Benchmark

Tengine 是 OPEN AI LAB 一款轻量级神经网络推理引擎，它针对 Arm 嵌入式 平台进行了专门优化，对 Android、 Linux 系统都提供了很好的支持。 而且更加难能可贵的是 Tengine 并不依赖于专用 AI 芯片 (即 Tengine 可以利用 GPU、NPU 这些具有专门 AI 加速功能的模块进行 AI 运算，也可以利用通用的 C PU 进行 AI 运算)，很多 Arm 平台都可以通过 Tengine 框架对算力进行深度挖掘，从而高效的运行一些 AI 应用。 本文就是想描述如何在OKMX8MM-C这一 Arm64 平台上搭建 Tengine AI 推理框架，并运行 图像识别 相关应用。首先在OKMX8MM-C上面移植了基于 Armbian 的 Debian 10 系统，运行的 u-boot 和 linux kernel 都是mainline的。 编译 Tengine OPEN AI LAB 在 Github 上提供了开源的 Tengine 版本，并提供了比较详细的参考文档，所以可以直接下载源码，根据文档进行编译。 得益于 i.MX8MM ini 强大的性能，我们可以直接在 i.MX8 MMini 上下载代码，进行编译，免去交叉编译的诸多不便。 1. 下载源码 git clone --recurse-submodules https://github

田海立@CSDN 2020-10-23 随着华为Mate 40 Pro手机及其所搭载的麒麟9000芯片的发布，Kirin 9000也登上了 AI Benchmark 的榜首。在《 AI Benchmark v4榜首风云：天玑1000+ vs 麒麟990 5G 》一文中看到了麒麟990 5G在做优化改进，不过现在看不是990 5G，而是新发布的麒麟9000，当时可能只是名字没改，导致流露出了还以为是990 5G的中间一些AI性能数据谍报。 最近一直在关注AI-Benchmark榜单，果然是配合Mate 40 Pro手机及其所采用的麒麟9000芯片的发布，AI-Benchmark第一时间进行了更新。下面看一下最新的 soc榜单 【2020-10-23】： Kirin 9000在榜单上以148k分遥遥领先（vs 天玑1000+的92.3k）。 详细分析单项数据，发现果然如《 AI Benchmark v4榜首风云：天玑1000+ vs 麒麟990 5G 》所分析，没让大家失望，并且有些数据还有所超越： CPU：因为9000也是A77，不是990 5G的A76，并且比天玑1000+的工艺更先进。所以，CPU的量化性能数据（CPU-Q）与浮点性能数据（CPU-F）的得分都比1000+还要高，不过是稍微超出，情理之中； INT8 NPU数据：NNAPI 1.1能超出天玑1000+那么多

点击上方“3D视觉工坊”，选择“星标” 干货第一时间送达 这篇文章收录于ECCV2020，是一篇关于无碰撞空间区域分割的文章，整体效果很不错。最主要的核心思想是在表面发现估计器的设计，在得到表面法线后将其用于分割网络的编码器环节，并在特征融合部分，借鉴了DenseNet的思想，进行密集连接。网络的计算量和参数量文中并没有比较，应该做不到实时。 论文地址 ：https://arxiv.org/abs/2008.11351 代码地址： https://github.com/hlwang1124/SNE-RoadSeg Freespace无碰撞空间检测是自动驾驶汽车视觉感知的重要组成部分。近年来，数据融合data-fusion卷积神经网络CNN架构大大改善了语义场景分割算法的性能。通常，可以将自由空间假设为一个地面平面，在这个平面上，各点具有相似的表面法线。因此，在本文中，首先介绍了一个名为 表面法线估计器（ surface normal estimator ，SNE）的新型模块，该模块可以从密集的深度/视差图像中高精度和高效率地推断出表面法线信息 。此外，提出了一种称为RoadSeg的数据融合CNN架构， 该架构可以从RGB图像和推断出的表面法线信息中提取并融合特征，以进行准确的自由空间检测。 同时，出于研究目的，我们发布了在不同光照和天气条件下收集的大规模合成自由空间检测数据集

