边缘检测相关算法的步骤如下： 1、滤波： 边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。 2、增强： 增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。 3、检测： 在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。 4、定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。   边缘检测是机器视觉检测技术的一种，在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。  边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。 边缘检测是主要应用有： 检测芯片针脚是否规则整齐、目标定位以及存在/缺陷检测等。基于边缘检测技术的应用，为行业的高精度检测及尺寸测量提供了强大的技术支持。

图像二值化操作 两种方法，全局固定阈值二值化和局部自适应阈值二值化全局固定阈值很容易理解，就是对整幅图像都是用一个统一的阈值来进行二值化；局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。效果：腐蚀操作滤波操作，模糊处理 模糊处理在边沿检测和去噪声方面有较为广泛的应用。OpenCV中提供了4种模糊算法，列举如下：averagemediangaussianbilateral这里我们只列举使用 均值滤波实现图像模糊：

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

华为云AI论文精读会2021第一期：高效语义分割模型Fast-SCNN分享华为云AI论文精读会2021第二期：d-vector用于说话人变化点检测的论文解析与复现华为云AI论文精读会2021第三期：目标检测模型CrowdDet解读分享华为云AI论文精读会2021第四期：Dynamic RCNN：一种有效提升RCNN系列网络表现的动态训练方法华为云AI论文精读会2021第五期：基于迁移学习的语义分割算法分享华为云AI论文精读会2021第六期：知识蒸馏模型TinyBert解读分享华为云AI论文精读会2021第七期：目标检测算法TSD解耦分类与回归华为云AI论文精读会2021第八期：探讨文字识别中的语言模型华为云AI论文精读会2021第九期：多卡昇腾环境实现MindSpore DenseNet 分类训练华为云AI论文精读会2021第十期：告别互信息：变分蒸馏的跨模态行人重识别华为云AI论文精读会2021第十一期：基于转移的语义Parser分享华为云AI论文精读会2021第十二期：阅读理解模型AoA Reader解读分享华为云AI论文精读会2021第十三期：图像风格处理算法的实操分享华为云AI论文精读会2021第十四期：图像分割模型PointRend解读分享华为云AI论文精读会2021第十五期：M-SQL一种将自然语言转换为SQL语句的多任务表示学习方法华为云AI论文精读会2021第十六期：文档级事件抽取模型Doc2EDAG解读分享华为云AI论文精读会2021第十七期：关系抽取模型LSTM-LSTM-Bias解析与复现华为云AI论文精读会2021第十八期：行人姿态估计经典算法HRNet华为云AI论文精读会2021第十九期：ACGAN-动漫头像生成华为云AI论文精读会2021第二十期：轻量化神经网络MobileNet系列论文精读华为云AI论文精读会2021第二十一期：语音驱动风格可控手势生成华为云AI论文精读会2021第二十二期：可变长度的语音片段情感识别解读分享华为云AI论文精读会2021第二十三期：迁移检测算法DA-Faster-RCNN解读分享华为云AI论文精读会2021第二十四期：图像迁移分类DeepJDOT模型解读分享

