计算机行业：从炫技到落地，政企场景先行成为发力主场

《计算机行业：从炫技到落地，政企场景先行成为发力主场》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、图表目录图1：历年ImageNet挑战赛冠军成绩4图2：众多因素助推AI技术发展和普及5图3：近年来国内团队几乎包揽计算机视觉权威赛事冠军5图4：国家新一代人工智能开放创新平台6图5：近年来人工智能相关投资事件6图6：近年来计算机视觉相关投资事件6图7：计算机视觉明星创企融资历史7图8：海康威视与众多院校共建联合实验室9图9：海康威视人工智能完整体系9表1：知名科技巨头推出大规模图像开放数据集4表2：计算机视觉明星创企纷纷对外投资完善场景布局8表3：海康威视及商汤科技近年来政企战略合作梳理10一、技术普及与成熟度

2、提升，国内团队赛事表现抢眼技术可用性成熟度逐年提升，个别指标早已超越人类水平。就计算机视觉而言，此前ImageNet挑战赛一直被誉为国际计算机视觉领域的“奥林匹克”，用于衡量世界范围内顶尖研究团队在完成目标分类、定位、检测以及场景分类与分割等任务的表现。从2010至2017年前后历经8届，物体分类Top-5错误率从28%下降至2.3%，显著优于人类5.1%的错误率水平；目标定位错误率从43%下降至6.2%，目标检测准确率则从23%提升至73.2%。图1：历年ImageNet挑战赛冠军成绩数据来源：image-ne

3、t.org、ImageNet落幕，计算机视觉将更侧重图像学习和理解。①、ImageNet数据集重在评测算法识别图像中显著物体的能力，得益于计算能力提升以及深度学习算法进步，图像分类能力早已超出人类平均表现，并且自从2012年引入深度学习使得分类准确率连续4年大幅提升之后，近两年继续提升幅度已经很小，而ImageNet挑战赛也在连续举办8届之后于2017年落幕。②、但ImageNet挑战赛充分体现了数据对于推动算法进步的重要作用，除了由微软资助标注并于2014年开始公开的MSCOCO数据集之外，谷歌、Faceboo

4、k、亚马逊等互联网公司也开始利用其平台上的图片构建数据集，例如2016年谷歌发布包含6000多类、900万张标注图片的超大规模图像数据集OpenImages。③、与此同时，计算机视觉相关挑战赛内容也逐渐从目标识别与检测转向更为重视图像学习和理解，如2018MSCOCO&Mapillary联合挑战赛包含实例分割、全景分割、人体关键点检测、人体密集姿态估计以及路景实例分割、全景分割等。表1：知名科技巨头推出大规模图像开放数据集公司时间大规模图像开放数据集谷歌2016/10/1发布大规模图像数据集OpenImages，

5、包含900万张标注图片2017/8/27开放Quick,Draw!涂鸦数据集，包括Quick,Draw!用户生成的5千万幅图画，让大众参与机器学习系统训练以及开源数据集的创建IBM2017/12/26由IBM及MIT联合建立的MIT-IBMWatsonAILab推出百万规模视频理解数据集Moments-in-Time，专注于动作相关的视频分类任务腾讯2018/3/3与清华大学共同推出超大的街景图片中文文本数据集CTW，包含32,285张图像和1,018,402个中文字符，规模远超此前的同类数据集数据来源：机器之心

6、、雷锋网等网站整理，算力、算法、数据、平台工具等众多因素助推AI技术发展和普及。芯片技术的进步和云计算的快速发展降低了算力获取成本，垂直领域数据化程度的提升以及互联网公司陆续推出的大规模图像数据集降低了研发团队数据获取难度，以ICCV、CVPR、ECCV等为代表的计算机视觉顶级会议有效促进了业内的技术算法交流，以TensorFlow、Keras、Caffe等为代表的深度学习开源框架显著提升了开发人员的算法编写和调试效率，类似谷歌云AutoML平台、AmazonAI以及BAT等互联网巨头的人工智能开放使能平台则大幅

7、简化了面向产品和行业应用的开发流程。以上众多因素从算力、算法、数据以及开发工具套件和平台等多方面推动了人工智能技术的快速发展和普及。图2：众多因素助推AI技术发展和普及数据来源：中国团队在计算机视觉相关赛事表现成绩亮眼，主流团队技术表现指标差异不再显著。以ImageNet和MSCOCO挑战赛为例，2016年ImageNet比赛，国内队伍在图像目标检测任务中包揽前五名，2017年多个国内院校和企业在各比赛项目同样取得非常不错的成绩，例如奇虎和南京信息工程大学团队分别在物体定位和物体检测项目上取得最佳成绩，国内自动驾

8、驶公司Momenta研发团队与牛津大学合作荣获物体识别冠军。在MSCOCO挑战赛中，中国团队2017年力克谷歌、微软等团队取得全部4项任务中的3项冠军，在上个月刚公布的2018年挑战赛中更是包揽全项冠军。尽管AI算法在挑战赛特定数据集的成绩并不代表实际场景应用的表现效果，甚至在部分人看来单纯刷榜意义不大。但在与国际范围内的顶级团队较量中取得优秀成绩，并且冠军队伍也一直处于