗的落地,每一个重要节点的出现都是一个时代的缩影。 目前,飞利浦打造的以AI为中心的健康医疗生态系统,包罗了“全生命周期”与健康相关的每一个时刻、每一个场景,覆盖了整个健康产业链的每一环,展现更多的是个性化、多样化的AI创新格局,智能、精准化的医疗趋势。 飞利浦大中华区医疗信息解决方案总经理潘艺琼在专题分享中表示:“人工智能对医疗领域最大的贡献和价值是塑造智能化的医患友好生态,对海量相关数据的分析,提高诊断的效率与精准性。” 从2.0再出发,寻找智慧医院突破口 智慧医院的核心在于在诊断、治疗等关键就诊环节上打破“信息壁垒”,以期实现科室间、医院间、区域间的信息互联互通。 飞利浦精准+智能融合的整体解决方案正好为智慧医院的建设带来了突破口,利用人工智能打造面向医务人员的“智慧医疗”、面向患者的“智慧服务”、面向医院管理的“智慧管理”,即 诊前服务 —— 打造患者绿色通道;诊中服务 —— 双中心下AI无缝衔接,协作高效;诊后服务 —— 以病人为中心长效关护。 未来,飞利浦以AI为智慧医院的“落脚点”,以数据为点,将信息串联成线,再加持整体解决方案形成信息的互联互通,形成完整的诊疗闭环,助力智慧医院的建设。 医疗器械平台化之路,内外兼修法则 近几年,“软硬结合”成为医疗器械企业的关键词,他们除了展示自己的硬件“核武器”,行业巨头都很有默契走“平台化”的方向。 换句话说,传统医疗器械企业无法涉足所有的场景,走平台化、寻求开放合作,是未来这些器械巨头们的一条必走之路。 美国科学院院士、著名的行为分析及博弈论专家罗伯特·阿克塞尔罗德,曾在自己的著作《合作的进化》中说道:“能真正让自己变强大的,不是去征服别人,而是全力引导合作。” 这句话,放在飞利浦身上同样适用,飞利浦在AI赋能之路上为自己量身定做了一套加减法。 内修 —— 剥离非核心业务,回笼资金,在专长领域投入资金做大做深;外延 —— 摒弃自己不擅长的领域,用已有积累在行业里构建医疗AI的生态,引为自身外部资源,延长“护城河”,共建医疗AI生态系统。 今年以来飞利浦又与数坤、柏视医疗等多家国内企业合作: 数坤科技为飞利浦超高端CT产品提供定制化的“智慧心脏冠状动脉解决方案”,“智慧肺癌筛查与发热门诊肺炎筛查解决方案”;柏视医疗将自行研发的鼻咽癌放疗靶区勾画和肺部多病种检测算法模型集成到了飞利浦的ISD平台。 飞利浦会积极选择与医疗AI公司合作,其实这也是整个医疗器械行业寻求转型的一个缩影。 他山之石,可以攻玉 医疗AI初创公司会举全公司的力量,在一些非常细分的技术领域扎根,这是传统医疗器械企业不太可能做到的事情。因此,在AI健康医疗领域,打破壁垒和界限,“开放、创新、协同、整合、共享”是必由之路。 传统医疗器械企业可以通过与医疗AI初创公司结合,丰富产品线,更灵活快速、更专业地解决临床需求。 针对对外合作,飞利浦表示,“医疗行业具有其特殊性,以AI为中心的健康医疗生态系统需要覆盖到整个产业链上的每一环,包含了大量的细分领域和应用场景。飞利浦的对外开放是多层次的,将与医疗全流程环节上的机构寻求合作。” 飞利浦的愿景是到2030年每年改善25亿人的生活。要实现这一愿景,应对人类所面临的各类医疗难题,不是某个人、某个公司、某个解决方案可以凭一己之力解决所有问题的。 而飞利浦选择的创新合作商业模式,按下了“快进键”,让“高门槛”的AI融合进实际临床场景,以亲民的姿态走近千家万户,实现普惠医疗。

