复杂环境下的视觉同时定位与地图构建 章国锋 浙江大学CAD&CG国家重点实验室 SLAM: 同时定位与地图构建 • 机器人和计算机视觉领域的基本问题 • 在未知环境中定位自身方位并同时构建环境三维地图 • 广泛的应用 • 增强现实、虚拟现实 • 机器人、无人驾驶 SLAM常用的传感器 • 红外传感器：较近距离感应，常用于扫地机器人。 • 激光雷达：单线、多线等。 • 摄像头：单目、双目、多目等。 IMU测量值 优化以减少误差累积 回路检测 SLAM应用介绍 • 扫地机器人 小米扫地机器人 以激光雷达为核心 戴森360°Eye扫地机器人 以视觉为核心（顶部有全景摄像头） SLAM应用介绍 • 无人机 大疆Phantom4 结合双目立体视觉和超声波，实现空中精准悬停和安全航线自动生成 SLAM应用介绍 • 无人车 MobileEye、特斯拉等自动驾驶方案 以廉价的摄像头为主 混合现实：微软HoloLens HoloLens融合了场景位置感知和头盔显示技术，并提供了完整的软硬件解决方案。 Hololens部分传感器 左右双目+前视RGB摄像头+深度传感器 Hololens宣传视频 视觉SLAM • 主要传感器 • 单目摄像头 • 双目摄像头 • 多目摄像头 • 其它辅助传感器 • 廉价IMU、GPS • 深度传感器 • 优势 • 硬件成本低廉 • 小范围内定位精度较高

未来都市 - 智慧城市与基于深度学习的 机器视觉 演讲者／陈宇恒 概要 • 我们是谁 • 智慧城市中机器视觉应用 • 我们是如何构建城市级AI+智慧城市系统 • 大规模深度学习实战系统的几点经验 l商汤科技联合创始人，架构师 lC++/Go/Rust/Ruby开发者 l多个开源项目贡献者 lNIPS国际会议论文作者 @chyh1990 2017.6 2016.3 2015 部分标准库实现依赖reflect，性能较 差 - GC的带来的开销，如在Go Heap上 构建百万以上级别的对象缓存，需要 仔细优化 百倍慢于等价的C实现！ 回顾 • 智慧城市中，在智能安防领域机器视觉有着爆发式应用 • 我们使用基于深度学习的机器视觉技术，构建了超大规模的自我演化 的分布式智能系统 • 在构建这个规模的系统中，我们广泛使用了Kubernetes、Go等流行技 术，“那些年踩过的坑”

检索排序评测任务第一名经验总结 225 美团内部讲座｜清华大学莫一林：信息物理系统中的安全控制算法 235 KDD Cup 2020 多模态召回比赛季军方案与搜索业务应用 252 对话任务中的“语言 - 视觉”信息融合研究 267 ICDM 论文：探索跨会话信息感知的推荐模型 278 自然场景人脸检测技术实践 289 技术解析 | 横纵一体的无人车控制方案 304 目录 智能搜索模型预估框架 坚强，明健，胡可，曲檀，雷军等，均来自美团广告平台搜索广告算法团队。 招聘信息 美团广告平台搜索广告算法团队立足搜索广告场景，探索深度学习、强化学习、人工智能、大 数据、知识图谱、NLP 和计算机视觉最前沿的技术发展，探索本地生活服务电商的价值。主要 工作方向包括： ● 触发策略：用户意图识别、广告商家数据理解，Query 改写，深度匹配，相关性建模。 算法 < 131 ● 质量 更多信息请访问：https://ai.meituan.com/ 招聘信息 美团广告平台搜索广告算法团队立足搜索广告场景，探索深度学习、强化学习、人工智能、大 数据、知识图谱、NLP 和计算机视觉最前沿的技术发展，探索本地生活服务电商的价值。主要 工作方向包括： ● 触发策略：用户意图识别、广告商家数据理解，Query 改写，深度匹配，相关性建模。 ● 质量预估：广告质量度建模。点击率、转化率、客单价、交易额预估。