　　 本文解读的是论文《SNE-RoadSeg: Incorporating Surface Normal Information into Semantic Segmentation for Accurate Freespace Detection》，论文作者来自 加州大学圣地亚哥分校和 香港科技大学机器人学院 。 该论文解读首发于“AI算法修炼营”。 　　作者 | SFXiang 　　编辑 | 青暮 　　 　　 这篇文章收录于ECCV2020，是一篇关于无碰撞空间区域分割的文章，整体效果很不错。最主要的核心思想是在表面发现估计器的设计，在得到表面法线后将其用于分割网络的编码器环节，并在特征融合部分，借鉴了DenseNet的思想，进行密集连接。网络的计算量和参数量文中并没有比较，应该做不到实时。 　　论文地址：https://arxiv.org/abs/2008.11351 　　代码地址：https://github.com/hlwang1124/SNE-RoadSeg 　　Freespace无碰撞空间检测是自动驾驶汽车视觉感知的重要组成部分。近年来，数据融合data-fusion卷积神经网络CNN架构大大改善了语义场景分割算法的性能。通常，可以将自由空间假设为一个地面平面，在这个平面上，各点具有相似的表面法线。 　　因此，在本文中，首先介绍了一个名为表面法线估计器（

51CTO 博客地址： https://blog.51cto.com/14669127 博客园博客地址： https://www.cnblogs.com/Nancy1983 由于新冠疫情的蔓延，彻底改变了我们的工作方式，加速了企业的数字化转型的步伐，为了满足远程工作人员的需求，支持企业快速发展的业务需求，网络安全比以往任何时候都更加重要，因为一些网络***、钓鱼网站等会利用这个机会窃取企业的系统或者个人电脑读取数据，这一切似乎令人生畏，但这种戏剧性的变化也带来了发展的商机，因为我们要处理比以往更多的安全工作，同时还要控制成本。 Microsoft Azure提供了Cloud-Native 工具，可以帮助大家抵制恶意行为，同时于9月22日，Microsoft官宣了一系列帮助大家保护多云和Azure的相关功能，包含但不限于： Azure Defender 包括用于保护用户环境的Microsoft 365 Defender和用于保护混合环境的云工作负载的Azure Defender，在Azure 门户中还有一个新的Azure Defender仪表板和额外的Azure Defender 保护，在很多情况下，我们看到客户只保护他们的虚拟机等资源子集，这使得SQL或者存储账户等其他资源容易受到***，现在微软将继续扩展Azure Defender 的保护能力，包括Azure Key Vault

摘要 ： 本文提出了一个卡通人脸识别的基准数据集i Cart oon Face ，并设计了卡通和真人多任务域自适应策略来提高卡通人脸识别的性能。 论文链接： https://arxiv.org/pdf/1907.13394.pdf 导读： 通过人脸识别技术对视频中的人物信息进行结构化分析，目前已在爱奇艺公司的多个产品中应用，例如“奇观”、“只看他”等，给用户带来了良好的交互体验。为了推动了人脸识别技术的快速发展，爱奇艺在 2018年 、 2019年 相继举办了多模态人物识别竞赛。与此同时，学术界、工业界对卡通人物识别领域的研究较少，为了促进相关研究和带来良好的用户体验，本文提出了 iCartoonFace 卡通识别数据集和对相关算法进行了研究，并成功落地到爱奇艺“奇观”、“逗芽”等产品中。 背景 ： 近年来，伴随着卡通产业的迅猛发展，卡通视频呈现出爆炸性增长。而实现对这些卡通视频智能理解的第一步就是需要识别出这些视频里面的卡通人物身份信息。同时伴随着人脸识别技术的发展，人物识别精度大幅提升，在Labeled Faces in the Wild（LFW）等图片数据集上，人脸识别精度甚至超过了人类的识别能力。然而，对卡通人物身份的识别，却鲜有研究，相关的数据集也比较少，如下表1。对于深度学习来说，这些已有的卡通识别数据集存在着数据量较小、噪声比例较大的问题。因此构建一个大规模

sentinel 结构 release-1.7 未完后续更新 sentinel-core 核心模块，限流、降级、系统保护等都在这里实现 sentinel-dashboard 控制台模块，可以对连接上的sentinel客户端实现可视化的管理 sentinel-transport 传输模块，提供了基本的监控服务端和客户端的API接口，以及一些基于不同库的实现 sentinel-extension 扩展模块，主要对DataSource进行了部分扩展实现 sentinel-adapter 适配器模块，主要实现了对一些常见框架的适配 sentinel-demo 样例模块，可参考怎么使用sentinel进行限流、降级等 sentinel-benchmark 基准测试模块，对核心代码的精确性提供基准测试 1、限流 qps (1) initFlowQpsRule 初始化加载qps 限流规则 FlowRuleManager.loadRules(rules); ————> 初始化 FlowPropertyListener ——>加入到 DynamicSentinelProperty add --> synchronizedSet ————> loadRules ————> DynamicSentinelProperty ————> updateValue && FlowPropertyListener

