当前位置:主页 > 时尚健康 >

时尚健康

中国战队夺获全部冠军
  曾经的蓝思科技,在“苹果概念”光环下,上市后连续13个涨停板,成为创业板的明星,也让创始人周群飞一跃成为湖南女首富,在其带领下蓝思科技成为全球最大玻璃面板供应商。而如今,蓝思科技在苹果的玻璃面板份额,被来自国内的伯恩科技挤压切割。而苹果也开始绕开蓝思科技,直接投资原先给蓝思科技提供玻璃基板的康宁,面板玻璃“代工者”蓝思科技,此刻加码研发还来得及吗?
  9月13日,苹果又双叒叕发布了三款新手机以及全新的苹果手表,新款iPhone被痛批迎合中国市场推出了超大屏,并如法炮制去年成功实施的策略,押注消费者愿意为iPhone支付更高的价格。而其玻璃屏幕供应商之一,便是蓝思科技。在苹果发布新机的利好消息下,作为苹果主要供应商的蓝思科技股价并未出现大幅上涨。而这或许智能手机近年需求疲软所致。
  8月31日,蓝思科技发布半年报,数据显示上半年录得营业收入108.93亿元,同比增长25.78%。归属于上市公司股东的净利润为4.58亿元,同比增长47.37%。蓝思科技业绩看似大增,但事实上利润增长“水分”颇多。
  今年上半年,蓝思科技非经常性损益高达8.55亿元。其中,来自客户支付的研发补助合计8.32亿元(绝大部分来自苹果公司),另有1.3亿元政府补助。扣除非经常性损益后,归属于上市公司股东的净利润为-3.97亿元,竟同比减少276.32%。
  事实上,蓝思科技业绩下滑一方面受累于全球智能手机需求疲软所致, 另其发展过度依赖单一大客户,业绩容易受其影响,尤其是苹果。根据国信证券的研报,从2012年到2016年,蓝思科技的第一大客户均是苹果。过度依赖苹果使蓝思科技的业绩随着苹果手机销量起伏,2018一季度蓝思科技受到苹果手机销量下滑的影响,净利大降五成。
  为了去“苹果化”,蓝思科技开始分散需求,转而与OPPO、华为、VIVO、小米等品牌合作以弥补国际市场的失利。而2018年半年报中显示,在全球手机出货量下滑的背景下,以上国内大品牌发布并量产了多款采用前后盖双面玻璃,使得公司业绩仍实现“增长”。
  而在蓝思科技极力掩盖苹果的大客户地位时,同是国内玻璃面板供应商的伯恩光学宣称,已经取代蓝思科技成为苹果最大的盖板玻璃加工厂商。据伯恩光学某高层透露,周群飞早期曾在伯恩杨氏家族“打工”多年,后离开创立了蓝思科技公司,但两者的商业竞争从未停止。面板玻璃生意越来越难做,面板“代工者”的蓝思科技还要面对面板技术的更迭,以及来自同行业的竞争,前有狼后有虎。欧洲计算机视觉顶级学术会议 ECCV 2018 在德国慕尼黑圆满落幕。据悉,ECCV 2018 规模空前,有近 3200 人参加,接收论文 776 篇;另有 43 场 Workshops 和 11 场 Tutorials。旷视科技研究院在院长孙剑博士的带领下远赴盛会,用心用力,推动全球范围计算机视觉的技术交流与产品落地。
  长期以来,计算机视觉三大学术顶会 CVPR、ECCV 和 ICCV 一起发挥着举足轻重的平台担当作用,帮助产学研各方代表展示技术实力,增进学术交流。旷视科技作为全球人工智能独角兽代表,是计算机视觉三大 “C 位”会议的积极参与者,ICCV 2017 旷视科技打破谷歌、微软垄断,成为第一个问鼎 COCO 冠军的中国公司;CVPR 2018 旷视科技全面进击,论文、Demo、挑战赛、酒会,一个不少,掀起一股产学研交流热潮。
  这次的 ECCV 2018,旷视科技同样保持着较高的参与度并收获颇丰:
  1. ECCV 2018 共收录 10 篇旷视科技研究院涵盖多个 CV 子领域的论文;
  2. 赢得 2018 COCO+Mapillary 挑战赛四项世界第一,成为 ECCV 夺冠最多的企业;
  3. 基于深厚的人脸识别技术积淀,旷视摘得 2018 WIDER Face Challenge 世界冠军。
  下文将一一呈现旷视科技 ECCV 之行的点滴瞬间。
  10 篇接收论文全面展现技术硬实力
  据 ECCV 2018 官网信息,旷视科技共有 10 篇接收论文。从内容上看,论文涵盖 CV 技术的多个层面,小到一个新表示的提出,大到一个新模型的设计,乃至神经网络设计原则和新任务、新方法的制定,甚至弱监督学习的新探索,不一而足。
  具体而言,旷视科技在以下技术领域实现新突破:网络架构设计(1 篇)、通用物体检测(2 篇)、语义分割(3 篇)、场景理解(1 篇)、文本识别与检测(2 篇)、人脸识别(1 篇)。
  神经网络架构设计领域,ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 不仅授之以鱼,还授之以渔,针对移动端深度学习提出第二代卷积神经网络 ShuffleNet V2,实现速度与精度的最优权衡,同时给出了神经网络架构的四个实用设计准则。这无疑将加速推进由深度学习驱动的计算机视觉技术在移动端的全面落地。此外,论文还提出网络架构设计应该考虑直接指标,比如速度,而不是间接指标,比如 FLOPs。