AR/VR/MR 智能手机 穿戴设备 SACC2017 万物互联的核心技术 视觉感知 语音感知 语义理解 人工智能 大数据分析 物 环境 SACC2017 图像 视频 检测 识别 分割 跟踪 物 环境 数 据 核 心 云端 移动端 业 务 视觉感知模型 SACC2017 视觉感知核心问题 Object Segmentation Object Classification 图像技术的三个核心难点>>小、快、准 小模型 线上速度快 预测准 Frequent remote upgrade CPU-constrained, real-time Cloud processing SACC2017 视觉感知模型 分割 Forward Block Forward Block deconvolution deconvolution convolution convolution 检测 Forward Block Forward Block convolution convolution 识别 Forward Block Forward Block SACC2017 视觉感知模型-融合 分割 Forward Block Forward Block deconvolution deconvolution convolution convolution 检测

1 Microsoft（微软） 计算机视觉技术、自然语言处理技术 等 办公 美国 1975年 上市 市值1.21万亿美元 2 Google（谷歌） 计算机视觉技术、自然语言处理技术 等 综合 美国 1998年 上市 市值9324亿美元 3 Facebook（脸书） 人脸识别、深度学习等 社交 美国 2004年 上市 市值5934亿美元 4 百度 计算机视觉技术、自然语言处理技 术 、知识图谱等 2001年 上市 市值438亿美元 5 大疆创新 图像识别技术、智能引擎技术等 无人机 中国 2006年 战略融资 估值210亿美元 6 商汤科技 计算机视觉技术、深度学习 安防 中国 2014年 D轮融资 估值70亿美元 7 旷视科技 计算机视觉技术等 安防 中国 2011年 D轮融资 估值40亿美元 8 科大讯飞 智能语音技术 综合 中国 1999年 上市 市值108亿美元 9 Automation ，都有相近的高准确度 。于是诞生了机器学习 界的名言： 成功的机器学习应 用不是拥有最好的 算法，而是拥有最 多的数据！ 数据决定一切 数据大小 准 确 率 11 深度学习-CV（计算机视觉方向） 图像获取 提取二维图像 、三维图组、 图像序列或相 关的物理数据 ，如声波、电 磁波或核磁 共振的深度、 吸收度或反射 度 预处理 对图像做一 种或一些预 处理，使图 像满足后继

4 键值存储 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547 13 计算机视觉 549 13.1 图像增广 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 瞻性的学科，在现 实世界的应用范围很窄。而那些应用，例如语音识别和计算机视觉，需要大量的领域知识，以至于它们通常 被认为是完全独立的领域，而机器学习对这些领域来说只是一个小组件。因此，神经网络——我们在本书中 关注的深度学习模型的前身，被认为是过时的工具。 就在过去的五年里，深度学习给世界带来了惊喜，推动了计算机视觉、自然语言处理、自动语音识别、强化学 习和统计建模等领域的快速发展。有了 描述了深度学习计算的各种关键组件，并为我们随后 实现更复杂的模型奠定了基础。接下来，在 6节 和 7节 中，我们介绍了卷积神经网络（convolutional neural network，CNN），这是构成大多数现代计算机视觉系统骨干的强大工具。随后，在 8节 和 9节 中，我们引入了循环神经网络(recurrent neural network，RNN)，这是一种利用数据中的时间或序列 结构的模型，通常用于自然语言处理和时间序列预测。在

Logging 2.1.7. 关于导出字段 2.1.8. 关于 OpenShift Logging 组件 2.1.9. 关于日志记录收集器 2.1.10. 关于日志存储 2.1.11. 关于日志记录视觉化 2.1.12. 关于事件路由 2.1.13. 关于日志转发 第 第 3 章 章 安装 安装 OPENSHIFT LOGGING 3.1. 使用 WEB 控制台安装 OPENSHIFT LOGGING 集群中的所有日 志，如节点系统日志、应用程序容器日志和基础架构日志等。OpenShift Logging 汇总整个集群中的这些 日志，并将其存储在默认日志存储中。您可以使用 Kibana web 控制台来视觉化日志数据。 OpenShift Logging 聚合了以下类型的日志： application - 由集群中运行的用户应用程序生成的容器日志（基础架构容器应用程序除外）。 infrastructure 负责部署、升级和维护 OpenShift Logging。 ClusterLogging CR 定义包括日志记录堆栈的所有组件在内的完整 OpenShift Logging 环境，以收集、 存储和视觉化日志。Red Hat OpenShift Logging Operator 监视 OpenShift Logging CR 并相应地调整日 志记录部署。 管理员和应用程序开发人员可以查看他们具有查看访问权限的项目的日志。

