精华内容
下载资源
问答
  • 关键技术与实践难点
    千次阅读
    2018-11-02 08:40:35

    物联网中的核心关键技术


      核心关键技术主要有RFID技术、传感器技术、无线网络技术、人工智能技术、云计算技术等。

      1、RFID技术

      是物联网中“让物品开口说话”的关键技术,物联网中RFID标签上存着规范而具有互通性的信息,通过无线数据通信网络把他们自动采集到中央信息系统中实现物品的识别。

      2、传感器技术

      在物联网中传感器主要负责接收物品“讲话”的内容。传感器技术是从自然信源获取信息并对获取的信息进行处理、变换、识别的一门多学科交叉的现代科学与工程技术,它涉及传感器、信息处理和识别的规划设计、开发、制造、测试、应用及评价改进活动等内容。

      3、无线网络技术

      物联网中物品要与人无障碍地交流,必然离不开高速、可进行大批量数据传输的无线网络。无线网络既包括允许用户建立远距离无线连接的全球语音和数据网络,也包括近距离的蓝牙技术、红外技术和Zigbee技术。

      4、人工智能技术

      人工智能是研究是计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考和规划等)的技术。在物联网中人工智能技术主要将物品“讲话”的内容进行分析,从而实现计算机自动处理。

      5、云计算技术

      物联网的发展理离不开云计算技术的支持。物联网中的终端的计算和存储能力有限,云计算平台可以作为物联网的大脑,以实现对海量数据的存储和计算。

      

    物联网中的技术难点


    (1)数据安全问题

      由于传感器数据采集频繁,基本可以说是随时在采集数据,数据安全必须重点考虑。

    (2)终端问题

      物联网中的终端除了具有自己的功能外还有传感器和网络接入功能,且不同的行业千差万别,如何满足终端产品的多样化需求,对研究者和运营商都是一个巨大挑战。
     

    更多相关内容
  • 工业大数据即工业数据的总和,其来源主要包括企业信息化数据、工业物联网数据、“跨界”数据等,它是工业...工业大数据分析技术实践应用中的思路方法工业大数据分析是利用统计学分析技术、机器学习技术、信号处理技
  • 物联网,是继计算机、互联网移动通信网之后的又一次信息产业浪潮,是一个全新的技术领域,给IT和通信带来了广阔的新市场。物联网应用中首先被广泛使用的是“M2M”(Machine-to-Machine)应用,驱使各行各业走向信息...
  • 指出智能矿山建设的关键点在于拓宽网络通道、统一各子系统接口、关联设备安全可靠和配备专业人才队伍,由此总结了目前智能矿山建设中存在的难点,并有针对性地提出了要攻关的关键技术,包括自动割煤、移动设备人员...
  • 兖矿集团通过不断探索研究与实践,开展综合防尘样板化矿井建设,形成了以关键技术与装备为主体的粉尘防治企业技术规范。本文介绍了粉尘检测、粉尘危害和粉尘防治方面的内容,包括尘肺病有直接关系的呼吸性粉尘问题,...
  • 在分析三维可视化建模技术特点、技术难点的基础上,剖析了地下矿三维可视化建模的三大关键技术,具体包括空间插值技术、数据拟合修正技术和研发矿山三维信息系统。以石槽村煤矿为工程案例,阐明了地下矿三维可视化建模...
  • 一、人脸识别技术基本认识 1、文献综述基本认识 本节来源于:人脸检测深度学习 关于人脸检测算法的文献 总结: 商用算法总结: 列举出共十七项商用算法,百度IDL提出DenseBox第三版(加粗蓝色)是...

    一些经验记录:
    经过我的实践证明,不管人脸库多大,都不要用svm或者knn去分类,相似度搜索是保证准确率的前提(某weixin群大佬如是说)

    一、人脸识别技术基本认识

    1、文献综述与基本认识

    本节来源于:人脸检测与深度学习

    关于人脸检测算法的文献 总结:
    这里写图片描述

    商用算法总结:
    这里写图片描述
    列举出共十七项商用算法,百度IDL提出DenseBox第三版(加粗蓝色)是性能最优算法。表中有十项是基于深度学习方法的人脸检测算法(加底纹),这些算法普遍比传统算法提高了十几个百分点,在误检数限制为10的情况下(基本没有误检),准确率仍能达到75%-80%,甚至有88.43%之高。在上述两表中提到的文献算法和商用算法只是为了说明深度学习方法的优势,然而相比于人脸比对评测集中许多公司刷到的99.00%+来说,FDDB人脸检测评测集还远未达到顶点(目前最高97.31%),虽然只有仅仅两个百分点左右的差距,如果用比较相似的额外数据作训练集,完全能够刷出更高的分数,但是对于算法研究和实际应用却是极难突破的,因为实际遇到的情况远比FDDB测试集上的复杂多变,随着深度学习和机器视觉技术的发展,我们可以用更好的策略、更优的特征学习、更深的网络将非约束情况下的人脸检测性能逐步提高。

    专利情况
    这里写图片描述
    .

    2、人脸检测过程

    要实现这个过程,我们需要完成下面几个关键技术的分析:

    (1)人脸检测:检测到图像中的人脸区域,快速定位。
    (2)人脸识别:识别人的身份。
    (3)人脸跟踪:定位并跟踪视频中的人脸。
    (4)姿态估计:得到人脸方向和眼睛注视位置。
    (5)表情识别:识别人的面部表情。

    检测人脸相对应的参数有:检测参数:年龄,胡须,表情,性别,眼镜,人种
    参考了 赵丽红《人脸检测方法综述》

    来源于:如何定位图像中的人脸位置?

    .


    **公众号“素质云笔记”定期更新博客内容:**
    ![这里写图片描述](https://img-blog.csdn.net/20180226155348545?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc2luYXRfMjY5MTczODM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

    二、人脸识别难点与传统方法介绍

    极市平台:人脸检测与识别的趋势和分析

    1、人脸识别出现的问题

    Ø 图像质量

    人脸识别系统的主要要求是期望高质量的人脸图像,而质量好的图像则在期望条件下被采集。图像质量对于提取图像特征很重要,因此,即使是最好的识别算法也会受图像质量下降的影响;

    Ø 照明问题

    同一张脸因照明变化而出现不同,照明可以彻底改变物体的外观;

    Ø 姿势变化

    从正面获取,姿势变化会产生许多照片,姿态变化难以准确识别人脸;

    Ø 面部形状/纹理随着时间推移的变化

    有可能随着时间的推移,脸的形状和纹理可能会发生变化;

    Ø 相机与人脸的距离

    如果图像是从远处拍摄的,有时从较长的距离捕获的人脸将会遭遇质量低劣和噪音的影响;

