开发者大赛AppCube低代码开发竞赛已圆满落幕！其中的一些参赛选手在现场和评委专家做了深入交流，给我们做了一些参赛分享。下文来自本次大赛金奖得主：中软国际科技服务有限公司分享人：沈威获奖作品：中软企业资产管理项目>>大赛链接分享内容：本次参赛作品主要围绕企业资产管理基础业务进行设计，主要涵盖库房管理、资产信息维护、资产领用、资产退库、资产维保。库房管理和资产信息维护属于资产基础信息管理范畴，便于将资产入库并能实现科学管理。资产领用和资产退库属于资产流转范畴，通过流程申请、审批、出库及退库操作完成整个资产流转过程。资产维保目的在于通过制定维护计划，定期对已固定资产提供质保。作品亮点则是完整体现了整个资产管理的生命周期，且整个模块都可复用、推广，适配性强。很荣幸拿到了金奖。这次灵感来源于中软智慧园区项目资产管理模块的业务场景，考虑到本次比赛不再提供任何BO资产。我们在设计产品时，摒弃了系统管理模块的开发，主要目的在于把精力都聚焦于业务方面的开发，通过ABC平台零基础开发，快速构建企业资产管理框架，不借助于任何外在条件，更能体现出ABC平台的快速开发能力。在现场，我们和苏胄丁俊卿两位评委做了交流，更深入的理解了ABC平台的快速开发及生态能力，将来在支撑企业数字化转型必能带来较大的利好。在后续业务开发过程中，利用好ABC的一些模块组件，更好的结合roma、GIS、大数据等业务场景，将ABC平台的优势尽可能的发挥出来。目前我在中软智慧园区业务线已经有多个项目正在与华为合作，并已成功交付了部分项目。对于华为产品方面的一些建议：ABC平台能够基于一些实际项目场景提供更多、更细化的BO资产。再功能细节上基于开发者提出的问题解决方案及时公布，方便后续人员吸取经验教训；另外可以结合一些实际交付案例，将华为云产品技术栈融合起来，给大家赋能，让更多的人参与进来，学习及推广华为云相关产品及技术。

【开发者大赛AppCube低代码开发竞赛】【作品分享】来自宜创（北京）科技有限公司的参赛分享开发者大赛AppCube低代码开发竞赛已圆满落幕！其中的一些参赛选手在现场和评委专家做了深入交流，给我们做了一些参赛分享。下文来自本次大赛优胜奖得主：宜创（北京）科技有限公司分享人：李自芳获奖作品：无忧上门分享内容：作为与客户零距离接触的服务环节，我们这次的作品无忧上门旨在提升服务响应速度，减少服务的中间环节，提高整体服务质量。O2O项目，是宜创无代码过往服务案例中比较常见的一类，我们为在这个领域创业或深耕的合作伙伴打造坚实的技术底座，帮助其进一步构建更具竞争优势的互联网服务平台，从而在互联网+领域做精做专。因为对比赛所用平台的不熟悉，在开发过程中我们遇到了诸多问题，其中最要命的当属控件赋值的问题，因为宜创也是在做无代码开发，我们以宜创无代码开发平台现有的逻辑在寻找解决问题的方式，但是到头来发现两款软件的赋值方式完全不一致，这就导致了在这个问题上卡了一段时间，最后还是华为的技术人员给与耐心指导，帮忙解决了这个问题，帮助我们团队少走了许多弯路。我们结合了宜创与华为的低代码开发平台的实际使用情况，发现了各自待完善的地方。希望APPcube能在更多考虑开发者使用习惯的前提下进行优化，同时也期待宜创的无代码开发模板能够越来越丰富。希望能以这次大赛作为合作的起点，与华为在低代码开发领域建立交流渠道，优势互补，在各行业打造更多经典方案，共创无代码开发的辉煌！无代码开发，具有开发极速，架构随需而变，数据贯通性强等传统开发无法实现的优势。作为无代码开发企业，我们有责任将无代码开发的优势推广至更多领域，服务更多中国企业，助力新一轮数字化变革。宜创科技（宜创无代码）是中国领先的低代码软件开发服务商。成立于北京，在杭州、天津、南京等地设有分支机构。宜创将拥有自主知识产权的宜创图云无代码开发平台免费开放，让合作伙伴真实体验无代码的开发成本降低90%，开发周期缩短60%的效果，赋能合作伙伴的数字化升级、产业布局，增加伙伴收入，实现共赢。宜创科技在IoT，农业互联网，互联网门户，金融，O2O，电商，移动IM，办公协同，移动社交，外卖招聘等多个移动及产业互联网领域均具有成功案例，上百家合作伙伴覆盖大中小型企业。

# 前言虽然提交日期延时了，但总的来讲对AppCube无代码平台的感受还是挺深的，毕竟花了整整一个十一假期来研究它。我们团队选的是开发一个类似于“兴趣部落”的轻应用，但它可真不“轻”，为了应对它，我们团队又不得不重新学习了一遍前后端的知识。# 使用感受在此之前我也从来没有开发过什么大的应用，也没有想过去开发这种应用，毕竟太费时费力了。也感谢AppCube能让我有一次开发应用的机会，确实学到了很多知识。先来一段AppCube的介绍：应用魔方(AppCube)是华为云为行业客户、合作伙伴、开发者量身打造的一款低代码应用开发平台（Application PaaS）它有两大特点：1.低代码无代码 2.快速部署## 对于第一点在开发后端逻辑的时候感受并不是很深，可能是我们的选题不太好吧，毕竟面向的用户都是大学生，没有明显的层次划分。这样一来，权限划分就是一个很复杂的问题。但对于前端就比较舒服了，比较有较多的集成好的组件可以选，而且和后端数据关联的非常好，比如说表单，表格，列表等可以轻松的关联后端对象。而且前端还集成了很多逻辑事件，可以轻松调用。## 对于第二点印象也是比较深刻的，所有的开发，调试，试运行，部署，管理全部放到了云端，整个团队可以轻松实现多人协作。# 小小的成果最后放上一个截图，算是一个小小的成果吧，但前端确实仍需改进，而且有些功能也需要添加进去。

一场充满挑战与动力的探索之旅本次项目进行的过程是充满挑战与动力的探索之旅，我们从最初的不知道如何下手，到学会搜集资料尝试各种途径，一步步实现预期的功能，最终完成这个项目。