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

作者：历天一【摘要】 基于HiLens Kit已经基本开发完成，可部署到HiLens Kit，模型的选择为基于DarkNet53的YOLOv3模型，权重为基于COCO2014训练的数据集，而车道线的检测是基于OpenCV的传统方法实现的，可通过ModelArts AI Gallery与HiLens Kit全流程端云协同开发部署。先来看看最终视频效果吧（PS：请忽略背景音乐）！                                                                 主体流程介绍：（可选，忽略亦可，取决于摄像头质量，对于相机畸变较大的需要先计算相机的畸变矩阵和失真系数，对图片进行校正）图片校正；截取感兴趣区域，仅对包含车道线信息的图像区域进行处理；对感兴趣区域使用透视变换；针对不同颜色的车道线，不同光照条件下的车道线，不同清晰度的车道线，根据不同的颜色空间使用不同的梯度阈值，颜色阈值进行不同的处理。并将每一种处理方式进行融合，得到车道线的二进制图；提取二进制图中属于车道线的像素；对二进制图片的像素进行直方图统计，统计左右两侧的峰值点作为左右车道线的起始点坐标进行曲线拟合；使用二次多项式分别拟合左右车道线的像素点（对于噪声较大的像素点，可以进行滤波处理，或者使用随机采样一致性算法进行曲线拟合）；计算车道曲率及车辆相对车道中央的偏离位置；效果显示（可行域显示，曲率和位置显示）。检测驾驶过程中道路中其他车辆状态，显示车辆类别、置信度，并通过YOLOv3进行检测车辆，然后返回的车辆检测框的坐标与当前坐标进行透视变换获取大约的距离作为车辆之间的距离dis。说明：本Demo的主体框架基于HiLens Kit已经基本开发完成，模型的选择为基于DarkNet53的YOLOv3模型，权重为基于COCO2014训练的数据集，而车道线的检测是基于OpenCV的传统方法实现的，所以计算量较大，导致整体速度较慢。关于部署和训练——基于ModelArts 和HiLens Kit的端云协同：考虑到部署，已经测试过部署到HiLens Kit了，对了，也支持在HiLens Stuido运行模拟测试，更推荐在HiLens Studio哦，比较方便，而且不需要硬件支持，只需要在HiLens Kit或HiLens Studio上安装pillow库就行了，关于如何在HiLens Kit和HiLens Studio上安装第三方库，非常简单的哦，可参考：在HiLens Kit上：https://bbs.huaweicloud.com/forum/thread-94316-1-1.html在HiLens Studio上：https://bbs.huaweicloud.com/forum/thread-94317-1-1.html如果想训练或优化，由没有硬件（比如GPU），那么很推荐使用ModelArts了，一站式开发，无缝衔接到HiLens Kit哦，关于ModelArts的介绍可参考：https://www.huaweicloud.com/product/modelarts.html同时也许还能提升下运行速度，这里介绍三种算法，亲测都可以部署到HiLens Kit推理使用哦，就在最新的AI Gallery（原AI市场）中哦，这里除了有算法，还有模型、数据集等等，很丰富，大家可以自己探索一下，同时还可以分享自己的算法给其他开发者，开发者订阅即可创建训练使用，很方便，相比于GitHub，不仅提供了源代码，还提供了用于训练的硬件资源，强大的Tesla V100 32GB版本哦。                                              （1）YOLOv3_Darknet53，没错，就是著名的YOLOv3，经典的目标检测网络，后续又推出了YOLOv4、YOLOv5（暂称此名吧），AI Gallery也推出了YOLOv5的，不过由于PyTorch框架暂不支持模         型转换，所以暂时放弃了。       关于YOLOv3_Darknet53的使用方法，算法界面介绍很详细，这里就不赘述了，可以参考使用，注意模型转换部分请参考这篇博文中模型转换部分哦：https://bbs.huaweicloud.com/blogs/199870       算法备用链接为：https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=2d52a07e-ccbd-420f-8999-2ea7b4bdd691     （2）YOLOv3_Resnet18(GPU)，如果我们只想做车辆的检测或者为了简化模型，提高速度，可以选用主干网络为Resnet18的YOLOv3，网络更轻量，速度会快一些哦。       同样给上链接：https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=948196c8-3e7a-4729-850b-069101d6e95c     （3）YOLOv3_Resnet18(Ascend 910)，和上面（2）版本差异不大，主要改为由GPU换为Ascend 910训练的，大家可自由选择哦。       链接为：https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=7087008a-7eec-4977-8b66-3a7703e9fd22好了，算法部分解决了，数据怎么办呢？ModelArts的AI Gallery同样想到了，提供了数据集哦，免费订阅，下载到自己的OBS导入就能用了(注意OBS需要一定花费)，这里我也提供了开源数据集的5164张人车图片，供大家使用哦，上链接：https://marketplace.huaweicloud.com/markets/aihub/datasets/detail/?content_id=a337272b-6918-4282-83d6-2b15e2a4c716那么数据集和算法都有了，该训练了吧，在ModelArts上可以很好完成，凭借强大的Tesla V100 32GB或Ascend 910可以很快完成哦。上述整体操作流程部分可参考下述博文完成：https://bbs.huaweicloud.com/blogs/199870运行效果：完成执行如视频中所示处理的一帧需要约300ms，也就是FPS约为3，不较慢，需要优化。我觉得还有很大优化空间，比如：（1）预处理和后处理很费时间，真正推理很快，可以从这方面加速，不知道开启多线程是否有提升，应该有吧；（2）应该可以更好发挥专用硬件，记得好像有DVPP和AIPP吧，可以用来做色域转换的操作；  (3)  YOLOv3的后处理解析比较麻烦，这里用的是COCO的80类，但可以只用person、car两类，或者再加一点，同时nms也比较费时间，如果能用算子实现，融合到om模型中，会提速很多；（4）这里使用的是Python，如果用C++应该会提升一些，执行效率会高很多吧。（5）优化提速要根据硬件性能，对费时的部分做分析，以最大压榨硬件性能，需要做针对性、定制化地优化，我个人理解很浅，希望有熟悉的同学指教。备注：本Demo所用模型、代码均来自开源代码，好像是吴恩达老师的一个课程涉及的项目，但找不到出处了，如果知道的同学，还请在在下方回复指教，谢谢了。本Demo的模型精度以及运行速度不做保证，仅供学习交流使用。其他未尽事宜，还请多多指教。代码会开源的，敬请期待哦，谢谢。来源：华为云社区 https://bbs.huaweicloud.com/blogs/226039