    Ø 遮挡

    用户脸部可能会遮挡,被其他人或物体(如眼镜等)遮挡,在这种情况下很难识别这些采集的脸。

    人脸尺度多变、数量冗大、姿势多样包括俯拍人脸、戴帽子口罩等的遮挡、表情夸张、化妆伪装、光照条件恶劣、分辨率低甚至连肉眼都较难区分等

    这里写图片描述

    2、人脸检测传统方法介绍:

    • 1、基于Adaboost人脸检测

    Adaboost人脸检测算法,是基于积分图、级联检测器和Adaboost算法的方法,该方法能够检测出正面人脸且检测速度快。其核心思想是自动从多个弱分类器的空间中挑选出若干个分类器,构成一个分类能力很强的强分类器。
    缺点:而在复杂背景中,AdaBoost人脸检测算法容易受到复杂环境的影响,导致检测结果并不稳定,极易将类似人脸区域误检为人脸,误检率较高。

    • 2、基于特征的方法(引用“Summary of face detection based on video”)

    基于特征的方法实质就是利用人脸的等先验知识导出的规则进行人脸检测。

    ① 边缘和形状特征:人脸及人脸器官具有典型的边缘和形状特征,如人脸轮廓、眼睑轮廓、虹膜轮廓、嘴唇轮廓等都可以近似为常见的几何单元;

    ② 纹理特征:人脸具有特定的纹理特征,纹理是在图上表现为灰度或颜色分布的某种规律性,这种规律性在不同类别的纹理中有其不同特点;

    ③ 颜色特征:人脸的皮肤颜色是人脸表面最为显著的特征之一,目前主要有RGB,HSV,YCbCr,YIQ,HIS等彩色空间模型被用来表示人脸的肤色,从而进行基于颜色信息的人脸检测方法的研究。

    • 3、 基于模板的方法

    基于模板匹配的方法的思路就是通过计算人脸模板和待检测图像之间的相关性来实现人脸检测功能的

    • 4、基于统计理论的方法

    基于统计理论的方法是指利用统计分析与机器学习的方法分别寻找人脸与非人脸样本特征,利用这些特征构建分类,使用分类进行人脸检测。它主要包括神经网络方法,支持向量机方法和隐马尔可夫模型方法。基于统计理论的方法是通过样本学习而不是根据人们的直观印象得到的表象规律,因此可以减小由于人眼观测不完整和不精确带来的错误而不得不扩大检测的范围,但是这种方法需要大量的统计特性,样本训练费时费力。

    以上也都是通过快速阅读得到的一些结论,大部分都是直接引用文章作者的语句。其中在这些方法中,都有很多改进,比如PCA+Adaboost,HMM等。

    • 5、神经网络

    现在流行了DL架构,打破了人类的极限,又将检测,识别,跟踪等技术上升到另一个高度。
    模型有:RCNN、RINN、PCA & ANN、Evolutionary Optimization of Neural Networks、Multilayer Perceptron (MLP)
    可参考论文:《Recent Advances in Face Detection》

    .


    延伸一:Facebook的DeepFace

    DeepFace是FAIR开发的一套人脸识别系统,主要应用卷积神经网络来提取人脸特征完成识别。现在Facebook用户每天上传的图片数量达到了8亿张,拥有大量的数据供机器训练与学习。

    此外,Yann LeCun还提到了一项FAIR开发的,用于检测、分割、识别单张图像中每个物体的技术,比如在一盘菜里检测、分割、并识别出西兰花来、又或是在一堆羊群里分割出每只羊,其核心流程为以下三步

    • 1、使用DeepMask这个新型框架对物体进行检测与分割,生成初始对象掩膜(Mask,相当于一个覆盖区域);
    • 2、使用SharpMask模型优化这些对象掩膜;
    • 3、使用MutiPathNet卷积网络识别每个掩膜所框定的物体。

    MutiPathNet中使用了一种新型的对象实例分割(Instance Segmentation)框架:Mask R-CNN。它是Faster R-CNN的扩展形式,能够有效地检测图像中的目标,同时还能为每个实例生成一个高质量的分割掩膜(Segmentation Mask)。
    .

    延伸二:用Dlib 人脸识别实践

    参考:40行代码的人脸识别实践

    人脸检测解决的问题是确定一张图上有木有人脸,而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。
    Dlib里面有人脸检测器,有训练好的人脸关键点检测器,也有训练好的人脸识别模型。今天我们主要目的是实现,而不是深究原理。
    girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络,获得了 ImageNet 2015 冠军,通过让网络对残差进行学习,在深度和精度上做到了比CNN 更加强大。
    .

    延伸三:用opencv检测人脸Cascade

    参考:用10行代码自己写个人脸识别程序
    github界面:https://github.com/CloudsDocker/pyFacialRecognition
    Classifer

    在机器深度学习领域,针对识别不同物体都有不同的classifier,比如有的classifier来识别洗车,还有识别飞机的classifier,有classifier来识别照片中的笑容,眼睛等等。而我们这个例子是需要去做人脸识别,因此需要一个面部识别的classifier。

    物体识别的原理

    一般来说,比如想要机器学习着去识别“人脸”,就会使用大量的样本图片来事先培训,这些图片分为两大类,positive和negative的,也就是分为包“含有人脸”的图片和“不包含人脸”的图片,这样当使用程序去一张一张的分析这些图片,然后分析判断并对这些图片“分类” (classify),即合格的图片与不合格的图片,这也就其为什么叫做 classifier , 这样学习过程中积累的"知识",比如一些判断时的到底临界值多少才能判断是positive还是negative什么的,都会存储在一个个XML文件中,这样使用这些前人经验(这里我们使用了 哈尔 分类器)来对新的图片进行‘专家判断’分析,是否是人脸或者不是人脸。

    Cascade

    这里的 Cascade是 层级分类器 的意思。为什么要 分层 呢?刚才提到在进行机器分析照片时,其实是对整个图片从上到下,从左到右,一个像素一个像素的分析,这些分析又会涉及很多的 特征分析 ,比如对于人脸分析就包含识别眼睛,嘴巴等等,一般为了提高分析的准确度都需要有成千上万个特征,这样对于每个像素要进行成千上万的分析,对于整个图片都是百万甚至千万像素,这样总体的计算量会是个天文数字。但是,科学家很聪明,就想到分级的理念,即把这些特征分层,这样分层次去验证图片,如果前面层次的特征没有通过,对于这个图片就不用判断后面的特征了。这有点像是系统架构中的 FF (Fail Fast),这样就提高了处理的速度与效率。

    import cv2,sys
    faceClassifier=cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # the HAAR cascade file, which contains the machine learned data for face detection
    objImage=cv2.imread(sys.argv[1]) # use cv2 to load image file
    cvtImage=cv2.cvtColor(objImage,cv2.COLOR_BGR2GRAY) # convert the image to gray scale
    foundFaces=faceClassifier.detectMultiScale(cvtImage,scaleFactor=1.3,minNeighbors=9,minSize=(50,50),flags = cv2.cv.CV_HAAR_SCALE_IMAGE) # to detect faces
    print(" There are {} faces in the input image".format(len(foundFaces)))
    for (x,y,w,h) in foundFaces:# to iterate each faces founded
    	cv2.rectangle(objImage,(x,y),(x+w,y+h),(0,0,255),2)
    cv2.imshow("Facial Recognition Result, click anykey of keyboard to exit", objImage) #show the image
    cv2.waitKey(0)
    