再此过程中，我们不仅熟悉了软件开发流程，学到了专业知识，积累了自主学习的经验和能力，而且对于新事物增加了创造和想象的信心和兴趣。通过这次系统的设计，我们接触了许多优秀的开源项目，拓宽了知识面，培养了综合运用所学知识的能力，锻炼了尝试与探索的能力，理论与实际，以及观察、分析和解决问题的实际工作能力。小组的通力协作，保障作品高效的完成由于做到精确的小组分工，在团队开发的各个阶段，我们更为高效地完成了确定项目范围，总体设计，详细设计，编码测试的各个阶段，熟悉了软件开发的规范化流程，保持了良好的开发效率。但是由于能力有限，所以该系统还有很多不尽如人意的地方，比如页面的观赏性和功能的完整性，还有其它很多不足的地方，这些都有待进一步改善。对华为云与上海理工大学的感谢感谢华为云与上海理工大学提供这次比赛的机会，以及在我们制作过程中遇到困难时，给予我们提示与帮助的各位老师、专家、学长学姐。我们也希望我们的作品可以正式在学校的welink平台正式上线，让我们为学校的同学提供便捷的服务，这将成为我们难忘的回忆。在此次产品的制作过程中，也让我们重新认识了自我，让我们发现了自身不足的地方，需要我们在接下来的日子里不断学习，使自己进步。同时这次比赛也让我们确信了未来的发展方向，教会了我们如何应对在团队合作时会碰到的种种问题，让我们积攒了自身成长的经验。

首先，非常感谢这次大赛！在七月，我大一暑假的时候，通过同学邀请，了解到了这个比赛。它一下子吸引了我的眼球。组队参加一个比赛，最后竟有可能让APP实现于welink上！这对于经验很少的我来说，这是极大的诱惑。毕竟从小到大，都想拥有一款属于自己的APP，或者一个网站……这个比赛第一时间给我最大的兴趣就是有可能自己的想法成为事实，让身边的人都能去使用这款app。通过招人，组队等，我们终于成为一个十人团队。并且为它取了一个有意义的名字。最开始，我们要做一份策划书。大家集思广益，学生们的需求是什么呢？我们最想要什么呢？什么是我们可以做到的呢？什么功能是不鸡肋，又是刚需的呢？最终我们敲定了主题。通过学习华为云的课程，了解到很多知识。Appcube，Appengine，Python等。大一学过数据库，稍稍了解了建表建查询做宏等，所以看视频的时候一边加深大一所学的印象，一边又学到了很多新的知识。这种低代码的开发方式，的确很适合我们这些新手。华为云提供的插件也很全面，基本满足了我们的需求。有幸听了几次董老师的直播，感觉学习很多。也感谢华为技术指导老师，虽然我很小白很简单的网络查错都不会，但是他依旧十分耐心一步步教我，还看我的共享屏幕演示。谢谢老师们的付出！做策划书时，由于我们都是刚大一结束，来自不同学院，没有什么经验，我们整个策划书的框架都是通过网上找的，然后分配任务等等。我正好学习了管理学原理，就做了SWOT分析和简单的数据库设计和分析。还有同学负责做计划与目标、做问卷、做APP的UI等等……最终得知我们通过了初赛，我们真的很惊讶也很欣喜，十分感谢老师们对我们的想法的认可！我们也非常希望我们的电费缴费系统可以出现在Welink中！这或许是比拿奖更令人兴奋的事情吧，就是看到自己的一点一滴被更多人用到，说一句：确实方便多了！这就是做这件事最大的意义了吧。如今决赛阶段，我们还在努力做appcube。虽然我们所学的计算机知识很少，很多不会，但是我们都报以一颗赤诚之心，希望尽自己最大努力把最好的作品展现出来！总结来说，对于我个人的收获就是：一方面收获了真挚的友谊，认识了几个也很努力的朋友。一方面学习到了很多知识，看电梯那个教学的文档，一步步跟着做，每成功一步都是极为欣喜的事情！以及亲手去干事情，仿佛自己成为了一个上班族，一个开发人员，这段过程真是太有意思了！希望我们的作品最终能在welink上被更多上理校友用到！

#这是我大学参加的第一个比赛，虽然与我学的专业没有很大的相关性，但是我在比赛中也收获了很多。暑假的时候，通过朋友的邀请加入到了这个比赛中来，虽说在之前只简单学习过python语言的基础，对自己的代码能力并不自信。但通过学习了Appcube，Appengine等教学视频，让我对代码能力稍微有了一定的提升，发现其实代码并没有我想象中的复杂，而且觉得做这个校园应用开发对我来说是一件很有意义、很有成就感的事情。华为云平台这种低代码的开发方式，对我这种小白来说十分友善，而且里面的插件、主题什么的比较全面，比较容易上手。#在这次的比赛除了代码学习还学习到了很多，起初我们十个人的团队大家都互相不了解，不认识，遇到了很多问题大家都手足无措、力不从心，但是在解决问题——发现问题的过程中，大家逐渐形成了合力，让我们整个团队一直向前走，虽然每一步走的都比较慢，但是每一步走的我觉得都是很踏实。在其中我也找到自己所擅长的工作，为小组提供了帮助，帮助小组完成策划案、调查问卷以及提供了一些自己的想法。在这期间，让我感受到团队合作意识是多么关键，如果大家都不吭声不响应不配合，那么一个团队就无法前进。同样也感谢华为方面的指导，在我们遇到问题的时候，他的教导给我们提供了很大的帮助。也感谢组员之间的相互配合，让我结实了很多优秀的人。#其实得知我们通过初赛，心中还是蛮高兴的，觉得大学终于了一点有意义的事情，也感谢老师对我们所作的项目的认可，我也想最终能把这个应用开发出来，因为我本身就是上理学生，深知空调电费充值的复杂和不便，如果能做出来最后造福大家真的回事一件很开心很有意义的事情。#总之，我学到了很多。而且希望最终我们能够拿出像样的作品，无论得没得奖，都希望我们做的应用可以造福上理师生，同样也是造福我们自己。