作为自然语言处理领域的主流模型，Transformer 近期频频出现在计算机视觉领域的研究中。例如 OpenAI 的 iGPT、Facebook 提出的 DETR 等，这些跨界模型多应用于图像识别、目标检测等高层视觉任务。而华为、北大、悉大以及鹏程实验室近期提出了一种新型预训练 Transformer 模型——IPT（Image Processing Transformer），用于完成超分辨率、去噪、去雨等底层视觉任务。该研究认为输入和输出维度相同的底层视觉任务更适合 Transformer 处理。预训练模型能否在视觉任务上复刻在自然语言任务中的成功？华为诺亚方舟实验室联合北京大学、悉尼大学、鹏城实验室提出底层视觉 Transformer，使用 ImageNet 预训练，在多项视觉任务上达到 SOTA。与自然语言任务相比，视觉任务在输入形式上有很大差别。Transformer 等模型在自然语言处理任务上展现出了强大的特征学习能力，使用大量数据进行预训练的策略获得了成功。因此，很多研究都在考虑如何在计算机视觉领域发挥 Transformer 模型与预训练的潜力。近日，华为、北大、悉大以及鹏程实验室的研究者提出了一个名为 IPT（Image Processing Transformer）的预训练 Transformer 模型，用于完成超分辨率、去噪、去雨等底层视觉任务。IPT 具备多个头结构与尾结构用于处理不同的任务，不同的任务共享同一个 Transformer 模块。预训练得到的模型经过微调即可在多个视觉任务上大幅超越对应任务上的当前最好模型。 论文链接：https://arxiv.org/pdf/2012.00364.pdfTransformer 真的比 CNN 要好吗？卷积神经网络（CNN）是计算机视觉领域中的常用模型，自然语言处理领域中出类拔萃的 Transformer 模型在应用到计算机视觉任务中时，真的能比 CNN 更好吗？该研究通过一系列实验回答了这个问题。首先，研究者展示了经过预训练的 IPT 模型在不同任务上微调后达到的性能。如图 1 所示，在多项底层视觉任务中，IPT 模型均取得了巨大的性能提升。例如，对于不同倍率的超分辨率任务，IPT 普遍能够提升 0.4dB，而对于去噪和去雨任务则提升更多，提升了 1.6-2.0dB。图 1：IPT 模型与当前各项任务最好结果的对比情况。为了更好地说明为什么要用 Transformer，研究者还设计了一个基于 CNN 的预训练模型作为对照，并在 DIV2K 数据集 2 倍超分辨率的任务上探索了不同预训练数据量对模型性能的影响。图 2 展示了不同的数据量对 CNN 和 Transformer 模型的影响。结果显示，在预训练数据有限时，CNN 模型能获得更好的性能。随着数据量的增大，基于 Transformer 模块的 IPT 模型获得了显著的性能提升，曲线趋势也展现了 IPT 模型令人期待的潜力。图 2：预训练数据量对 CNN 与 IPT 模型的影响。可以看出，Transformer 模型能够更充分地发挥大规模训练数据的优势。自然语言处理领域的成功经验在底层视觉任务上得到了验证。底层视觉任务如何使用 Transformer在自然语言任务中，Transformer 的输入是单词序列，图像数据无法作为输入。解决如何使用 Transformer 处理图像的问题是将 Transformer 应用在视觉任务的第一步。不同于高层视觉语义任务的目标是进行特征抽取，底层视觉任务的输入和输出均为图像。除超分辨率任务之外，大多数底层视觉任务的输入和输出维度相同。相比于高层视觉任务，输入和输出维度匹配这一特性使底层视觉任务更适合由 Transformer 处理。具体而言，研究者在特征图处理阶段引入 Transformer 模块，而图像维度匹配则交给了头结构与尾结构，如图 3 所示：图 3：IPT 模型结构。研究者首先将图片经过一个头结构变换为特征图：这些输出特征再经过整形和拼接操作，还原为与输入相同维度的特征图。如此处理得到的特征图会被送入一个尾结构，被解码为目标图像。有了头结构和尾结构负责维度变换，Transformer 模块可以专心地做特征处理。这使得多任务的扩展变得简单：对于不同的任务，只需要增加新的头结构与尾结构即可，多种任务之间的 Transformer 模块是共享的。为了适应多任务，研究者在 Transformer 的解码模块中加入了一个可学习的任务编码。底层视觉任务的预训练与微调Transformer 的成功离不开大量数据预训练带来的性能提升。在这篇论文中，针对底层视觉任务，研究者提出一种使用 ImageNet 数据集对模型进行预训练的方法。结果显示，经过预训练的模型只需要做一些简单微调即可适用于多种下游任务。