36kr-码隆科技报告-以图搜图核心技术+垂直行业场景聚焦，打破商品交易的界限-12页

《36kr-码隆科技报告-以图搜图核心技术+垂直行业场景聚焦，打破商品交易的界限-12页》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、36氪调研报告（第48期）——码隆科技2017.06以图搜图核心技术+垂直行业场景聚焦，打破商品交易的界限——码隆科技调研报告人工智能/计算机视觉报告要点：行业概况：人工智能推动传统行业升级，行业应用花开遍地最新融资数千万美元人工智能经历两起两落，正在经历第三次高潮。深度学习加速人工智融资阶段A轮能技术发展，使技术能在终端产品和行业领域里得到应用。资本带动了人工智能产业落地，人工智能促进企业往数据化、结构化、规范化、融资时间2016年10月系统化以及自动化方向上进行产业升级。工业智能化、无人机植保、自动驾驶、刷脸支付、私人助

2、理等人工智能升级产品开花遍地。创始人黄鼎隆、码特图像识别多领域应用广泛，场景化是商业发展的关键36氪数据中心图像识别是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。作为人工智能中发展最为迅速，应用最为广李园园泛，商业化成熟度最高的技术，其在终端应用场景上也体现了多领域行业分析和场景化。随着技术的不断提升，生物识别、物体与场景识别、视频+8618810668592识别的典型技术被广泛应用于刷脸支付、医疗影像判断、安防、教育、lliyuanyuan@36kr.com交通、零售等领域。图像识别：数据、运

3、算、垂直行业是图像识别核心竞争力36氪数据中心张伊葱算法、运算力和数据量是人工智能底层基础，而垂直行业和场景驱动则决定人工智能上层建筑。现阶段人工智能从算法技术驱动逐步走向数据分析场景化驱动，除基础设施提供者外，对于全产业链生态型、通用技术+8613683354577型还是垂直领域纵深型人工智能公司，场景都是至关重要的，从长期来看，图像识别亦只有在合适的场景切入，构建多维度应用空间，才zhangyicong@36kr.com能够在竞争中占据优势。码隆科技：以图搜图核心技术+垂直行业场景聚焦，打破商品交易近期相关报告的界限《自

4、动驾驶行业研究报告》码隆科技是国内领先的图像识别技术平台提供商，从纺织面料切入，为客户提供商品识别、定制化以图搜图搜索引擎，和定制化物体属性、2017.2.17场景及人物识别AI模型及接口。以领先的图像识别技术，以图搜图引擎工具，垂直行业场景深入，为面料纺织品、服饰电商、红酒等领域《人工智能行业研究报告》提供精准搜索和推荐，智能鉴别与智能导购，为企业精准营销、人工运营降低成本，为C端消费者的个性化需求提升服务品质和购物体验，2017.2.20迎合消费升级和消费者日渐成熟的趋势。请务必阅读文末的免责声明136氪调研报告（第48期

5、）——码隆科技2017.061.行业概况：人工智能推动传统行业升级，行业应用花开遍地1.1人工智能发展历程：自1956年达特茅斯会议人工智能诞生标志开始，历时半个世纪两起两落，人工智能正在经历第三次高潮。数据量、运算力和算法模型是影响人工智能行业发展的三大要素，自人工智能的诞生开始，由于计算机运算能力、算法模型和数据量的限制，人工智能不得不经历数次起落，从人工智能的时间历程来看，有几个重要的时间节点。2000年后，得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生并存储的数据量急剧增加；而擅长并行计算的GPU满足人工

6、智能巨量的数据运算需求；深度学习算法较之神经网络的反响传播算法（BP算法）、支撑向量机（SVM）等浅层学习算法的局限性，无监督的学习使得机器从海量数据库里自行归纳特征，穷举各种复杂情境，使算法拟合的准确率达到最高；人工智能也真正走入了智能感知的时代。人工智能发展历程1990年，人工智能现在，深度学习算计算机DARPA没能法在自然语言处理、实现，政府投入缩计算机视觉识别上1970年，计算能力减，人工智能进入获得巨大成功，进未能使机器完成大规第二次低谷入感知智能时代模训练和复杂任务，1956年，达茅斯AI进入第一次低谷会议“人工智

7、能”正式诞生的标志1957年，第一款神1982年，霍普菲尔德2006年，Hinton提经网络Perceptron神经网络被提出；BP出“深度学习”神经推动人工智能进入算法将人工智能推向网络，使得人工智能第一个高峰第二个高峰获得突破性进展图示：根据互联网公开信息整理请务必阅读文末的免责声明236氪调研报告（第48期）——码隆科技2017.061.2深度学习加速人工智能技术发展，使技术能在终端产品和行业领域里得到应用。1.2.1深度学习技术深度学习（DeepLearning）是机器学习的分支，它试图使用包含复杂结构或由多重非线性变

8、换构成的多个处理层对数据进行高层抽象的算法。深度神经网络具备至少一个隐层的神经网络，与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，而多出的层次为模型提供了更高的抽象层次，提高了模型的能力。至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和