很荣幸也很开心可以参加本次“上理工智慧校园大赛”，这也是我第三次参与华为云比赛，前面两次都是有关AppCube应用开发的赛题，更多的是按照组委会的指导文档去完成、完善应用，学到的是脚本的优化以及应用整体开发，但本次比赛要求的是自行撰写可行性方案，并且在决赛中去实际开发，难度又上升了一个维度，是一次从“1到1+”到“0到1”的转变。从赛题上看，本次比赛提供了官方赛题以及自拟赛题两种选择，官方给出的赛题都是贴近校园生活，让我们这种学生参赛者可以有设计的思路和发挥的余地，而自拟赛题的选择则让我们开拓视野，探索各种适合校园生活的应用。基于前两次比赛都是参与管理类系统开发，所以本次我选择的赛题是“全校统一报修系统”，我觉得这个赛题与我们的生活起居很贴切，日常中也经常会有设备报修的情况，有些报修的流程过于繁杂而且数据无法集中不便于管理，因此我选择就此方向去优化现有系统方案，撰写新的报修流程应用方案。方案撰写过程前前后后用了一周的时间，一开始撰写的时候实在是毫无头绪，不知从而写起，得益于群里老师发的模板，才初步制定了方案的详细层次，后面经过各种搜索、资料查找、同类产品实际体验，最终撰写出了四千余字的初步方案，有幸该方案得到了专家的认可，成功进入决赛，决赛开发说实话难度更上一个台阶，开始的时候面对着空白的应用界面手足无措，不知从何入手，经过两三天的构思才初步形成应用的设计框架，接着用了一周的时间进行实际开发，开发过程也遇到不少的问题，为了锻炼自己的独立完成能力，深夜查阅产品文档自行解决，在解决的那一刻还是收获了满满的成就感，感受到知识点在不断地得到补充，最后通过老师的直播答疑，基本解决了项目的问题，开始进入测试阶段，如今应用已初步成型，比赛进程也算是告一段落了。过程中累是肯定累的，但更多的是收获了新知识，学到更多新的操作。希望后续可以再参加类似比赛，也希望华为云大赛越办越好！

出这个比赛的时候，没想太多就报了。第一，智慧校园这个题材，我还是蛮感兴趣的，终于有一个机会能够为校园建设贡献自己的想法。第二，能够增长一些学识，依托appcube平台，有机会参与到复杂项目的开发运行维护中去，确实学到了很多知识。确定要参赛的之后，选题就是一个摆在面前的难题。我们反复改了好几稿项目系统方案，最终确定下来运动组局的主题。运动组局，简单来说就是约同学一起运动。我们还提供校方发布体育竞赛的功能，学生可以组队参加。非常有幸我们的项目进入了决赛。为了开发这个项目，我们浏览了整个开发文档后才开始开发应用。开发并不是想象中的顺利，并且还是要实时结合开发文档才行。给我印象很深的一个困难是：关于初级页面的自定义组件、高级页面的自定义widget等自定义元素，我们所知较少，开发文档中也写的不是很详细，我们辗转学习了许多个教学视频，终于摸到了一点门道。其中要非常感谢沟通群内的老师不厌其烦的解答我们的疑问。现在，我们的页面已经初步搭建完毕，剩下的页面逻辑也将会很快搭建。应该还有一些小问题，我们会汇总一起询问，再次先谢过各位老师了！

ModelArts、Hilens联合开发助力人工智能落地电子科技大学 自动化工程学院 贵兴泰   由华为云携手上海交通大学学生创新中心举办的“第二届华为云人工智能大赛 · 无人车挑战杯”总决赛已成功落下帷幕。来自电子科技大学的“暑期休闲队”，自身拥有扎实的模式识别、机器人等学科知识，以及借助华为云一站式AI开发管理平台ModelArts和端云协同解决方案HiLens，进行无人车模型开发与部署，最终获得季军。“暑期休闲队”撰文分享其参赛体验，包括如何使用华为云ModelArts和HiLens实现无人车的目标检测，多源数据融合及行驶控制的能力等。一 队伍背景故事1 “我们为什么参加”我们是来自电子科技大学自动化工程学院以及计算机科学与工程的五名研究生新生，因为研究生研究方向多为模式识别、机器人等领域，并且对人工智能技术非常感兴趣，因此在今年七月份的时候自发组织报名参加了今年的华为云无人车挑战赛。五位队员都有较为丰富的科研竞赛经历，且都是华为的忠实粉丝，对于这次全新的比赛充满了信心与热情。2 “我们遇到了哪些困难”首先是因为今年特殊的疫情原因，我们五个人前期无法集合在一起进行比赛项目的商讨以及规划，正式开始备赛是在九月初，因此我们的准备时间只有大概十五天，但是在学校学院的支持下，我们可以有一个比较好的调试场地，我们从开学也是直接进入高强度的开发工作中，在前往上海之前已经把基本功能实现。在半决赛和决赛的过程中，主要是小车巡线功能对光线环境有些敏感，在决赛比赛中时出现了跑出轨道的情况，不过我们队伍负责巡线的队员通过丰富的临场调车经验，还是及时的解决了这个问题，最终也取得了不错的成绩3 “我们的欢乐时光”现在回想一下我们备赛的日子，最欢乐的时光就是五个人在校园里调车的日日夜夜，一起面对技术难点，一起享受灵感实现的快乐，看着一台小车从什么都不会到最后实现了各种各样的功能。当然，在决赛的时候，最终能取得季军的成绩也让我们非常开心。二 赛题介绍小车需要在规定赛道上通过层层关卡，包括交通灯识别（出发&泊车）、弯道行驶、斑马线行人识别、限速解限速识别、自动泊车、竞速等。小车不仅仅要完成所有的赛点，还要跑得快。而这里考验的是参赛者的综合能力，包括车体结构、底盘控制、传感器、网络通信、云端数据处理、人工智能等多学科的知识，而难点在于将这些知识点融合贯通。参赛队员需要结合华为云人工智能平台（华为云ModelArts一站式AI开发与管理平台、HiLens端云协同AI开发应用平台）以及ROS操作系统对小车进行开发。三 整体解决方案：此次无人车大赛中参赛车辆主要有三个传感器：激光雷达和两个摄像头，分别是小车自身的摄像头以及HiLens Kit上的摄像头，而激光雷达+相机的多源数据融合解决方案正是无人驾驶领域最为主流的技术。我们队伍对每个传感器的作用进行了总结：利用激光雷达进行可通行区域检测以及动态避障，利用小车摄像头进行车道线检测以及利用HiLens Kit进行目标检测以及相应的决策控制。