    延伸四:自编码器进行人脸数据降维

    参考实验楼实验:自编码器进行人脸数据降维
    虽然目前深度学习取得了非常不错的成果,但是由于网络结构复杂,训练非常耗时。而且目前要进行深度学习的分类训练需要大量的带标记数据,对这些数据进行标记是非常耗时耗人力的。因此我们可用无监督学习利用无标记数据提取特征,并且利用无标记数据基于无监督学习对数据进行降维后,结合有标记数据基于有监督学习进行分类训练,实现人脸识别,图像分类等任务。

    神经网络由两部分组成,第一部分为自编码器训练完毕后的编码部分,第二部分为有监督训练单层网络,在基于无监督学习的自编码器实现中我们已经详细地介绍过自编码器的原理,这里我们将运用其作为对人脸进行数据降维,再结合有监督学习结合有标记数据进行分类训练。

    自编码器结构:

    这里写图片描述

    .
    延伸五:利用opencv的CascadeClassifier

    7行Python的人脸识别

    import cv2
    
    face_patterns = cv2.CascadeClassifier('/usr/local/opt/opencv3/share/OpenCV/haarcascades/haarcascade_frontalface_default.xml')
    
    sample_image = cv2.imread('/Users/abel/201612.jpg')
    
    faces = face_patterns.detectMultiScale(sample_image,scaleFactor=1.1,minNeighbors=5,minSize=(100, 100))
    
    for (x, y, w, h) in faces:
        cv2.rectangle(sample_image, (x, y), (x+w, y+h), (0, 255, 0), 2)
    
    cv2.imwrite('/Users/abel/201612_detected.png', sample_image);
    
    • 第1行 引入 OpenCV

    开源是伟大的,使我们视野更开阔,而且不用重复造轮子。这里没有用PIL,再结合特定算法,而是直接使用了OpenCV(http://opencv.org)。OpenCV是一个基于BSD许可发行的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上,轻量而且高效,用C/C++编写,同时提供了Python、Ruby、MATLAB等接口,实现了图像处理和计算机视觉方面的很多通用算法。

    • 第2行 加载分类器 cv2.CascadeClassifier

    CascadeClassifier是Opencv中做人脸检测时候的一个级联分类器,该类中封装的是目标检测机制即滑动窗口机制+级联分类器的方式。数据结构包括Data和FeatureEvaluator两个主要部分。Data中存储的是从训练获得的xml文件中载入的分类器数据;而FeatureEvaluator中是关于特征的载入、存储和计算。这里采用的训练文件是OpenCV中默认提供的haarcascadefrontalfacedefault.xml。至于Haar,LBP的具体原理,可以参考opencv的相关文档,简单地,可以理解为人脸的特征数据。

    • 第3行 加载目标图片 imread

    人脸识别系统一般分为:人脸图像采集、人脸图像预处理、人脸图像特征提取以及匹配与识别。 简化起见,之间读入图片,这是一张去年中生代北京闭门会的集体照。

    • 第4行 多尺度检测 detectMultiScale

    调用 CascadeClassifier 中的调detectMultiScale函数进行多尺度检测,多尺度检测中会调用单尺度的方法detectSingleScale。 参数说明:

    scaleFactor 是 图像的缩放因子
    minNeighbors 为每一个级联矩形应该保留的邻近个数,可以理解为一个人周边有几个人脸
    minSize 是检测窗口的大小
    这些参数都是可以针对图片进行调整的,处理结果返回一个人脸的矩形对象列表。

    • 第5行 和 第6行 为每个人脸画一个框

    循环读取人脸的矩形对象列表,获得人脸矩形的坐标和宽高, 然后在原图片中画出该矩形框,调用的是OpenCV的rectangle 方法,其中矩形框的颜色等是可调整的。

    • 第7行 保存检测后的结果

    万事具备了,调用imwrite,将检测后的结果保存到指定的位置。
    .
    延伸六:高效处理框架(人脸检测识别/关键帧/图片搜索等)

    Scanner: Efficient Video Analysis at Scale
    github地址:https://github.com/scanner-research/scanner
    视频中人脸识别、高效,而且开源
    .
    延伸七:人脸识别 + 手机推送,从此不再害怕老板背后偷袭!

    BossComing 项目地址:fendouai/BossComing

    技术介绍

    人脸识别技术

    face_recognition
    The world's simplest facial recognition api for Python and the command line
    ageitgey/face_recognition
    

    手机推送技术

    jpush-api-python-client
    JPush's officially supported Python client library for accessing JPush APIs.
    jpush/jpush-api-python-client
    

    依赖安装

    pip install face_recognition
    pip install jpush
    

    这里写图片描述

    python bosscoming.py
    

    体验人脸识别部分命令:

    python bosswatching.py
    

    打开电脑上摄像头,开始捕捉画面。然后调整角度,对准需要观察的位置。

    .

    延伸八:微动作模式(MAP)表达学习

    来源文章《深层网络面部表情的特征学习》
    面部动作编码(FACS)理论的关键成分是一个观察到的表情可以被分解成若干个局部外观的变化。为了学习高层表情具体特征,应该先编码这些后续使用的局部变化。考虑到AU的局部性,我们从所有的训练表情图像中密集采样大量的小块(即MAP原型),去共同表达由面部表情引起的所有局部变化。
    这里写图片描述

    提出了自动学习:
    (1)可提供信息的局部外观变化;
    (2)优化方法去结合局部变化;
    (3)最后表情识别的高层表达。

    所提出的AUDN由三个连续的模块组成,主要为微动作模式(MAP)表达学习、感受野构造和group-wise子网络学习。实验最后选择在CK+、MNI和SFEW三个表情数据库进行,学习的特征通过采用线性分类器,在所有数据库中都到达了优异的结果且验证了AUDN的有效性。
    .


