人工智能

如今，5G、人工智能、云计算等关键技术均已进入高速发展时期，建设智慧园区的技术条件基本成熟，业界也迈入了智能化建设的阶段，园区管理与运作模式也得到彻底的变革。这是产业园区和社会发展的必然趋势，也将是一个持续发展的过程。 随着智慧园区规划和建设的不断深入，全国园区纷纷掀起了智慧园区规划与建设的热潮，那么智慧园区的规划该怎么做？ 强化规划引领，避免陷入“伪智慧化”的困境 当前园区智慧化建设呈现一轮发展的新浪潮，让园区更加“智慧”，已经成为产业园转型的一种趋势。然而，在欲求智慧化升级和智能化探索过程中，往往缺乏系统性规划，各智能化系统相对独立，各自完成各自的业务功能，形成各智能化系统仍是信息孤岛。在规划建设阶段，要强化规划引领作用，统筹推进园区智能化建设，基于园区智能化管理需求，以设备基础管理为核心进行整体规划，在智慧园区运营管理平台的统一管理和服务下，促进系统与各智能化系统形成一个业务融合、功能优化和整体功能获得提升的有机整体。 创新技术驱动，推动园区管理运营智能化升级 园区智能化建设的重要目标是运用数字化技术，推动园区管理与运作模式的彻底变革，实现园区基础设施智能化、运营管理高效化。在园区基础设施建设方面，建议结合园区的实际需求，加强物联感知设施建设，包括视频监控、能耗监测、环境监测、消防监测等各类物联感知设备，构建园区感知神经网络，采集园区各类状态数据和业务数据，实现园区资源可视

近年来我国物流园区发展很快，热度不减，特别是随着电商与快递的发展，推动了城市物流的快速发展，也对物流园区的建设和运营，提出了更多的需求和更高的要求。但是，无论已经建成投入使用还是正在规划建设的物流园区，在规划、建设和运营等各个方面，都还存在许多需要注意的问题。通过借助“云计算、大数据、IOT、AI、工业互联网”等先进技术和综合应用，进行物流业务的信息化升级及智慧化建设。 【君思智慧园区】智慧物流园区解决方案 基础物流管理： 通过智慧仓储、智慧运输、物流工业互联网平台实现物流业务的智慧化管理。 1）智慧仓储：通过5G+AR拣货可智能引导员工/机器人进行拣货作业，提高拣货效率，使分拣业务运作更为高效和稳定。 2）为客户提供定制化运营管理系统，实现智能配载、线路优化等。5G+无人派送提供无人物流配送车及无人物流配送车运城监控应用平台，多式联运营管理系统提供中转仓管理等。 3）物流工业互联网监控平台：实现物流生产可视化、故障自动诊断、远程运维。 专业物流管理： 专业物流管理主要包括电商物流、冷链物流、跨境物流、港口物流方面的应用。 电商物流：提供电子数据交换平台、完成业务流程数据交换，实现电商物流协同管理； 冷链物流：提供冷链追溯一体化平台，实现冷链追溯管理、实现温度监控管理、仓储分区管理等； 跨境物流：提供出口分拣管理，以出口操作为中心，根据客户业务特点实现数据预分拣

来源：物联网智库 在美国的强势打压之下，不只是中国半导体产业被卡着脖子走得气喘吁吁，欧洲各国也因身处牵一而动的全球半导体产业链中感受到了重重危机。 如同中国开始坚定的推进独立自主的政策一样，欧洲也不会坐以待毙。 近日，欧盟委员会召开了欧盟17个国家电信部长(大臣)的视频会议。此后，17国发表了 《欧洲处理器和半导体科技计划联合声明》，宣布未来两三年内将投入 1450 亿欧元用于半导体产业。 1450 亿欧元换算过来大约为人民币 11527.645 亿元，万亿级半导体计划，直指美国禁令！为了在全球半导体产业争夺更多话语权，同时也为了保证欧洲半导体产业的自主性，，欧盟迈出了半导体产业合纵抗美的关键一步！ 合纵抗美，独立自主 据悉，签署这份声明的17个国家包括德国、法国、西班牙、比利时、克罗地亚、爱沙尼亚、芬兰、希腊、意大利、马耳他、荷兰、葡萄牙、斯洛文尼亚、罗马尼亚、奥地利、斯洛伐克、塞浦路斯。 虽然17个国家的数量仅是欧盟成员国总数的60%，但是德国、法国、荷兰、意大利等国的产业总量几乎占据了欧洲半导体行业市场份额的90%。 声明谈到，半导体行业是一个严重依赖先进技术的全球性行业，它体现在价值链的各个过程，比如说半导体制造设备、设计、生产、测试封装，以及最终产品中的嵌入和验证——由此，半导体行业在研发方面的支出占收入的比例是所有行业最高，高达 15% 到 20%。正是因为研发支出较高