3.1 激光雷达通过获取点云数据在小车行驶前方的有效扇区内进行障碍均值坐标计算，给与有无障碍状态实现近距应急障碍检测，行人障碍检测，因此本车的一大亮点是当在行驶过程任意状态检测到障碍物都可以进行及时的刹车，在备赛过程中大大方便了我们的调试。可行进区域检测通过对激光雷达对可行进区域边界进行检测，获得可行进区域均值点。再通过阿克曼地盘运动边界确定前进点,并且获得期望方向。我们利用上面两个技术完成了比赛中对于在人行道处对障碍物的检测以及顺利通过交叉路口两个任务 3.2 利用小车车头部分的摄像头进行车道线检测，检测方案如下：Step1 :使用高斯滤波，均值滤波，大津法对图像进行处理。Step２：在图像中逐行搜索边界点。Step３：滤除不合理边界点。Step４：使用最小二乘法对左右边线进行修复。Step５：计算图像中线。Step６：使用最小二乘法对中线进行修复。Step７：使用PID计算转角。车道线检测效果如下：3.3再通过HiLens Kit进行目标检测， HiLens Kit是由华为云开发的多模态AI开发套件，使用的AI芯片是华为自研的Ascend 310芯片，具体16T的算力。同时，开发者不仅可以使用设备自带的摄像头，还可以外接摄像头，同时处理10-16路视频分析。HiLens Kit检测到各种目标后，通过socket协议发送给ROS端，并在ROS端进行一系列决策控制完成红灯停、绿灯行、人行道停止、限速牌限速、解限速牌解限速以及黄灯泊车一系列操作。      3.4小车整体实行方案如图：ROS通信如图：四 华为云ModelArts平台的使用比赛需要利用ModelArts平台进行目标检测任务，检测包括红绿黄灯检测、限速解限速牌检测、人行道检测。使用ModelArts平台进行模型搭建的流程包括：数据获取与增强、数据集准备、模型选择与训练、模型转换4.1 数据获取与增强       本次比赛除了官方提供的训练集外，在决赛阶段我们还额外增加了在测试场地与比赛场地的训练集，训练集的获取首先通过HiLens Kit摄像头捕捉到行驶路段的视频，保存到/tmp目录下，再通过tcp从HiLens 传到本地使用opencv间隔地从视频中截取图像作为我们的原始数据集。       此外，我们还利用了三种数据增强的方法，来解决数据量较少带来的过拟合问题，分别是horizontal flip、cutout和mix up。       horizontal flip就是水平镜像翻转，这个方法实现较为简单，但是镜像翻转使用时要注意只有当一个图像分布不具备视觉手性的时候，我们才能在不改变原先图像分布的前提下，使用镜像翻转来增强数据集，因为人行道、预选赛的红绿灯就不具备视觉手性，因此我们使用镜像翻转对这类图像来进行数据增强，转换效果如下：       Cutout和mixup是计算机视觉中常用的两种数据增强方法，Cutout是将图片的随机区域填充噪声，而mixup是一种运用在计算机视觉中的对图像进行混类增强的算法，它可以将不同类之间的图像进行混合，从而扩充训练数据集，增强效果如下：4.2 数据集准备 Step1 下载OBS Browser，配置OBS桶，将原始采集数据上传至OBS桶内，并创建数据集。对象存储服务（Object Storage Service）是一款稳定、安全、高效、易用的云存储服务，具备标准Restful API接口，可存储任意数量和形式的非结构化数据对象存储服务OBS配置说明文档：https://support.huaweicloud.com/obs/index.htmlOBS控制台说明文档：https://support.huaweicloud.com/usermanual-obs/obs-usermanual-zh.pdf再进入ModelArts平台的数据标注模块，创建数据集，选择物体检测，添加标签集。数据集创建参考：https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0004.html Step2 在ModelArts中进行标注在“数据标注”页面单击“未标注”页签，此页面展示所有未标注的图片数据。单击任意一张图片，进入图片标注界面。用鼠标框选图片中的物体所在区域，然后在弹出的对话框中选择标签颜色，输入标签名称，按“Enter”键完成此标签的添加。标注完成后，左侧图片目录中此图片的状态将显示为“已标注”。如下图ModelArts数据标注说明：https://support.huaweicloud.com/exemlug-modelarts/modelarts_21_0011.html 4.3 模型选择与训练       在ModelArts里选择模型并创建训练任务，我们选择的模型是YOLO v3，YOLO是one stage的算法，相较于two stage的类似rcnn之类的模型的特点是速度快，这在无人车实时目标检测任务中非常重要。YOLO v3在v2基础上增加了网络复杂度，牺牲了少量速度来换取精度提升，且精度足够满足比赛需求。模型选择之后等待训练任务完成。      训练完成后可以通过可视化观察训练情况4.4 模型转换       在ModelArts训练得到理想模型后，需要在HiLens Studio里面完成模型转化，生成昇腾芯片上可使用的模型（OM模型）（这一步也可以在HiLens Studio里进行），参考：ModelArts平台模型转换工具指南:https://support.huaweicloud.com/engineers-modelarts/modelarts_23_0107.html       Hilens Studio 模型转换指能:https://support.huaweicloud.com/usermanual-hilens/hilens_02_0098.html五 华为云端云协同AI开发平台HiLens的使用5.1 HiLens配置       使用HiLens Kit之前，需要开通HiLens服务。