    延伸九:深度卷积网络迁移学习的脸部表情识别

    基本数据库:
    主要根据四个面部表情数据库(CK+,JAFFE,KDEF和Pain expressionsform PICS)建立了一个面部表情数据库含有七个基本情绪状态和2062个不平衡样本。

    模型connets
    深度ConvNets由四个卷积层和最大池化层去特征提取,全连接的高层特征层和Softmax输出层预测识别类,具体如图1所示。
    这里写图片描述

    每一层的特征数量在减少,最后将高层特征层固定在120个特征,其可表达丰富的人脸信息。最后一个Softmax输出层全连接的高层特征预测1580个识别类。

    .


    延伸十:基于mtcnn和facenet的实时人脸检测与识别系统开发

    来源知乎
    文章的主要内容为:

    • 2,采用opencv2实现从摄像头读取视频帧;
    • 3,对读取的视频帧采用mtcnn方法,检测人脸;
    • 4,采用预训练的facenet对检测的人脸进行embedding,embedding成128维度的特征;
    • 5,对人脸embedding特征采用knn进行分类,实现人脸识别;
    • 6,结果与改进;
      其中截取感兴趣的一部分:

    facenet embedding
    Facenet是谷歌研发的人脸识别系统,该系统是基于百万级人脸数据训练的深度卷积神经网络,可以将人脸图像embedding(映射)成128维度的特征向量。以该向量为特征,采用knn或者svm等机器学习方法实现人脸识别。

    对人脸进行embedding后,得到128维度的特征向量 。

    其中faceNet的github(with Tensorflow r1.0):https://github.com/davidsandberg/facenet

    展开全文
  • 无铅焊接理论与实践均属于锡焊技术的领域,仅是有铅转向无铅的过程,目前无铅焊料的标准体系,锡银铜已成为共识,但其熔点仍偏高,对锡银铋铟以及锡铋、锡锌焊料将成为人们关注的热点和方向。由于无铅焊接液相温度...
  • PaaS作为一个综合性的平台,在以”容器+编排引擎”的基础上有诸多关键技术点和难点,本次主要以开源框架和一些市场产品为依托,主要讲述关键点的实现 1. 容器技术的选择:容器技术是整个平台的基石,犹如...

    最近几年很多公司实现了从VMware等传统虚拟化到IaaS的转型,很多公司正在或者已经建立PaaS平台。那么从项目研发角度看,PaaS产品的系统功能应该主要涵盖哪些,又该如何更好的为应用研发人员服务呢?本文由云计算专家bryan根据社区活动中的分享交流所整理。


    一.PaaS建设的意义何在,能够给企业带来哪些价值?


    1.实现应用运行环境的标准化,提升交付速度:通过容器的镜像技术保证开发测试和生产等诸多标准化,避免因应用运行环境不一致带来的各种故障和问题,同时,通过服务编排实现运行环境的自动化运维和快速交付,避免传统方式的应用系统运行复杂、交付周期较长等问题;

    2.实现运维过程的高度自动化,降低运维成本:PaaS平台提供多种自动化运维工具管理应用集群系统,比如智能负载可以实时观测集群节点的变化并智能修改路由配置,自动伸缩可以实现不同业务负载下集群规模的自动调整等,多种管理功能的自动化减少人工运维工作量,节省运维成本;

    3.有效提升基础资源的管理水平和硬件利用效率:PaaS平台资源的容器是基于操作系统的虚拟化,与IaaS基础环境实现解耦,平台自身的实现多数是应用较广的开发框架和标准API,能够有效提升资源管理水平,有效避免厂商绑定;同时,合理调整单个操作系统之上容器密度的有效部署,可以更好提升资源使用率,降低硬件采购成本;

    4.有效实现软件研发的技术路径统一和把控研发质量:通过运行环境的标准化可真正做到全公司技术路线的精细把控,做到统一不同项目组的技术研发路线,通过部署工具的统一可以做到CI/CD思想的有效落地实施,有效提升软件研发过程的质量把控水平;

    5.有效提升公司IT架构治理:相较于传统开发运维各司其职的模式,PaaS能有效实现devops思维的落地实施,推动企业IT流程和人员架构的企业治理,更好的提升IT部门各个研发团队的整体技术水平,从而更好的响应业务需求。


    二. PaaS的主要技术有哪些?企业如何进行建设?


    PaaS主要以容器云形式实现,容器云依赖容器基础技术,目前常见的有Docker和garden两种类型,其中BAT、京东、华为和网易等互联网公司,还有一些大型商业银行更多的选择docker技术,当然也不乏garden成功案例,但较之docker案例相对较少。

    独木难成林,容器要云化形式提供服务,必须以多个容器形成集群的方式,此时如何管理和调度集群是一个重要的任务,这个任务由编排引擎进行实现,目前比较流行的有kubernetes、swarm等。因此“容器技术+编排引擎”构成了容器云最初始的框架,当然要达到企业级应用还需要做更多企业级的功能,所以就出现了诸如openshift、阿里飞天、华为等各种以开源软件为基础构建的多种产品。

    那么企业在建设云的过程中需要考虑几个问题:

    1)容器技术的选择:尽量选择市场比较流行的开源社区和生态发展比较完善的技术,编排引擎的框架选择遵循同样道理;

    2)建设模式:一种方式是购买产品进行企业落地化定制化,一种方式是基于开源框架自研,两种方式各有优劣,需要结合企业自身特点进行总体考虑;

    3)建设规划:PaaS的建设涵盖很多方面,甚至需要企业流程和企业IT架构的梳理和调整,因此对大中型企业来讲不可能一蹴而就,需要一个循序渐进的过程,这也与企业发展和自身技术特点有关系


    三. 容器云的负载均衡如何选择?


    负载均衡有硬件F5和软件HAProxy、nginx等。F5的特点是价格贵、性能好,一般在物理机和虚拟机化时间做LB;nginx是一款HTTP服务器和反向代理服务器,可以提供7层负载均衡能力,主要应用场景有web服务器、反向代理、负载均衡等

    HAProxy是一款专业的负载均衡软件,可提供4/7层负载均衡,比nginx负载均衡性能好,并发上也优于nginx。负载均衡的选择需要和企业自身特点和具体业务场景相关联,在PaaS的企业级产品中更多的选择HAproxy


    四. PaaS的日志和监控如何进行处理?