抠图 (Image Matting)是一个非常有趣的领域，它的任务是对图像前景像素的不透明度（alpha 通道）进行计算，方便后续的图像合成编辑。 传统的Matting方法需要输入三色图（Trimap），如下： 该 图来自 ：http://wangchuan.github.io/archive/projects/robust-matting/ 上图中第一行是原图，第二行是Trimap，Trimap用三个数值标识了三类区域:肯定是背景、肯定是前景和不确定，即图中黑、白、灰。 但近来Matting领域一大特征是越来越多的算法尝试无需输入Trimap的抠图，并有了非常惊艳的表现，这大大提高了Matting的易用性，CVPR 2020 三篇 Matting相关论文均如此。 在短视频应用持续爆发的当下，基于此类技术抠图再图像合成， 无需绿幕 即可实现 大片特效 的需求肯定会越来越多。 大家可以在： http://openaccess.thecvf.com/CVPR2020.py 按照题目下载这些论文。 如果想要下载所有CVPR 2020论文，请点击这里： CVPR 2020 论文全面开放下载，含主会和workshop [1].Background Matting: The World Is Your Green Screen 作者 | Soumyadip Sengupta, Vivek

计算机视觉、计算机图形学、图像处理的区别和联系 搞了CV一段时间，仍时不时因为概念问题而困惑，搞不清楚计算机视觉(Computer Vision)，计算机图形学(Computer Graphics)和图像处理(Image Processing)的区别和联系。在知乎上看到了一个帖子，觉得解释的很好，结合自己的理解，形成此文存档。 1.基本概念 从定义理解概念是最严谨的。所以首先搞清楚维基百科中这些概念的定义。 计算机视觉(CV)： Computer vision is a field that includes methods for acquiring, processing, analyzing, and understanding images and, in general, high-dimensional data from the real world in order to produce numerical or symbolic information, e.g., in the forms of decisions.[1] 直译过来就是 计算机视觉是一个学科/领域，它包括获取、处理、分析和理解图像或者更一般意义的真实世界的高维数据的方法；它的目的是产生决策形式的数字或者符号信息。 计算机图像学(CG)： Computer graphics is a sub

春节过后，又有一大批公司的员工打算另谋高就，我认为辞不辞职这都是个人的事，个人感受谁也说不清楚，如果你已经下定决心要辞职了，我们不妨谈一谈，如何才能找到一家靠谱的公司？（本文是16年的文章，作者很多见解和眼光都是不错的）。 到底要去大公司还是小公司 为什么这个问题要放在第一个说呢？因为公司的大小不同，工作的环境也就不同，这决定了两个不同的思考逻辑。以下是我梳理的大公司和小公司的利弊： 大公司 小公司 如果你还是一个应届毕业生还是去大公司的好。 大公司的培训体系比较完善，进去以后可以很好的完成校园和职场的转换，同时福利体系比较好，可以省去很多烦心事，一门心思的提升自己的职业技能。另外一般公司对于校招的人都比较看重，视如己出，委以重任的可能性比较大。如果你已经浪迹职场多年，还是去小公司的比较好，除非你能在大公司得到一个很高的职位。社招主要是看能力，很少说再去培养，如果去了大公司还是一个很普通的职位，而且你的上司还比你年轻不少，那就比较尴尬了。 如果你已经决定要去大公司的话，建议去一些正在快速发展期的公司 。相比于金山，汽车之家这样的老牌公司，虽然体量也大，营收也还不错， 但是去今日头条，滴滴，美团这些发展迅猛的公司，可以想像的空间会大得多 。对于那些处在生命末期的公司还是不要去了，即使他们曾经挺有名的，比如人人，天涯，盛大。 小公司的话倒掉的可能性确实会很大，如何找到一家靠谱的呢

来自 | CSDN博客 作者 | JensLee 本文仅作学术交流，如有侵权，请联系后台删除 从一个小白的方式理解GAN网络（生成对抗网络），可以认为是一个造假机器，造出来的东西跟真的一样，下面开始讲如何造假：（主要讲解GAN代码，代码很简单） 我们首先以造小狗的假图片为例。 首先需要一个生成小狗图片的模型，我们称之为generator，还有一个判断小狗图片是否是真假的判别模型discrimator， 首先输入一个1000维的噪声，然后送入生成器，生成器的具体结构如下所示（不看也可以，看完全篇回来再看也一样）： 其实比较简单，代码如下所示： def generator_model ( ): model = Sequential() model. add (Dense(input_dim= 1000 , output_dim= 1024 )) model. add (Activation( 'tanh' )) model. add (Dense( 128 * 8 * 8 )) model. add (BatchNormalization()) model. add (Activation( 'tanh' )) model. add (Reshape(( 8 , 8 , 128 ), input_shape=( 8 * 8 * 128 ,))) model. add