首先注册华为云账号，并完成实名认证，接着进入控制台选择登录HiLens管理控制台，完成HiLens的权限申请。 通过PC 与 HiLens Kit 组网后，通过web可以界面化地登录到HiLens Kit 管理平台，进行一键式操作链接无线网络。5.2 HiLens Studio的使用       在HiLens控制台中进入HiLens Studio，首先需要新建一个project，在技能模板中我们可以选择无人车比赛的模板技能，并基于此模板进行修改，在project中我们主要有utils.py、socket_config.py以及main.py，其中utils.py用来对图片进行预处理、检测框的标注并输出类别、标注框坐标信息等功能，socket_config.py主要将检测结果编码并构建socket通信协议与ROS端进行信息交互，main.py用来调用上述文件以及训练好的模型。main.py文件中我们利用多线程避免因为socket通信造成的程序堵塞。       模型检测实际比赛效果如下：六 亮点(1) 鲁棒性好，我们的数据采集于多场景，因此在不同环境下检测效果较为稳定。(2) 连续帧间检测稳定，我们针对每项分类单独设置置信度阈值，防止一帧检测到一帧检测不到，并且在决策时保证严格的条件再进行控制指令，避免因外界客观因素造成的误识别。(3) 小车巡线能力强，如下图，在小车行驶在交叉路口的过程中，并没有完整的车道线，但依然可以通过补线操作实现巡线，并且图像处理速度快，因此我队参赛车辆可以接近满速跑完全程，也因此我队在半决赛与决赛中均给裁判团以及观众留下了极为深刻的印象。(4) 多源数据融合提升决策效果，如以下两个例子：识别到人行道后，告知转弯方向，(例如上图，告知将要左转)，帮助小车巡线七 ModelArts与HiLens联合开发感想       在人工智能发展迅速的今天，如何将人工智能算法与多学科交叉并落地实现真正的智能时代成为广大学者与研发者共同的目标。华为云平台开发的ModelArts与HiLens的联合使用给予不论是人工智能初学者还是经验丰富的工程师更为便捷高效的开发环境。本次比赛，这ModelArts与HiLens联合使用的解决方案对比赛提供了非常高质量的服务。其优点如下：(1) 数据操作包括数据上传、数据标注以及数据集的发布极为方便。(2) 算法市场中华为云以及广大开发者提供了针对各种任务，包括但不限于图像分类、目标检测、语义分割等任务的算法，使用者可以直接调参使用。(3) ModelArts支持模型部署到多种生产环境，可部署为云端在线推理和批量推理，也可以直接部署到端和边。(4) ModelArts训练的模型可以通过模型转化并协同HiLens开发相关技能，将技能直接部署到端侧设备，实现算法落地。(5) HiLens端侧设备注册后可在设备管理处进行管理，包括查看、注销设备，以及一键升级设备的固件版本等。(6) HiLens提供大量的技能模板，开发者可以基于各种模板进行技能开发与部署。(7) 昇腾芯片加速使得模型推理更加迅速，使得时延更低。 参考文献：DeVries, T.; Taylor, G. W. Improved Regularization of Convolutional Neural Networks with Cutout. arXiv:1708.04552 [cs] 2017. Zhang, H.; Cisse, M.; Dauphin, Y. N.; Lopez-Paz, D. Mixup: Beyond Empirical Risk Minimization. arXiv:1710.09412 [cs, stat] 2018. Lin, Z.; Sun, J.; Davis, A.; Snavely, N. Visual Chirality. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2020, 12292–12300. https://doi.org/10.1109/CVPR42600.2020.01231. Redmon, J.; Farhadi, A. YOLOv3: An Incremental Improvement. 2018. Zheng, Z.; Wang, P.; Liu, W.; Li, J.; Ye, R.; Ren, D. Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression. arXiv:1911.08287 [cs] 2019. Yamauchi, Brian. "Frontier-based exploration using multiple robots." Proceedings of the second international conference on Autonomous agents. 1998. Lopez Perez, Jose J., et al. "Distributed multirobot exploration based on scene partitioning and frontier selection." Mathematical Problems in Engineering 2018 (2018).