    PaaS平台的日志和监控和传统架构的管理方式没有本质区别。日志的获取或采用安装agent、或采用工具导出,业界已经都有很多成熟的产品和案例可以借鉴;监控分两部分,先要解决“监”的问题,同样也需要利用工具抓取信息,然后解决“控”,要么利用自动化运维的模式,要么采用手工的模式,目的其实一样,区别在于成本控制。

    PaaS可以从系统、网络、服务、应用监控4个层面入手:

    1.系统主要指底层基础资源,如磁盘、CPU、硬件或IaaS等基础资源

    2.网络一般采用SDN的方式实现,监控比较复杂,主要有连通性、流量、7层状态码等

    3.服务主要是指PaaS中的各种中间件服务服务,比如数据库服务、缓存服务、web应用服务等

    4.应用监控是最上层的也是非常重要的,比如应用服务质量、响应时间、请求成功率等


    五. PaaS如何更好的实现CI/CD,实现应用敏捷开发


    PaaS平台的一个核心理念是为应用提供各种基础中间件服务和进行应用集群的管理。devops是一种贯彻项目研发全生命周期的软件研发理论,打破传统的研发部门和运维部门泾渭分明的现象,尽量实现团队将研发和运维进行统一结合的模式,这种理念落地实施需要借助一定工具。CI是持续集成,可以实现代码自动化的静态检查、动态检查、安全检查和单元测试、集成测试等功能,从而实现代码的尽快尽早集成,减少后期发现问题的概率、降低项目风险;CD是持续部署或者持续发布,这种持续部署采用自动化工具,能够有效提高系统环境的部署效率和升级更新时业务的连续性。

    jenkins可视作一个平台,在这个平台中一方面可以用户定制各种插件,一方面可以将所有的工作以流程化的形式(pipeline)串联起来。这样可以将CI/CD的思维通过jenkins的落地实施来贯彻执行,同时CI/CD有多种自动化管理功能,而PaaS中的相关系统部署或者更新升级或者项目研发过程使用的环境都可以自动化,于是二者可以很好的进行关联。

    Devops理念的落地实现,可通过jinkins中配置自动化的CI/CD流程,更好的与PaaS进行深度集成,从而提高软件研发效率和软件研发质量。详情可以参考链接


    六. PaaS的研究过程中有哪些关键技术点和难点,一般市场是如何选择的?


    PaaS作为一个综合性的平台,在以”容器+编排引擎”的基础上有诸多关键技术点和难点,本次主要以开源框架和一些市场产品为依托,主要讲述关键点的实现

    1.容器技术的选择:容器技术是整个平台的基石,犹如开发web需要选择开发语言一样,目前有docker和garden两种主流技术,自研技术选择时尽量选择技术相对成熟、企业应用案例相对较多、技术生态圈发展更多的技术,一般建议选择docker,如果华为的PaaS产品初期选择garden,目前也已转向了docker,docker已经成为一种事实上的标准。

    2.编排引擎的选择:编排引擎的选择一般会依赖容器技术路线的选择,比如docker容器可以选择kubernetes、swarm等框架,garden可以选择cloud foundry,并且仅此选择。在BAT、华为、京东等互联网公司中,选择docker系的产品更多的选择了kubernetes,或许源于此框架出自google大家之手

    3.元数据存储的框架选择:由于整个PaaS的元数据需要一个高可用的存储结构,以便用作服务发现或共享元数据配置的相关元数据信息。基于zookeeper的性能和复杂性等问题考虑,更多的选择etcd框架进行使用,openshift、阿里等产品均采用了此框架

    4.PaaS容器网络的选择:容器的网络隔离是PaaS资源隔离的一个重要组成部分,每个容器的网络多采用内部SDN网络,SDN网络的实现技术各不相同,一般主要考虑因素是网络的性能和网络变化的灵活性等因素。开源kubernetes采用flannel框架,openshift的产品中考虑到网络性能等采用了open vswitch,京东在经过各种研究后采用了基于BGP路由方式的Calico

    5.CI/CD的工具选择:随着最近几年微软对docker技术的支持力度加大,各种产品,比如window server 2016、TFS等逐渐实现对docker的支持。TFS(team foundation server)的产品定位与jenkins类似。所以在CI/CD的技术落地过程中可以选择TFS或者jenkins,不过大家更广发的采用jenkins,并且有研发能力的均对其进行一定程度的插件研发和定制

    6.日志框架的选择:在集群环境中如何管理不同节点的日志是一个重要的问题,并且目前有一套成熟的解决方案。ElasticSearch+Logstash+Kinana(ELK)已成为一种通用解决方案

    7.负载均衡的选择:负载均衡需要在容器集群的容器成员发生变化时能够自动感知和自动修改路由策略,硬件F5和软负载HAProxy、Nginx均可做负载均衡,鉴于HAProxy的灵活性,更多的产品或者企业落地均选择了HAProxy

    8.域名的使用:容器集群中的某个应用可以视作一个对外提供的服务,如果采用IP,一方面不方便记忆,一方面IP有可能改变,因此PaaS产品多采用泛域名的形式,将对外提供服务的IP地址和域名关联对应,然后再提供一个route记录对外提供服务的IP地址(frontend)和内部集群IP地址(backend),这样就可以实现从外部域名到内部集群IP地址的访问。

    PaaS平台的建设是一个长期的过程,需要不断持续的进行迭代优化,并且随着在PaaS之上运行应用系统的增多和使用经验的不断丰富,对PaaS平台会有更多深入的认知和体会。因此我们也希望论坛上从事这块研究和实践的朋友能够更多的进行技术交流,从而加深技术了解,让PaaS在企业内部更好的发挥其价值和优势。

    展开全文
  • 视频通信关键技术探索及实践

    千次阅读 2021-11-10 14:28:59
    我们会针对四个演讲专题逐一进行介绍分享,本期是我们的第二期,视频通信关键技术探索及实践。 嘉宾介绍:韩庆瑞,网易云信音视频实验室,高级技术专家。 前言 无论在娱乐社交、线上学习,还是远程银行等...

    导读:2021年10月21日,「QCon 全球软件开发大会」在上海举办,网易智企技术 VP 陈功作为出品人发起了「AI 时代下的融合通信技术」专场,邀请到多位技术专家与大家一起分享相关技术话题。

    我们会针对四个演讲专题逐一进行介绍与分享,本期是我们的第二期,视频通信关键技术探索及实践。

    嘉宾介绍:韩庆瑞,网易云信音视频实验室,高级技术专家。

     

    前言

    无论在娱乐社交线上学习,还是远程银行等生活场景中,视频都已成为最重要的互动方式之一,用户对于视频效果也提出越来越高的要求。延时低,弱网对抗能力强,视频画质清晰等也让企业面临很高的技术挑战。

    作为融合通信云服务专家,网易云信的业务覆盖了主要的视频场景,包括低延时的实时音视频场景,允许部分延时的直播场景和不强调延时的点播场景,本文介绍了网易云信视频在各个场景下的关键技术和应用尝试

    网易云信视频技术部署

    下图为网易云信整个融合通信的主网图。左边和右边是端侧的设备,可以接入任何设备,手机、pad、PC、web 等。中心这部分是服务器,其中有编译的转发服务器还有 MCU 服务器,如果牵涉到一定时延会转推到互动直播的服务器。云信的视频技术在 RTC 场景下主要部署在端侧,如果是是直播点播的业务,云信主要提供直播转推部署的视频转码服务。