    时间:2020-10-19 关键词: 人工智能 智慧医疗 AI

  • 需要更换手机了:由TensorFlow Lite构建无人驾驶微型汽车

    今天在 Tensorflow公号看到推文Pixelopolis:由 TensorFlow Lite 构建无人驾驶微型汽车 ,作者介绍了他们在今年Google I/O大会上展示的TensorFlot Lite构建的无人驾驶微型汽车的展品:Pixcelopolis。 ▲ TensorFlow Lite构建的无人驾驶微型车 每辆微型汽车都装配有一部 Pixel 手机,使用手机上的摄像头检测和理解周围的信号。手机使用了 Pixel Neural Core 边缘计算芯片( Edge TPU 支持的机器学习),可感应车道、避免碰撞和读取交通标志。 相比于基于云计算来实现视频处理和物体检测,边缘计算可以减少延迟对控制的影响(也许在5G下延迟影响小一点)。 ▲ 通过手机识别各种目标的Pixelpolis 下图是整个展品的布局,模仿了一个小型城镇广场周围的交通环境。参观者可以通过手机端的一个应用模拟“站点”来选择出现的目的地。展品中的微型车就可以驾驶到目的地,整个过程用户可以查看车辆周围以及所检测到的物体。 ▲ 演示区的道路设计 车模所有对外界的感知都来自于微型车膜前面的手机摄像头,有它获取前方的图片并手机内部署的神经网络完成车道保持、停车定位、障碍检测等。通过手机底部的USB-C接口扩展来与底层控制板通讯,完成电机控制等。 ▲ 手机应用程序与Pixelopolis交互 ▲ 手机端可以查看车辆周围所检测到的物品 展品作者采取了与 论文:End-to-end Learning for Self-Driving Cars中相类似的技术录像,使用卷积神经网络(CNN)来检测每帧图像内的交通指示线,并给出方向盘的调整量。增加了LSTM利用前期拍摄的多个图像帧进行改进。 ▲ CNN 模型的输入和输出 控制器的模型很简单,下面代码就给出了网络的结构构成。 net_in = Input(shape = (80, 120, 3))x = Lambda(lambda x: x/127.5 - 1.0)(net_in)x = Conv2D(24, (5, 5), strides=(2, 2),padding="same", activation='elu')(x) x = Conv2D(36, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(48, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(64, (3, 3), padding="same",activation='elu')(x) x = Conv2D(64, (3, 3), padding="same",activation='elu')(x)x = Dropout(0.3)(x)x = Flatten()(x)x = Dense(100, activation='elu')(x)x = Dense(50, activation='elu')(x)x = Dense(10, activation='elu')(x) net_out = Dense(1, name='net_out')(x)model = Model(inputs=net_in, outputs=net_out) 一个神经网络是否能够达到很好的性能,关键在于如何准备好让它学习的训练样本。为此。作者使用Unity, Udacity来构建了模拟器,自动生成训练车辆的图像数据。 通过在轨道上设置多个路径点, 微型汽车 可以行驶到不同的地点,并从中收集数据。在此模拟器中,我们每 50 毫秒收集一次图像数据和转角数据。 ▲ 模拟器中的轨道中上设有多个路径点 大家都知道,软件虚拟出的场景图片和实际拍摄到的图片会有很大的差别,包括光线、周围环境以及其他的噪声。为了使得训练的神经网络能够适应实际要求,需要对数据进行增强。 