直播回放链接：https://bbs.huaweicloud.com/live/cloud_live/202103021930.html直播时间：3月2日（本周二）晚19:30直播内容：1. 大赛介绍2. 往届选手分享3. Q&A答疑【赛事介绍】量子科技的发展具有重大科学意义和战略价值，是一项对传统技术体系产生冲击、进行重构的重大颠覆性技术创新，将引领新一轮科技革命和产业变革。其中，量子计算被认为是未来具有颠覆性影响的新型计算模式之一。上海大学将与华为、南方科技大学联合举办2021 量子计算黑客松全国大赛，该合作也将推进量子计算的基础与应用研究，争取做出开创性的前沿工作，望广大学子能够积极参与此次比赛，共同创新，推动量子计算的技术研究。【参赛对象】本次活动将在线上进行初赛和上海大学线下进行决赛。主要面向对量子计算感兴趣，具备一定量子计算、量子化学、机器学习等背景知识的本科及研究生均可报名参加。选手可自行组队，每队不超过3人。【时间安排】序号阶段开始时间结束时间说明1参赛报名2021/02/02 10:002021/03/15 15:00线上2赛题发布2021/02/02 10:00/线上3作品提交2021/02/02 10:002021/04/15 15:00线上4决赛名单及赛程公布2021/04/30 10:00/线上公布，选取前10名入围团队5决赛2021/05/152021/05/15上海大学（宝山校区）举行【报名方式】点击页面上方“立即报名”按钮注册报名，需要提交姓名、联系方式等信息。赛事官方网页：https://competition.huaweicloud.com/information/1000041373/introduction【报名要求】1、由于申请的计算资源限制，按报名次序接受先报名的前200个团队。2、参赛者需确保报名信息准确有效，如虚假信息报名，大赛组委会将取消参赛资格及奖励。【奖项设置】奖项奖品数量一等奖HUAWEI MateBook 13 2021/2020款 13英寸 全新11代酷睿i5 16G 512G 非触屏+ 5000元京东卡2张+实物证书1二等奖华为平板电脑MatePad 10.4英寸麒麟810/820八核处理器影音娱乐护眼办公学习教育平板电脑 4+128G/WiFi+2000元京东卡2张+实物证书2三等奖HUAWEI WATCH GT 2 运动款（46mm）华为智能手表+1000元京东卡2张+实物证书3优秀奖华为手环 4 Pro+200元京东卡2张+实物证书4【参赛流程】在线报名 → 在线比赛→ 决赛名单和赛程公布→决赛→获奖结果公布【组委会】主办方：上海大学理学院、华为量子计算研究团队协办方：南方科技大学【赛事交流】大赛交流答疑请务必加赛事微信群，小助手会拉你进群。群里会不定时公布赛事重要信息、获奖名单、直播信息等内容。大赛交流论坛：https://developer.huaweicloud.com/hero/group-1342.html【注意事项】奖品说明：如遇奖品库存不足会进行同价位奖品调换。

亲爱的同学们，恭喜进入到ICT大赛云赛道积分赛系列有奖活动中不管你是已经完成沙箱实验，还是准备开启沙箱实验，都可以参与到我们的活动中来，互动交流、总结分享，共同提升！共同进步！这次活动我们为大家准备了代金券、华为手环、华为音箱等惊喜奖励！！！心动了么？？？【活动时间】即日起-10月31日【活动规则】以“我的ICT大赛成长之路”为主题，在本活动帖下方回帖发表不少于100字的参赛经验/学习心得/实践笔记/沙箱成绩分享（实验进度完成100%截图）等内容，进行自身总结提升的同时也激励其他同学共同进步、成长和取得大赛佳绩【活动奖项】参与奖：对于符合要求的分享用户奖励精美开发者鼠标垫1个（按分享时间前50名获得）；点赞奖：对于分享内容获得的点赞数进行排名，第1-10名将获得华为手环、智能音箱、华为云折叠收纳包等实物礼品；点赞人数第1名，获得华为手环 6 NFC版（349元）/华为 AI 音箱 2（349元）/华为超级快充无线车充 CK030（Max 50W）（349元）随机发放1个；点赞人数第2-3名，获得华为路由AX2 Pro/华为超级快充充电器（Max 66W）/有线机械键盘-罗技K845随机发放1个；点赞人数第4-10名，获得华为云折叠收纳包/开发者鼠标垫随机发放1个 【活动说明】1、为保证您顺利领取活动奖品，请您在获奖公示7日内填写奖品收货信息并完成实名认证，如您没有填写或未完成实名认证，视为放弃奖励。 >>实名认证操作指导2、礼品将于活动结束后随机选取并发货。如礼品出现断货，中奖用户可以选择等待到货，或置换同等价值礼品。3、公布活动结果且信息收集截止后7个工作日内发放相应奖品。⭐⭐⭐ ICT大赛云赛道积分赛有奖活动（云声反馈系列）------->>>>>点击参与⭐⭐⭐

亲爱的同学们，恭喜进入到ICT大赛云赛道积分赛系列有奖活动中不管你是已经完成沙箱实验，还是准备开启沙箱实验，都可以参与到我们的深度体验活动中来，互动交流、总结分享，共同提升！共同进步！这次活动我们为大家准备了代金券、华为手环、华为音箱等惊喜奖励！！！心动了么？？？【活动时间】即日起-12月31日【活动主题】寻找“产品试用”金点子【活动规则】领取免费试用产品的用户试用产品后反馈相关产品试用建议（如未体验过免费试用产品，可点击免费试用产品领取直达）【活动奖项】所有获奖用户均可优先获得华为官方旗舰级大会门票和官方证书，同时前五名还可获得实物大奖！！华为云金牌产品体验官·第1-3 名，获得官方证书及华为 GT2华为云银牌产品体验官·第4名，获得官方证书及华为 FreeBuds 3 无线耳机华为云铜牌产品体验官·第5名，获得官方证书及雷柏机械键盘V808xx产品体验最佳贡献奖，每个产品领域仅评选1名可获得官方证书【活动时间】即日起-10月31日【活动主题】云声建议反馈，好礼送不停【活动规则】用户可以在云声平台提交跟大赛赛事相关的问题和建议，跟华为云产品的功能建议、用户体验、产品缺陷等相关的问题和建议，帮助华为云产品优化迭代，实现产品共创。同时也可将建议截图在大赛技术圈活动中回帖反馈，根据回帖评论数前50名的用户奖励精美华为云折叠收纳包一个（条件：评论回复≥10人）【活动奖项】有效建议积分排行第1名： HUAWEI Sound 智能音箱有效建议积分排行第2-4名：华为随身WiFi有效建议积分排行第5-10名：华为快充移动电源 20000mAh【活动说明】1、为保证您顺利领取活动奖品，请您在获奖公示7日内填写奖品收货信息并完成实名认证，如您没有填写或未完成实名认证，视为放弃奖励。 >>实名认证操作指导2、云声建议反馈与“产品试用”金点子活动不叠加，如标题中出现【产品试用】字样，则默认此建议不参加当月云声活动。3、礼品将于活动结束后随机选取并发货。如礼品出现断货，中奖用户可以选择等待到货，或置换同等价值礼品。4、公布活动结果且信息收集截止后7个工作日内发放相应奖品。⭐⭐⭐ ICT大赛云赛道积分赛有奖活动（有奖反馈系列）------->>>>>点击参与⭐⭐⭐