    RTC 场景的视频技术 

    下面介绍网易云信在 RTC 场景下面的视频技术,主要分为三点。

     

    新一代的音视频 SDK 架构 

    下图是网易云信的音视频 SDK 架构图。去年年底,网易云信发布了新一代的音视频 SDK——G2。在这个 SDK 架构里面分为五层,其中媒体引擎层是核心所在地,主要分为三个视频引擎,视频、音频和传播引擎

     

     网易云信视频引擎架构和应用场景 

    下图是云信的一个视频引擎的架构。主要分为五大模块,视频前处理视频编码视频 QoE视频解码视频后处理。从采集端输入,云信支持的业务主要是分为两种,一种是从摄像头采集的真实的画面,另一种是从屏幕分享采集的画面。采集的画面会先送入视频前处理,云信业务分布在全球,有各种设备,有一些低端设备也有一些入门级的设备,由于摄像头的原因导致采集的画面变差,为了提升和恢复这样的画质,视频前处理完成了画质处理后进入编码压缩,会传送给网络。

    由于各种网络的影响,我们会有一个视频 QoE 模块,保证云信用户都有一个完美的视频体验。经过网络传输到了对端之后进行解码,做一个后处理。后处理主要为了减轻或者提升由于网络压缩传输带来的画质的损失

    下图是视频引擎的应用场景,云信的视频场景分为4种,一种是实时通信应用场景,一种是低延时的应用场景,还有视频会议相关的互动直播类的场景以及互动教学类低延时的直播场景。

     

     

    视频引擎的关键技术 

    视频前处理

    视频前处理主要是为了提升实时视频端到端的视频效果。网易云信全球化的业务中,各种各样的设备都会接入,我们需要这样的视频前处理来提升画质。

    • 视频 AI 增强

    这种技术是比较古老的技术,很多年前就开始研究了。随着 AI 技术深度学习的进步,视频增强技术有了极大的提升。但是深度学习或者是 AI,运算量太大,云信的业务遍布全球,各种设备都会接入,尤其是移动端,像印度市场,东南亚市场中入门级设备比较多。

    这些移动端对功耗性能都非常敏感,稍微大一点的运算量,功耗和电量就会掉得很快,这导致出现了大模型,一个比较好的深度学习模型就很难在这些场景下落地。如果采用一些小模型,效果又不能得到保证。

    我们的业务是通信业务,需要传到对端去。单纯增强也许效果好,但传到对端效果不一定好。经过解码后的图像,虽然有增强效果,但它的块效应比没有增强的更严重,在本端表现可能比较好,但是高频分量变多,结果导致了压缩率过高,损失过大。

    云信通过两个方法来解决以上问题。一是训练易过拟合,另一个是增强后主观可能变差。

    首先有一个场景识别模块,可以识别出一些文字区域的内容运动场景游戏场景,针对每种不同的场景会有不同的模型。比如说游戏场景是一种模型,文字场景是一种模型,也许是同样的模型但是可能参数不一样,这样可以保证运算能力足够,同时效果也不错。

    我们的模型是采用的是小模型。前面提到模型不能太小,太小了表达能力不好,因此我们的模型是一种“轻量级模型”,参数量是1-2K,实际上达不到这种小模型效果,因为业界的很多小模型参数不到1K,可能只有几百,它的网络程度是三到四层。因为我们有自研的高效的推理框架 NENN。它和开源的推理框架相比,小模型做了独有的优化,保证小模型的速度比其他开源框架速度快得多。

    • 视频降噪

    由于有的设备或者摄像头在暗场景下噪声比较多,需要高频噪声消除掉不必要的 bit。如果进行降噪,有利于编码有利于传输有利于提高主观质量

    在 RTC 场景中降噪是一样的,移动端业务居多,很多地区是入门级的设备,对性能功耗非常敏感,复杂功耗无法使用的,速度快的算法,效果又不好。如果采用不合适的降噪可能不仅把噪声抹除掉了,也可能把有用的高频分量减少,这样对整个视频质量会带来不好的影响。

    网易云信在关注这个问题时,我们是从人眼主观的感觉来考虑的。从人眼主观来说,人眼观看是有区别的,一些场景下人眼的分辨率很高,分辨出很多高频系数。另一些场景中,人眼分辨率很低分辨率会急剧下降

    网易云信采用了人眼敏感性分析方法,能够提取出像素级图像中的人眼敏感区域,我们宁愿将降噪的系数降低,宁愿放过一些噪声,也不愿意牺牲掉高频系数。即使放掉了,人眼也感觉不出来,我们也有一个非常简单但非常高效噪声估计算法,这样的两种方法产生了一个权重值,因此视频速度会很快,而且效果也不错。

     

     

    视频编解码

    云信的视频编码支持主流编码器,包括应用最广泛的264265,还有基于对 RTC 的深刻理解,开发了自研的编码器,叫 NE264CC。

     

    云信编码器的速度非常快,我们的质量可以提升50%,跟265相比,我们编码速度可以快60倍。下图是我们自研的 NE264,这是一个非常优秀的协议,在行业界存在了20年,经久不衰,它也是目前覆盖最多的一种实时通信协议。云信在264基础上面研发了 NE264编码器,有快速模式决策高效亚像素搜索自适应参考帧、 CBR 码控

    从下图中可以看到和 openh264、X264的编码器以及 iphone 的编码器相比,在编码速度编码质量方面云信都是领先的。同时可能会忽略的码率波动性,对于 RTC 来说,视频质量速度是一方面,还有一个很重要的方面就是码率的波动性。对于 RTC 严格的低延时场景来说,码率一波动就会带来画面抖动,分辨率降低,在这里面 NE264的码率波动性也是最小的。

     下图是与 X264-ultrafast 的比较,这是最快的一种模式,我们的速度比它降低了25%左右,但是我们的压缩率比它提升了接近50%,如果同样的质量,X264用一兆带宽,我们只需要500,这是基本图像的优化。

    针对屏幕共享的压缩优化,业界有很多非常好的方案,比如说 H265+SCCAV1H264+SCC,这些都是一些非常好的想法。

    网易云信在思考这个问题时,我们认为对于 RTC 场景来说,264是使用最广泛的协议,作为一种轻量级的协议,开销非常小。264这种协议对成本来说是最小的。

    另一方面,即使我们不改变协议不增加工具,仅仅对编码器进行优化,屏幕共享这种内容本身对于编码端有很多可以挖掘的空间,我们基于264的协议,通过深挖屏幕共享的改进,来提升效果。下面是我们的成果一些成果,加与不加屏幕共享编码算法,在屏幕共享场景下,我们的压缩率提升了36.72%,同时我们速度只慢了3%-4%。可以看到我们的压缩率比 openh264提升了41%,速度基本不变。

     