  通用物体检测方面,旷视科技通过设计 1)新型骨干网络 DetNet 和 2)目标定位新架构 IoU-Net 推动该领域的发展。
  DetNet: A Backbone network for Object Detection 的设计灵感源自图像分类与物体检测任务之间存在的落差。详细讲,DetNet 针对不同大小和尺度的物体而像 FPN 一样使用了更多的 stage;即便如此,在保留更大的特征图分辨率方面,它依然优于 ImageNet 预训练模型。但是,这会增加神经网络的计算和内存成本。为保证效率,旷视研究员又引入低复杂度的 Dilated Bottleneck,兼得较高的分辨率和较大的感受野。DetNet 不仅针对分类任务做了优化,对定位也很友好,并在 COCO 上的物体检测和实例分割任务中展现了出色的结果。
  Acquisition of Localization Confidence for Accurate Object Detection (IoU-Net)实现了作为计算机视觉基石的目标检测技术的底层性原创突破。具体而言,通过学习预测与对应真实目标的 IoU,IoU-Net 可检测到的边界框的“定位置信度”,实现一种 IoU-guided NMS 流程,从而防止定位更准确的边界框被抑制。IoU-Net 很直观,可轻松集成到多种不同的检测模型中,大幅提升定位准确度。MS COCO 实验结果表明了该方法的有效性和实际应用潜力。研究员同时希望这些新视角可以启迪未来的目标检测工作。
  旷视科技语义分割领域的论文占比最高:1)实现实时语义分割的双向网络 BiSeNet;2)优化解决语义分割特征融合问题的新方法 ExFuse;以及 3)通过实例级显著性检测和图划分实现弱监督语义分割的新方法。
  BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation 的提出基于三种主流的实时语义分割模型加速方法,并在特征融合模块和注意力优化模块的帮助下,把实时语义分割的性能推进到一个新高度。
  ExFuse: Enhancing Feature Fusion for Semantic Segmentation 针对语义分割主流方法直接融合高低特征不奏效的问题而提出,创新性地在低级特征引入语义信息,在高级特征嵌入空间信息,优化解决特征融合的问题。
  Associating Inter-Image Salient Instances for Weakly Supervised Semantic Segmentation 通过整合显著性检测和图划分算法,提出一种新型弱监督学习方法,加速语义分割发展,其最大亮点是既利用每个显著性实例的内在属性,又挖掘整个数据集范围内不同显著性实例的相互关系。
  旷视科技借助统一感知解析网络 UPerNet 来优化场景理解问题。Unified Perceptual Parsing for Scene Understanding 提出名为统一感知解析 UPP 的新任务,要求机器视觉系统从一张图像中识别出尽可能多的视觉概念;又提出多任务框架 UPerNet ,开发训练策略以学习混杂标注。UPP 基准测试结果表明,UPerNet 可有效分割大量的图像概念。
  在文本识别与检测方面,旷视科技贡献了 1)新型端到端可训练网络 Mask TextSpotter 和 2)检测任意形状文本的灵活表征 TextSnake 两个技术点。
  Mask TextSpotter: An End-to-End Trainable Neural Network for Spotting Text with Arbitrary Shapes 受到 Mask R-CNN 启发,通过分割文本区域检测文本,可胜任任意形状的文本;另外,相比其他方法,Mask TextSpotter 还可借助语义分割实现精确的文本检测和识别。
  TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes 可以拟合任意形状的文本,就像蛇一样改变形状适应外部环境;基于这一表示,出现了一种有效的场景文本检测方法,在包含若干个不同形式(水平、多方向、曲形)的文本数据集上做到当前最优。
  GridFace 是旷视科技人脸识别领域的一项新突破。GridFace: Face Rectification via Learning Local Homography Transformations 可通过学习局部单应变换减少人脸变形,先校正,再识别,过硬的校正技术大幅提升了人脸识别的性能。相关实验结果已证明该方法的有效性和高效性。
  2018 COCO+Mapillary 包揽四冠成最大赢家
  ECCV 2018 最受瞩目的 COCO+Mapillary 联合挑战赛,中国战队夺获全部冠军。旷视科技参战 3 项 COCO 比赛和 1 项 Mapillary 比赛,分获 3 项 COCO 第一和 1 项 Mapillary 第一,四战皆胜,揽下了挑战赛的“大半江山”,在实例分割、全景分割和人体关键点检测上进行了迭代式新探索。