Gartner的研究方法论还是比较科学，研究结论也有很高的参考价值。但需要注意一点，Gartner的研究基础是欧美市场，中外网络安全市场差异还是比较大，因此建议不要硬搬硬套相关结论。需要多考虑一下国内外环境差异，技术成熟度、产业链交易结构等方面差异，以及这些差异的影响。别被Gartner的研究结论带沟里就行，比如CASB。也有一些领域由于市场差异导致市场空间存在显著差异，如IDaaS。这些差异对于投资非常关键，这里说的是广义的投资，在我们来看企业新的业务培育本质也是一种投资行为。 借用郭德纲的话，我们要批判地学习。 在给出今年的八大趋势之前，Gartner对宏观形势进行了介绍并分析了疫情的影响。很难找到并留住合适的安全人才；消费者对隐私的重视程度提升以及合规要求的加强；SaaS、虚拟化、容器等技术的广泛使用让应用越来越复杂；终端多样性，管理更困难；另一方面，攻击者提升技术能力，试图窃取你的数据。这些都是组织在安全管理过程中面临的挑战，这些都是现实存在且不以你的意志为转移。疫情中各个组织受到的影响是不同的，IT基础设施的现代化是关键。疫情也加速很多趋势的进程，比如移动办公、数据中心上云，云交付和服务导向型产品成为主流。原来部署在本地的安全工具作用越来越弱，安全工具需要适应这些变化。 威胁趋势 1.拓展检测与响应 XDR XDR解决方案在主流市场中开始逐渐取代SOC和SOAR

摘要： 基于HiLens Kit已经基本开发完成，可部署到HiLens Kit，模型的选择为基于DarkNet53的YOLOv3模型，权重为基于COCO2014训练的数据集，而车道线的检测是基于OpenCV的传统方法实现的，可通过ModelArts AI Gallery与HiLens Kit全流程端云协同开发部署。 点击传送门，先来看看最终视频效果吧→→ （PS：请忽略背景音乐）！ 主体流程介绍 ： （可选，忽略亦可，取决于摄像头质量，对于相机畸变较大的需要先计算相机的畸变矩阵和失真系数，对图片进行校正）图片校正； 截取感兴趣区域，仅对包含车道线信息的图像区域进行处理； 对感兴趣区域使用透视变换； 针对不同颜色的车道线，不同光照条件下的车道线，不同清晰度的车道线，根据不同的颜色空间使用不同的梯度阈值，颜色阈值进行不同的处理。并将每一种处理方式进行融合，得到车道线的二进制图； 提取二进制图中属于车道线的像素； 对二进制图片的像素进行直方图统计，统计左右两侧的峰值点作为左右车道线的起始点坐标进行曲线拟合； 使用二次多项式分别拟合左右车道线的像素点（对于噪声较大的像素点，可以进行滤波处理，或者使用随机采样一致性算法进行曲线拟合）； 计算车道曲率及车辆相对车道中央的偏离位置； 效果显示（ 可行域显示 ， 曲率 和 位置显示 ）。 检测驾驶过程中道路中其他车辆状态，显示 车辆类别 、 置信度

左耳朵耗子，就是陈皓，技术圈的大佬，也是小灰的偶像。是个有着 20 年以上的研发与管理经验的资深技术专家。曾经在阿里、亚马逊等公司任职，精通架构，在程序员个人成长等方面，见解独特，曾经深深的影响了小灰。 小灰一直觉得，我们这一代是幸运的，幸运的是可以通过网络，很容易接触到各种业内大牛的思想与观点，甚至可以在一些平台近距离跟他们交流。大神的观点和一些见解，是任何书上以及职场上都很难遇到的，很多时候，他们的一句话，真的会不经意间的影响一个人的一生。 就说小灰和大黄都深受其影响的这位耗子叔吧，十多年来，一直坚持在互联网上分享自己的技术见解 ，有数十万开发者追随呢。视频中的耗子叔是一位四十多岁的中年老男人，体型微胖，观点鲜明，个性十足。 作为一个愿意分享的技术人，耗子叔在极客时间撰写了全年大专栏 《左耳听风》 ，其内容覆盖了大部分技术领域，分布式、编程范式、容器技术、AI、区块链、程序员练级、高效管理等等，可以说是程序员必备宝典，他 20 年技术经验和学习总结，都在这里了。最近这门课程的订阅量已经突破 50000 了哦（敲黑板）。 这是极客时间最早的技术专栏之一，小灰也在几年前就读过了。但真正有价值的内容，是经得起时间检验的。几年过去，当小灰再拿起这个专栏重读的时候，发现虽然各种技术概念沉浮，但耗子叔的课程内容，无论是关于技术的解读，还是程序员职场的建议，都半点不过时哦。