    再来看一下自研的 NE265,目前也在持续不断的迭代中。NE265的特点是高效架构可实现的设计。对于计算复杂性的一些算法都进行了非常精细的3D 优化。了解编码器的都知道 veryslow 那一档,我们速度比它快64倍,这还不是最快的档位,最快的要比它快200倍以上。

    264和265也进行了比较,我们和 faster 这个档位进行了比较,265主要的缺点是速度慢。可以看到和X264 faster 这个档位比快了近30%,同时压缩率平均提升34.78%。这些测试序列用了官方标准测试序列以及云信 RTC 业务相关的测试序列和社交娱乐的测试序列。

    基于对 RTC 和音视频通信的深刻理解,我们发明了 NEVC多尺度的视频压缩技术。相比 NE265,速度基本不变,但是压缩率提升了,右边的纹理提升得比较清楚,左边的纹理基本上模糊掉了。我们讲完了视频编码之后,码就应该被压缩了,应该送到网络去了。网络对 RTC 来说是最复杂的,尤其是在全球化的业务中,有各种不同的网络存在。如何保证在多网络、复杂的网络环境下面,视频质量还能最佳,我们有一个视频 QoE 的模块来支撑。视频 QoE 模块将从视频的流畅度清晰度质量平稳度时延性能功耗五个方面来进行保证。 

     

    视频QoE

    • 视频质量控制模块

    视频质量控制从视频的流畅度清晰度质量平稳度三个维度来解读。经过采集、前处理、编码发送,最后传给了网络,这里的网络可能有各种不同的网络存在,比如有些带宽很低的网络,有些有持续丢包的网络,或一些比较抖动的网络。

    每种不同的网络不可能用一种分辨率一种帧率一种码率来传输,这可能产生不同的很差的效果。我们这里视频质量控制模块 VQC,它会首先接收从网络 QoS 评估出来的一个网络带宽网络有效带宽,根据这个带宽分配合适的视频分辨率视频帧率设置编码器,达到最合适的视频质量,同时图像在各种不同的网络中,有的是噪声比较大的网络,有的是暗场景的网络,对于 VQC 的模块会进行采集信息,会决定打开或者关闭哪些视频算法开关,或者调整视频参数增强或降噪,还有编码的一些算法。

    • 设备控制模块

    云信的业务遍布全球,有各种不同的网络存在,比如亚非拉地区、印度以及东南亚的极端不好的网络,当然也包括欧美的,国内的网络是比较好的。另外一点是终端平台的种类众多,有高端手机,有低端手机有 PC 和平板,云信的设备控制模块根据不同的网络特点根据不同区域来设置视频的算法,同时根据设备的平台种类来设置我们的算法


    比如对一些差的设备低分辨率,低帧率;对比较好的设备会用高帧率,用先进的算法

    在实际过程中由于网络不是一成不变的,还有设备的状态、GPU 的占用率等影响因素,设备控制模块通过实时监测的数据来实时对算法进行调整,达到最优。

     

     视频解码 

    QoE 讲完之后,码流传到了接收端进行视频解码。云信视频解码的特点是非常高效且几乎支持所有的视频格式,互联互通是没有问题的。

     视频后处理 

    视频后处理通过视频屏幕内容优化频超分优化,恢复和改善视频画质。云信的视频超分,网络参数量是2K-4K,网络层数小于8,我们有自研的 AI 推理引擎,进行独有的优化,速度非常快,同时我们会加速,对于超分的效果有针对的数据集处理,利用苹果或者变焦的手机,对不同焦段的数据进行采集,进行真实的数据训练,同时也会用一些数据的预处理增强来确定效果,主要优势还是高效和快速


    下图的表中,前三个是传统的处理耗时,这是我们自研的超分,这是一个比较著名的轻量级的网络,从处理耗时来看,云信 AI 的耗时比以 AI 著名的轻量级网络快了30多倍;从效果来看,云信 AI 超分的视频质量远远超过了非 AI 的效果,和经典的效果相差极其微小,基本上看不出差别。

     

     

    其次是桌面共享优化,对于桌面屏幕共享不止有264的编码做了后处理,针对文字场景的优化,对于深度学习来说,屏幕共享最大的难点是它的分辨率一般是很大的云信有高精度的文字识别功能,对解读出的文字进行增强,同时我们自研的推理框架 NENN 也会保持这种速度,这就是文字增强效果

    直播点播业务视频技术

     直播点播的架构 

    前面介绍了编译服务器,基本上是 RTC 低延时的线路,如果直播就走直播点播的短推服务器,可以通过 CTO 下达。

    直播点播的链路是从客户端经过推流到边缘媒体服务器再转推到直播转码再转到 CDN


    这个链路有两个问题,一个是设备上传时,它的画质存在损失,是压缩过的,有可能摄像头采集本身就有问题,也会带来损失。第二个是转码之后,经过 CDN 分发时,转码非常高

    为了解决以上两个问题,云信提出了智码超清技术。首先利用深度学习视频修复技术对转码前的视频进行修复或增强,再基于人眼感知的编码技术在视频主观质量不下降情况下节省码率

    图像首先经过视频修复模块,对视频进行了修复或增强或美化,再进行感知编码,感知编码会分析视频内容,前置一个视频分析模块。

     智码超清技术架构 

    视频修复技术

    视频修复在业界是一种比较难的技术,由于退化模型多种多样,视频退化有非常多的原因,比如由于摄像头噪声的影响,压缩上的损失,摄像头本身不好造成的过曝欠曝,也有可能是对焦没对好等。

    云信用了一种画质评估算法,通过深入学习算法,得出这个视频的退化模型是什么。针对不同的退化模型用不同的恢复方法。如果是噪声,我们会用视频降噪的方法;如果是模糊,会用去模糊的方法;如果纹理不好,会用纹理增强的方法,还有画面矫正等。通过评估再进行修复,能够美化或者提升视频的主观效果。

    视频感知编码技术

    修复之后,就会进行编码。云信的感知编码采用了 JND 这种技术,用人眼最小可察觉的误差来度量人眼对图像中不同区域失真的敏感性

    JND 是一种提出比较多的技术。从下图可以看出,客观的失真是连续的曲线,人眼是一个阶梯状,有冗余的地方可以优化,节省码率,同时主观下降。

    JND 是一种比较传统的方法,但传统 JND 编码是一种以图像低层特征为主的方法,比如纹理、边缘、亮度、颜色

    云信 JND 和其他不同的是加入了视频内容分析。比如上图中,我们会进行视频分析,分析出这个图像的前景、人脸、文字等信息,针对不同的信息再单独构造出 JND,来达到节省码流的目的,经过这样的流程会输出前景、文字、人脸,每种特性都有 JND 的共识,得出 JND 的系数进行编码。