他们将以下变量添加到场景中:随机的 HDRI 球体(具有不同的旋转模式和曝光值)、随机的环境亮度和颜色以及随机出现的车辆。 ▲ 各种环境下的数据增强 下图给出了经过训练之后,卷积神经网络的第一层对于输入图片的输出。可以看出,它已经能够很好地将图片中道路信息边缘信息能够很好的提取,对于背景可以进行有效的压制。 ▲ 第一层神经网络的输出 使用神经网络进行控制的一个最大的问题,就是车模有时会出现莫名其妙的动作。比如下面这个场景,明明已经成功的拐过弯道,进入平坦顺直的道路,车模则抽风地冲出跑道了。 这主要是因为所训练的样本没有能够均匀包含各种道路情况,模型比较脆弱。 ▲ 早期版本中玩具车偏离了轨道 为此,在场景中添加了各种形状的曲线,以丰富原来训练数据库中大多数的直线轨道数据。 ▲ (左)方形轨道与(右)弯曲轨道 功夫不负有心人,修正数据集不均衡的问题后,车辆便开始能够在弯道处正确转向。 ▲ 车辆在弯道可以成功转弯 似乎理性的增加数据可以提高车模的性能,但有时候仅仅采用小的技巧便可以解决大问题。比如当微型车模运行到展品边缘时,就会看到很多展台外面的场景。外面的场景多变,很难通过数据来表征这些变化。怎么办? 作者就用了一个字:切! 将输入图像的下面四分之一切出来,送入神经网络进行训练,就有效化解了上述的问题。 ▲ 展品上的轨道,以及在展品边缘看到的图像 为了能够进行车辆定位以及检测其它干扰车辆,在手机Pixcel 4上的Neural Core Edge TPU上运行了 ssd_mobilenet_edgetpu 模型,这是来自 TensorFlow 目标检测模型库 。每帧检测时间仅用6.6毫秒,在实时应用中游刃有余。 为了是检测神经网络模型能够适应展品场景需要,作者同样使用了模拟器和真实场景中的数据来训练模型。为了提高检测鲁棒性,使用了 Unreal Engine 4 来随机生成物体和背景。使用 labelImg 工具进行对样本进行了手动标注。 ▲ 进行目标识别的数据库 使用神经网络最大的工作量是在准备训练数据集合。之后的网络搭建和训练则非常容易,分分钟搞定。检查一下,网络识别交通标志的效果还是很不错的。 ▲ 网络识别效果 最后一个工作,就是需要将网络部署到手机平台上。这需要借助于TensorFlow Lite 将模型进行个数转换,并在Android下编写相应的Python脚本来进行部署。 作者还设想着,通过视觉SLAM能够为他们的这个展品增加车辆全程定位。真的是一个手机平台可以练习很多算法。 ▲ 视觉SLAM定位 为了实现一个顶着手机运行的微型车膜,作者也是费力不断改进机械结构,经过了五代设计最终得到了一个合理的机械设计。可以将手机、控制板、电池、电机等集成在一个小巧乖致的微型车模中。 ▲ 第一代设计 ▲ 第二代设计 ▲ 第三代射击 ▲ 第四代设计 ▲ 第五代设计 下面给出了嵌入在车体内部的控制板、电机、电池等配件。 ▲ 底层运动控制单片机板 ▲ (左)屏蔽罩和电机,(右)电源插座、电源开关、电机启动按钮、电机重置按钮、开发板状态 LED、电机状态 LED ▲ 3000mAh 锂离子电池(左)与 18650 锂离子电池(右) 的确,一辆小小的微型车模,包括了计算机视觉、深度学习、传感器融合、定位、路径规划、控制、系统集成等多个学科内容。通过这个环节几乎可以将一个专业所需要学习的多个课程集成在一起。这不,在Udacity平台上,还真的提供了 无人驾驶汽车纳米学位项目 供希望获得全面培训的工程师和学生学习。 今天下午,教育部自动化类高等教学委员会在清华召开了院长会议,其中李少远老师对今年大学生学科竞赛实践教学进行了总结。以在刚刚过去的暑期中,新冠疫情影响下,成功举办的全国大学生智能车竞赛为例,探索面向未来实践发展。希望智能车竞赛为工科学生的大学期间专业课程实践提供更好的锻炼平台。 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-19 关键词: 汽车电子 自动驾驶 AI