集群中的所有日 志，如节点系统日志、应用程序容器日志和基础架构日志等。OpenShift Logging 汇总整个集群中的这些 日志，并将其存储在默认日志存储中。您可以使用 Kibana web 控制台来视觉化日志数据。 OpenShift Logging 聚合了以下类型的日志： application - 由集群中运行的用户应用程序生成的容器日志（基础架构容器应用程序除外）。 infrastructure Elasticsearch 或 Log Forwarding API 支持的任何其他第三方系统。 Kibana Kibana 是基于浏览器的控制台界面，可通过直方图、行图和 pie chart 查询、发现和视觉化您的 Elasticsearch 数据。 Kubernetes API 服 服务 务器 器 Kubernetes API 服务器验证并配置 API 对象的数据。 标签 标签 标签是可用于组织和选择对象子集（如 记录 通过 OpenShift Container Platform Logging，您可以聚合应用程序、基础架构和审计日志。您还可以 将它们存储在默认日志存储中，将它们转发到第三方系统，并查询和视觉化存储在默认日志存储中的 存储日志。 日志 日志记录 记录收集器 收集器 日志记录收集器从集群收集日志，对其进行格式化，并将它们转发到日志存储或第三方系统。 日志存 日志存储 储 日志存储用于存储聚合的日志。您可以使用默认的

（5）记忆点设计（20字以内）： 创作一个朗朗上口的产品标语或口号 要求：包含产品名称和核心价值主张 额外要求： - 使用简洁的句式，避免复杂从句 - 每个部分之间使用明确的视觉分隔，如---" - 对每个部分的关键信息使用加粗标记，每部分不超过3个加粗点 - 确保整体可读性指数控制在初中水平（使用Flesch-Kincaid可读性公式） 请基于以上结构和要求，生成一份完整的产品说明文案。 �情感共鸣特质提示语设计技巧 应用示例 优秀文案的情感共鸣特质 提示语设计技巧 1. 情感基调明确 情感关键词指定：在提示语中明确指定文案应体现的核心情 感 2.多感官体验描述 感官词汇要求：要求使用视觉、听觉、触觉等多感官相关的 描述性词语 3. 情境代入感强 场景设定指令：创建与产品使用或品牌相关的具体情境描述 要求 4. 情感层次丰富 情感层次递进：设计从基础情感到高级情感的递进结构 喜等 要求：选择一个与品牌调性高度匹配的情感基调 （2）开场情境描述（80字以内）： 描述一个与品牌/产品高度相关的日常场景 要求：使用多感官描述，至少包含视觉、听觉、触觉中的两种 （3）问题－情感－解决方案结构（150字以内）： a. 点出目标受众在该情境中面临的问题或挑战（30字） b. 描述由此产生的情感反应（40字）

（5）记忆点设计（20字以内）： 创作一个朗朗上口的产品标语或口号 要求：包含产品名称和核心价值主张 额外要求： - 使用简洁的句式，避免复杂从句 - 每个部分之间使用明确的视觉分隔，如---" - 对每个部分的关键信息使用加粗标记，每部分不超过3个加粗点 - 确保整体可读性指数控制在初中水平（使用Flesch-Kincaid可读性公式） 请基于以上结构和要求，生成一份完整的产品说明文案。 �情感共鸣特质提示语设计技巧 应用示例 优秀文案的情感共鸣特质 提示语设计技巧 1. 情感基调明确 情感关键词指定：在提示语中明确指定文案应体现的核心情 感 2.多感官体验描述 感官词汇要求：要求使用视觉、听觉、触觉等多感官相关的 描述性词语 3. 情境代入感强 场景设定指令：创建与产品使用或品牌相关的具体情境描述 要求 4. 情感层次丰富 情感层次递进：设计从基础情感到高级情感的递进结构 喜等 要求：选择一个与品牌调性高度匹配的情感基调 （2）开场情境描述（80字以内）： 描述一个与品牌/产品高度相关的日常场景 要求：使用多感官描述，至少包含视觉、听觉、触觉中的两种 （3）问题－情感－解决方案结构（150字以内）： a. 点出目标受众在该情境中面临的问题或挑战（30字） b. 描述由此产生的情感反应（40字）