    下图是智码超清的测试结果,蓝色代表的是云信,其他颜色是业界友商的。左边是人眼主观的得分,因此越高越好,而压缩后文件大小显然是越低越好

     

     

    网易云信娱乐社交行业线视频技术

    这是网易云信的重点投入和产出。

     美颜技术 

    云信的美颜技术,提供了磨皮、美白、大眼等26种功能,50款以上的滤镜,年龄、性别、视线识别跟踪,支持2D、3D 贴纸,这些业界都有,但我们的特点是能够在美颜质量下高效的处理速度,这是我们核心的竞争优势。

    对720P 的视频进行美颜、磨皮、美白、瘦脸等的开销,在骁龙处理器上面,云信的基础美颜可以达到30,对于我们的海外市场,尤其是在印度、东南亚这样的市场,在入门级机型遍布的情况下,这是非常有竞争力的,整个视频体验是完全不一样的。

     

    背景分割技术 

    云信背景分割技术,采用了大量的数据集。我们精度比较高,iou 达到0.93,鲁棒性比较好,推理速度比较快,小于10毫秒。下图是我们的精度和业界的友商对比,精度越高越好

     

     

    落地实践

    技术讲完了,可以具体看看网易云信的落地实践。网易云信的视频引擎,已经服务了全球10000+以上的用户。

    既接入了 SDK 也接入了视频引擎的用户,比如LOOK直播,网易云音乐在线 KTV,网易会议,还有网易内部的 POPO 等,其中还包括一些第三方基于会议组件的厂商。

    网易新闻的直播点播应用,有云音乐大型演唱会都是使用了网易云信的直播点播功能,比如去年非常著名的破纪录人数的演唱会,也是用了云信的视频引擎,后续我们也会持续的在技术领域深耕下去,为大家带来更多更好的产品。

    展开全文
  • 秒开H5
  • 本书以C++语法和VC++6.0MFC类库编程的重点与难点内容为主线,从实践应用的角度,结合经典的实例阐述C++类的特性,深入剖析VC++,特别是MFC编程的体系结构,使有初级基础的读者能够快速掌握VC++的MFC程序设计思想和...
  • 如果按照一定的步骤并且找出难点,事先对这些难点加以处理,能够收到事半功倍的效果。下面根据实际工作中的经验,谈谈实际开发中必经的几个步骤和可能遇到的难点的处理。
  • 8.4 高清摄像机的关键技术 241 8.4.1 高清配套镜头 242 8.4.2 图像传感器 242 8.4.3 图像灵敏度问题 242 8.4.4 编码压缩算法 242 8.4.5 高清信号传输 243 8.4.6 视频管理平台支持 243 8.4.7 高清信号...
  • 8.4 高清摄像机的关键技术 241 8.4.1 高清配套镜头 242 8.4.2 图像传感器 242 8.4.3 图像灵敏度问题 242 8.4.4 编码压缩算法 242 8.4.5 高清信号传输 243 8.4.6 视频管理平台支持 243 8.4.7 高清信号...
  • 4.1.7 dvr的关键技术 96 4.1.8 dvr术语介绍 96 4.2 dvr软硬件构成 97 4.2.1 嵌入式dvr 97 4.2.2 pc式dvr 100 4.2.3 嵌入式对比pc式dvr 101 4.3 dvr软件功能 102 4.3.1 设备配置及管理 103 4.3.2 录像管理 ...
  • Part3:关键技术与实践难点 Part4:研究成果应用 Part5:相关建议和结论 ... ... ... 关键词:书籍、学位帽PowerPoint背景图片,实用毕业论文答辩PPT模板,蓝色灰色搭配扁平化幻灯片图表,.PPTX格式;
  • 深度学习的应用与实践

    千次阅读 2020-01-08 11:06:17
    深度学习中将声音转化为比特的目的类似于在计算机视觉中处理图像数据一样,转换为特征向量,图像处理不太一样的是需要对波(声音的形式)进行采样,采样的方式,采样点的个数和坐标也是关键信息,然后对这些数字...
  • 输电线路施工课程课堂教学改革与实践.docx
  • 桔妹导读:滴滴导航是滴滴出行旗下基于丰富的交通大数据和领先的算法策略,面向网约车及自驾场景而打造的一款技术领先的地图产品。伴随着海量网约车司机每日8小时+的导航使用,产品积累了大量的反馈...
  • 通过采用理论研究和现场...工作面对接的关键技术是支架的间隙不能太大,运输机能够顺利合茬,难点是设备的准确快速对接。本文以王坡煤矿3205工作面为工程背景,采用理论分析现场实践的方法研究综采工作面快速对接技术。
  • 占、阐述采用收益还原法评估地下商城他项权利价格过程中有关客观收益、房屋纯收益、还原利率等估价参数确定等关键技术难点.作者以某市中心商务区地下超市为例,详细介绍了应用收益还原法评估其他项权利价格的主要...
  • 中国电信股份有限公司上海分公司通过建设城市光网智能化运维支撑平台,建立了标准接口规范,突破了ODN故障定位的技术难点,实现了跨系统协同的服务前移,提升了城市光网服务质量。本文描述了平台开发思路、系统架构...
  • PaaS作为一个综合性的平台,在以」容器+编排引擎」的基础上有诸多关键技术点和难点,本次主要以开源框架和一些市场产品为依托,主要讲述关键点的实现 1.容器技术的选择:容器技术是整个平台的基石,犹如开发web需要...
  • 大数据平台建设关键技术

    千次阅读 2021-02-22 16:16:19
    平台关键技术设计 架构风格 云计算 Google在2006年率先提出“云计算”的概念。所谓“云计算”,是一种大规模的分布式模型,通过网络将抽象的、可伸缩的、便于管理的数据能源、服务、存储方式等传递给终端用户。...
  • 请参见:https://handsome-man.blog.csdn.net/article/details/108749135
  • 3.关键技术与实践难点 4.研究成果应用 5.相关建议及论文总结 ... ... ... 如果您正在为毕业论文答辩寻找PPT模板,那么这份会为您的答辩锦上添花。 关键词:粉笔手绘幻灯片模板,黑板背景毕业论文答辩PPT模板。....
  • Photo by Lukas from Pexels语音技术的进步,让机器合成的声音不再顿挫、冰冷,在自然度和可懂度等方面取得了不错的成绩,但当前合成效果在合成音的表现力上,特别是语气和...
  • 物联网技术在智慧城市建设应用中的难点与疑点本文由本人发表《中国安防》第141期-2017年7月刊智慧城市栏目徐建明@佳都科技18971024137Xujianming@pcitech.com一、 引言“物联网”概念首先由美国麻省理工学院(MIT)...
  • 垃圾焚烧发电厂的设计难点.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 22,186
精华内容 8,874
关键字:

关键技术与实践难点