赛题介绍这次比赛的赛道主要是针对金相显微图片来预测其对应定级，本次建模思路是当作一个分类问题来做，给定一个图像预测其所属的定级。比赛链接参赛队员本次比赛的队员有，裴森（中国科学院自动化研究所）、孙嘉玺（中国科学院自动化研究所）、安迪（南加大USC）、刘丹（山东财经大学）、张文轩（西安交通大学）我们的方法数据处理拿到数据后，我们首先对数据进行筛查，在筛查过程中我们发现，数据中主要包含两类错误，第一类就是同一张图片包含在数据集中有多个定级标签。第二类错误，就是图片明显的标签错误，因为标签是按照图片中晶元密度给定的，所以人眼就可以检测出来。具体实例如下：为了处理这些数据，我们采用了基于模型的清洗方法。因为在模型的训练中，一般outlier很难拟合。基于这个知识，我们首先将模型训练到0.9正确率，那么预测错误的0.1很可能含有outlier。这时候我们通过人工的手段，对这0.1预测错误的数据进行清洗。清洗后，如果模型表现更好，说明我们人工清洗的数据是对的，否则需要重新对数据进行清洗。数据增强为了提高训练阶段模型的泛化性能，我们使用了训练增强的技术。因为晶元的分布在显微图像上具有不均匀性，所以需要整个图像的信息才能判断出图像的定级。因此在数据增强上不建议使用随机裁剪，在我们的模型上，随机裁剪也会对我们模型的表现有消极影响。完整的数据增强的一些trick和其效果如下：随机旋转：小角度(5°)范围内随机旋转，可提升模型泛化能力(≈+0.5% )随机裁切：可以保留细节信息，但是全局信息受限，分级任务不过分强调局部信息(≈-0.7%)全局下采样：细节信息部分丢失，全局信息被较好地保留，分级任务依赖图像整体(≈+1.2% )色彩变换：对于包含语义信息的目标识别或者分类比较有效，分级任务收益较小(≈+0.0% )镜像翻转： 不改变金相图的含义与图像尺寸，可扩充样本数量，不会带来负面影响(≈+0.9% )尺度完备网络：Kernel Completed Net （KCN）我们这个模型也是从传统方法截点法得到的启发。这个模型有三个特点：输入时图像中的某一行或者列使用多个卷积神经网络并行提取多尺度感受野信息使用Attention机制对冗余感受野进行权重上的屏蔽首先为什么使用图像中的某一行作为输入呢？因为截点法就是在图像中画一个线，通过这些线与晶元边界交点的个数来计算定级。这就说明，某些行就包含了足够的定级信息。另外因为不同定级的晶元大小时不同的，因为对于大的晶元来说需要大的感受野对晶元进行计数，对于小的晶元来说，需要小的感受野对晶元进行计数。多以多尺度的感受野特诊提取是必要的。但是这同样引入一个问题，就是会有冗余的感受野，比如在对小晶元进行计数的时候，大的感受野输出结果是没有任何参考价值的，所以需要把大感受的输出进行屏蔽。我们使用的屏蔽方法就是用Attention机制来学习一个权重，把冗余信息的权重调小。网络架构入下：首先输入的图像行或者图像列被并行的卷积网络处理成多个不同长度的序列，这些序列经过自适应池化归一化成512长度。将这些序列堆叠到一起后，再经过Attention层的处理，就被送到MLP层预测分类结果。对比式残差网络：Contrast ResNet（CRN）我们为比赛设计的第二个模型就是对比式残差网络，这个网络使用了对比学习和有监督学习融合的训练方式，因为也继承了两者的优点。比如能捕捉更多类内信息和鲁棒性更高、精度更高等。架构如下：输入图像首先经过两次数据增强后得到三张图像，这三张图像经过ResNet得到三个特征向量，我们把这三个向量看作三张图的语义表示。将这三个向量经过Channel Attention的校正，送到MLP里面，就可以输出最终的分类结果。模型集成因为我们的模型是异构的，因此集成到一起可以大大提升最终效果。在集成公式上，我们选择Adaboost的集成公式对两个模型进行集成，最终获得了1.8%的性能提升。赛后总结这次比赛取得了不错的成绩。但是比赛完成后，复盘整个比赛，还是可以发现很多可以提升的地方，比如在问题的定义上，如果定义成回归问题，那么效果会不会更好。如果在我们的方法可以将截点法自动化建模，就算精度提升不多，但是比直接输出图片定级概率更有意义。因此学无止境，未来路上继续努力求索！撰写人：孙嘉玺 2021/11/10

成员介绍本次比赛我们的队长是 何笑韬，队员是何向萌和梁保金。我们都来自西安交通大学电信学部信通学院图像所， 主要研究方向为图像质量评价和视觉显著性分析。下面介绍我们团队的解决方案。一、赛题分析本赛题的任务是基于显微镜成像的金相图片评估定级结果，可将其抽象为一个图像分类任务或者是一个回归任务，赛题存在如下的几个难点,下面我们结合数据集和赛题，详细说明其具体难点。1.图片数量有限，尺寸较大本次比赛数据集图片较少，且图片尺寸较大，数据集中图片可以四张组合在一起为一张完整的大图。2.图片局部区域的晶粒度差异大本次比赛数据集图片内部patch区域的晶粒度差异较大，如下图所示。3.图片标注误差由于人为标注的不确定性，数据集中存在部分标注错误图片/重复图片，如下图所示。4.混合评分标准本次比赛的评分标准混合考虑了acc0和acc0_5的内容，因此需要指定合适的训练策略，有的放矢。5.图片特性分析最后就是赛题的图片内容上表现出，色彩单一，形状不敏感的特性，可据此采用不同的增强策略。二、数据预处理和增强根据上面的分析，我们可以制定出如下的数据预处理和数增强策略，（√）表示有效，（×）表示无效：数据预处理数据清洗（√）利用md5值查找重复图片，对于同标签的重复图片，保留一张对于不同标签的重复图片，通过人工标注的方式选择合适的标签，最终删除重复图片数：319张；更改标签图片数：35张。