  • 简单的BP网络识别液晶字符

    这学期的人工神经网络课程已经进行完了第三章内容,关于经典网络重要的BP(误差反向传播网络)是所有学习人工神经网络最先接触到的一个实用网络。它的原理相对比较简单,在很多平台中都非常容易实现。 学习神经网络的基本原理之后,更重要的是能够通过一些应用场合来应用它,使他能够帮助自己解决一些实际的工程问题。 近期购买到的 LC100-A[1] 电感电容测量模块,用于测量一些实验中实验对象的电感、电容值随着其他一些物理变量(工作电压、距离、温度等)所产生变化规律。为了便于实验,需要能够将LC100-A测量数值自动记录。 > 在开始的方式就是直接使用摄像头获取液晶显示数据,然后使用字符识别软件来完成其中数字的识别。 测试一下CNOCR识别效果。它对于屏幕截图中的文字识别效果还不错: ▲ 屏幕截取的一段文字 识别时间:1.98。* 识别结果: [['●', '更', '新', '了', '训', '练', '代', '码', ',', '使', '用', 'm', 'x', 'n', 'e', 't', '的', 'r', 'e', 'c', 'o', 'r', 'd', 'i', 'o', '首', '先', '把', '数', '据', '转', '换', '成', '二', '进', '制', '格', '式', ',', '提', '升', '后', '续', '的'], ['训', '练', '效', '率', '。', '训', '练', '时', '支', '持', '对', '图', '片', '做', '实', '时', '数', '据', '增', '强', '。', '也', '加', '入', '了', '更', '多', '可', '传', '入', '的', '参', '数', '。'], ['●', '允', '许', '训', '练', '集', '中', '的', '文', '字', '数', '量', '不', '同', ',', '目', '前', '是', '中', '文', '1', '0', '个', '字', ',', '英', '文', '2', '0', '个', '字', '母', '。'], ['。', '提', '供', '了', '更', '多', '的', '模', '型', '选', '择', ',', '允', '许', '大', '家', '按', '需', '训', '练', '多', '种', '不', '同', '大', '小', '的', '识', '别', '模', '型', '。'], ['●', ' ', '内', '置', '了', '各', '种', '训', '练', '好', '的', '模', '型', ',', '最', '小', '的', '模', '型', '只', '有', '之', '前', '模', '型', '的', '1', '/', '5', '大', '小', '。', '所', '有', '模', '型', '都', '可', '免', '费'], ['使', '用', '。']] 那么对于前面液晶屏幕识别效果呢: ▲ 只是数字部分 识别结果:[['.', '。', '与', 'F', '早', 'H']] 好像驴唇不对马嘴。 这主要原因还是原来网络没有针对上述液晶实现数字进行训练过。由于液晶显示图片质量非常好,实际上只需要最简单的BP网络就可以达到很好的效果。 下面给出在MATLAB中构建网络并进行实验的过程。 使用神经网络解决问题,一个重要的环节就是进行训练数据的准备。通过对采集到的一些图片中的数字进行提取并手工标注,来完成对网络的训练。 1.数字分割 下面是桌面摄像头捕捉到的测量图片,通过简单的图片灰度投影,比较方便将显示数字所在图片中的位置定出。为了简单起见,也可以固定摄像头与LCD相对位置,这样手工定标出结果字符位置也可以适用于后面测量结果。 ▲ 液晶数字显示以及数字部分 这个问题简单之处在于所有字符都是等宽,而且对比度非常好,简单的分离就可以将所有的字符单独分离出来。由于摄像头位置固定,所以简单分割之后的字符之后少量的上下左右平移,没有旋转。对于图片位置、尺寸就不再进行归一化。这些差异最后有神经网络来弥补。 ▲ 分割出的数字 液晶显示字符的图片对比度很好。但就是有一个问题,在摄像头拍摄的时候,经常会遇到字符变化过程,这就会使得图片中字符呈现两个字符叠加的情况。下面是一些示例: ▲ 数字变化过程的图片 这些过程,说实在的,即使人工识别也会无法分辨。 后面通过人工输入标注了2000多个样本。 2.图片二值化 对于分割的图片进行二值化,可以消除环境光对于图片亮度的影响。在一定程度上,也可以消除液晶字符在变化时所引起的模糊。 > 上面所有的字符的尺寸是23乘以38点阵。 1.构建网络和训练 简单的实验,就用简单的方法。对于前面所得到的字符,不再人工定义它们的特征。仅仅将原来的彩色图片变换成灰度图像,然后排列成23×38=874维向量。然后增加一层中间隐层便组成了最简单的分类网络。 net = patternnet(11) ▲ 构造一个单隐层神经网络 将前面人工标注的样本一半用于训练,全部样本用于测试。下面给出了测试的结果。 plotconfusion(xx, net(yy)) ▲ 训练结果 2.训练结果与分析 整体的错误率大约为:ERR= 2.99%。 下面是识别正确的字符。 ▲ 识别正确的字符 下面给出了部分识别错误字符的情况。基本上都是一些拍摄到液晶字符在变化过程中的重叠字符情况。这些情况本身在人工标注的时候就存在模糊。 > 3.网络结构与错误率 下面给出了网络的隐层节点个数与识别错误样本个数之间的关系。可以看到当中间隐层节点大于5之后,识别性能就不再有明显的变化了。 隐层节点个数 2 3 4 5 6 7 8 9 10 11 错误数量 1810 656 216 77 69 66 65 72 58 68 ▲ 隐层节点个数与错误率 使用神经网络解决问题,不是寻找最强大的网络,而是需要最合适的网络。 通过上面的测试结果来看,简单的单隐层网络便可以很好的满足液晶显示数字识别。那么对于那些由于数字跳动所引起的错误该怎么处理呢? 这个问题如果仅仅依靠增加训练样本和改进网络结构是很难进行彻底解决,规避这个错误可以通过对连续识别结果进行比对来解决。对显示数字进行连续快速采集5帧图像,其中液晶跳动往往只发生在其中一帧,或者两帧。那么对于五个图像识别出的数字进行对比,找到相同次数最多的数字作为输出结果。 参考资料 [1]LC100-A: https://zhuoqing.blog.csdn.net/article/details/108997475 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-19 关键词: 液晶显示 神经网络 AI

首页  上一页  1 2 3 4 5 6 7 8 9 10 下一页 尾页
发布文章

技术子站

更多

项目外包