数据只有被整合和计算，才能被用于洞察商业规律，挖掘潜在信息，从而实现大数据价值，达到赋能于商业和创造价值的目的。面对海量的数据和复杂的计算，阿里巴巴的数据计算层包括两大体系： 数据存储及计算平台（离线计算平台MaxCompute和实时计算平台StreamCompute）、数据整合及管理体系（OneData） 。 阿里数据研发岗位的工作大致可以概括为： 了解需求→模型设计→ETL开发→测试→发布上线→日常运维→任务下线 。与传统的数据仓库开发（ETL）相比，阿里数据研发有如下几个特点： 业务变更频繁——业务发展非常快，业务需求多且变更频繁； 需要快速交付——业务驱动，需要快速给出结果； 频繁发布上线——迭代周期以天为单位，每天需要发布数次； 运维任务多——在集团公共层平均每个开发人员负责上百多个任务； 系统环境复杂——阿里平台系统多为自研，且为了保证业务的发展，平台系统的迭代速度较快，平台的稳定性压力较大。 通过统一的计算平台（MaxCompute）、统一的开发平台、统一的数据模型规范和统一的数据研发规范，可以在一定程度上解决数据研发的痛点。 本文主要介绍MaxCompute和阿里巴巴内部基于MaxCompute的大数据开发套件，并对在数据开发过程中经常遇到的问题和相关解决方案进行介绍。 1、统一计算平台

从2018年年中开始，香港中文大学多媒体实验室（MMLab）就启动了OpenMMLab（ https://github.com/open-mmlab ）计划。这项计划的初衷是为计算机视觉的一些重要方向建立统一而开放的代码库，并不断把新的算法沉淀其中。我们相信，这一项工作可以推动可复现算法生态的建立，也是对计算机视觉社区的重要贡献。 主要项目包括： 目标检测- mmdetection， OpenMMLab Detection Toolbox and Benchmark. 图像分割- mmsegmentation， OpenMMLab Semantic Segmentation Toolbox and Benchmark. 视觉基础- mmcv, OpenMMLab Computer Vision Foundation. 图像视频编辑- mmediting ，OpenMMLab Image and Video Editing Toolbox. 动作理解2- mmaction2 ,OpenMMLab's Next Generation Action Understanding Toolbox and Benchmark 3维目标检测- mmdetection3d, OpenMMLab's next-generation platform for general 3D object

近日，地平线的联合创始人兼副总裁黄畅在CCF-GAIR大会上进行了《构建与时俱进的性能标准，让AI芯片算力可感知》的主题分享。 以下是演讲内容实录 ： 今天不跟大家讲太多我们在业务方面的进展，更多是分享一个观点，就是在今天我们有太多的围绕AI计算的芯片推出，大家从各个角度诠释自己芯片的方方面面，但是究竟什么才是一颗芯片的合理的 AI性能，今天跟大家探讨一下。 我是黄畅，来自地平线。我的分享分成三个部分，第一部分介绍一下新摩尔定律，AI算法效率快速提升这样一件事情。 新摩尔定律——AI 算法效率快速提升 自从摩尔在1965年提出摩尔定律之后，在过去将近半个世纪里面我们一直受益于此，但是在最近5到10年，大家可以看到从传统的旧摩尔定律，半导体工艺演进角度上讲，已经接近了它的尾声。而在AI算法方面，尤其是2012年后大家开始关注大数据量、高算力推动算法的精度持续提升的进程，大家发现通过堆砌算力可以极大地提升算法的精度达到甚至超越人的水平，比如说AlphaGo，它的训练的量从2012年到2019年提升了7个数量级。如果仅仅依靠半导体技术，尤其是传统半导体技术，它是远远不能满足AI需求的快速增长。 关注过去几年的发展，我们会发现有一条之前少有关注的线，就是新的摩尔定律不断收益于AI算法演进和效率提升。先举一个例子， 2016年谷歌推出WaveNet，大家觉得惊为天人