cleanlab数据清洗（×）使用五折训练，将预测结果使用cleanlab进行错误标签查找，具体流程如下：     3.针对准确率较差的数据人工清洗（×）     我们针对模型识别率较差的晶粒度9.0/9.5 7.0/6.5图片进行人工清洗，但效果不佳。数据增强离线切块训练baseline的RandomResizedCrop不符合此任务的实际，改用RandomCrop后，在线训练时难以收敛，为了增加数据量的同时，提高模型的训练稳定性，我们采用一种折衷的策略，即离线裁剪图像块，进行离线训练的策略。最终我们对训练集图片进行了重叠裁剪，将原始图片裁剪为224*224的patch，裁剪步长设置为56，即重叠3/4，最后得到训练图片1178688张。在线增强对于在线增强，我们主要采用了如下的增强策略，但只有随机水平和竖直翻转有效。三、网络选择和损失函数设计网络选择网络模型的选择上，我们尝试了很多网路，但最终发现小模型就可以满足精度要求，增大模型对最终的推理精度没有很大提升。我们还尝试了（1）结合梯度图，训练双分支网络（2）将分类问题退化为回归问题，最后都没有取得很好的结果。因此最终我们选择resnet34作为最终模型。损失函数设计本次比赛除了考虑了acc0还考虑了acc0_5,因此我们设计了如下的损失函数，其可以有效提高acc0_5的得分。四、模型训练此次比赛我们的训练中使用前面所生成的裁剪后的1178688张图片进行训练，5个epoch左右即可收敛，参数如下：（1）数据集将数据集按照9：1的比例划分为训练集与验证集训练集按照步长56、尺寸224×224进行滑动剪裁，获得训练集图片1178688张验证集图片380张 图片尺寸1376×1104（2）batch_size 32（3）训练epoch 8 选择最优线下epoch上传（4）初始学习率和更迭策略：1e-2，每1epoch衰减为原来的0.1倍（5）优化器：SGD（6）损失函数： 0.5CrossEntropyLoss + 0.5mapL1loss五、推理策略本次比赛中，为了提高模型推理的效果，我们还进行了测试增强，主要尝试了以下三种策略，如下图所示：大图预测：对整图预测，结合TTA，得到最终分类结果小图预测：大图裁成小块，预测小块，结合预测策略，得到分类结果小图滑动预测：大图重叠裁成小块，预测小块，结合预测策略，得到分类结果最终，我们采用的策略是：小图滑动裁剪，结合小图预测结果的众数，得到最终分类结果。这一策略在线上取得最优结果。六、性能提升曲线结合前面所说的解决方案，我们的性能提升曲线如下图：飞龙在天2021/11/10

团队介绍我们是来自广西师范大学计算机科学与工程学院的研二学生。队长冼添涛，队员何凯杰，主要研究方向为图像描述，跨模态检索，目标追踪。下面介绍我们团队的解决方案。1. 任务基于显微镜成像的金相图片评估定级结果2. 数据分析拿到初始数据后，我们对数据的类别进行了分析，如图中所示，数据集包含4222张图片，类别之间存在着严重的不均衡，最少的类别只有161张，最多的类别有524张，3倍多的差距。 使用图片查重工具Duplicate Photo Finder Plues，发现总共有621张重复图片，占总量的14.7%。 我们把重复数据分为三类： 类内重复、邻居重复（正负0.5范围的重复）和间隔重复(超出正负0.5的重复)。对不同类型采取不同的策略，尽量减少图片损失。3. 数据预处理通过观察数据，我们发现四张连号的图片是一张大图切分而来。如果1/4小大的局部信息就足以判断图片的类别，我们大胆假设图片的局部信息之间不存在强关联，那么可以通过打乱图片的局部位置获得新的图片，来作为数据扩充。 具体来说，我们把一张图分为四个小块，随机组合，那么一张图可以获得4x3x2x1=24种组合。 通过上述扩充，我们的获得了9465张图片的训练集和280张图片的验证集。注：验证集不包括任何扩充图片。4. 实验设置模型：Swin-Base-384学习率：初始1e-4, 策略ReduceLROnPlateau（5个epoch无提升则*0.5）损失函数 ：Label Smothing（平滑因子0.2 ） 优化器 ：Adam Batch size:：24Epoch：805. 预测分类训练数据增强RandomGridShuffleGaussianBlurGridDistortionRandomResizedCropRandomHorizontalFlipRandomVerticalFlipRandomRotationRandomErasing本阶段主要是让Swin-Transformer拟合数据集。最终在初赛获得90.53，复赛85.99的成绩。6. 相似度分类训练受启发于比较法，除了让模型学习学习预测类别，我们也可以显式地训练模型根据对比图片的相似度判断类别。核心思想：基于对比学习的思想， 让相似的图片距离近，不相似的图片距离远。 实际上，在单纯的模型分类能力训练中，模型已经隐式的学习到了这种对比能力。为了强化模型的判断能力，我们设计了一种对比训练方法，对上一阶段得到的模型进行显式训练。对比学习的大概框架如图：为此，我们对模型结构进行了修改。我们新增了一个相似度计算头，把每张图片编码为144x512的向量表示注：本阶段只训练相似度头的参数。具体实现1.  对批次内的输入图片编码， 得到大小为 [batch，144，512] 的特征矩阵2.  对验证集所有图片编码，按类求均值，得到大小为 [14，144，512] 的特征矩阵，作为14个类别的对比图片表示3.  每张输入图片会对14个类别对比图片表示进行余弦相似度计算，得到大小为 [batch, 14] 的相似度矩阵4.  损失计算 损失函数该损失函数的核心思想为，当输入图片与正样本的相似度 >= 与负样本相似度 + α ，损失-> 0 。因此，为了最小化损失值，模型会在每个迭代拉大与同类对比图片的相似度，缩减与不同类对比图片的相似度，最终获得很好的分类能力。7. 结合完成第二阶段训练后，对所有图片(训练集+验证集)进行编码，按类别均值，得到大小为 [14， 144， 512] 的特征矩阵作为线上测试时候的对比集。最终分类结果 =  预测分类概率 +  相似度分类概率。 最终得到复赛成绩86.32。