研究者使用 ImageNet 数据集生成多种退化图像，构成多种底层视觉任务训练集。具体来说，对 ImageNet 数据集中的自然图像进行下采样即可得到用于超分辨率任务的训练数据；加入噪声可生成用于去噪任务的训练数据；加入雨痕可产生用于去雨任务的训练集等。利用这些人工合成的数据，配以对应任务的多头多尾结构，多个任务的训练数据同时进行训练，整个模型可以通过监督损失函数进行训练：除此之外，为了提升模型在未曾预训练过的任务上的性能（如不同倍率的超分辨率、不同噪声强度的去噪任务），研究者根据特征块之间的相关性引入了对比学习方法作为自监督损失函数。具体来说，来自于同一图像的特征块之间的特征应当相互接近，来自于不同图像的特征块应当远离。这一自监督损失函数如下所示：研究者表示，通过引入这一对比损失函数，模型能够在未经预训练的任务上展现超越传统方法的性能。经过预训练的 IPT 模型，只需要在特定任务的数据集上进行微调，即可在此任务上达到很好的效果。在微调阶段，只有特定任务所对应的头尾结构以及 Transformer 模块被激活训练，与此任务无关的头尾模块被暂时冻结。IPT 刷榜多项底层视觉任务为了证明 IPT 的有效性，研究者在多种底层视觉任务上测试了模型效果，包括 2 倍、3 倍和 4 倍的超分辨率任务、两种强度的去噪任务以及去雨任务。每个具体任务所采用的 IPT 模型均为同一个预训练模型在特定任务上微调得到的。另外，研究者还做了一系列对照实验来确定 Transformer、对比学习损失函数等不同模块的重要性。所有实验都是在英伟达 Tesla V100 GPU 和 PyTorch 上完成的。首先对于超分辨率任务，其预训练样本是将图像进行 bicubic 下采样得到的。研究者报告了在 Set5、Set14、B100 以及 Urban100 四个数据集上的结果，如表 1 所示。表 1：超分辨率任务实验结果。可以看出，IPT 模型在所有设定下均取得了最好的结果。尤其是在 Urban100 数据集上，对比当前最好的超分辨率算法，IPT 模型展现出了大幅度的优势。如表 2 和表 3 所示，在去噪和去雨任务上，IPT 模型也展现出了类似的性能。表 2：去噪任务实验结果。表 3：去雨任务实验结果。下图展示了不同方法在去噪、去雨任务中的处理结果，从中可以看出 IPT 模型的输出结果更接近真值图像：泛化性能随后研究者进一步测试了预训练模型的泛化性能。具体做法是，将 IPT 模型在没有预训练过的任务上进行微调后测试。在表 4 中，对于噪声强度为 10 和 70 的设定下（预训练为 20 和 50），IPT 模型依旧展现出巨大的优势，展示了预训练模型良好的泛化性。表 4：未经预训练任务上的实验结果。控制变量研究除此之外， 为了探究对比损失函数对模型学习表示能力的影响，研究者在 2 倍超分辨率任务上测试了对比损失函数占不同比例时模型的性能。表 5 展示了模型在 Set4 数据集上不同的对比损失函数权重得到的 PSNR。结果显示，相比不加入此损失（λ=0）的情况，对比损失函数能够进一步提升模型学习表示的能力。表 5：对比损失函数的影响。从实验效果中可以看出，Transformer 模型在底层视觉任务上展现出了超过 CNN 的实力，说明 Transformer 在视觉任务中是可行的。不仅如此，它所表现出的因大量训练数据而带来的性能提升，展现出更大数据量、更大的模型在视觉领域的巨大潜力。这一方向值得更多的研究者做更多深入探索。表 5：对比损失函数的影响。从实验效果中可以看出，Transformer 模型在底层视觉任务上展现出了超过 CNN 的实力，说明 Transformer 在视觉任务中是可行的。不仅如此，它所表现出的因大量训练数据而带来的性能提升，展现出更大数据量、更大的模型在视觉领域的巨大潜力。这一方向值得更多的研究者做更多深入探索。

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

网联安瑞完成ISV认证正式加入昇思MindSpore社区。  网联安瑞简介  网联安瑞，华为认证级ISV伙伴，以“推进国家数据治理体系和社会治理能力现代化”为引领，以“网络空间内容与认知安全守护者”为使命，秉承“创新、开放、合作、共赢”的理念，致力于网络空间安全领域先进技术研究、人工智能和大数据关键技术研发，围绕应用大数据智能，推动从发现价值到价值赋能，服务于政府、企事业单位等客户。公司汇聚了中国电科认知与智能技术优势资源，聚焦社会面综合治理，在网络空间安全治理、大数据系统集成、大数据智能分析、内容服务推送、信息管理导控、开源信息研究与应用等领域的技术能力处于国内领先地位，立志成为国际一流的数据智能龙头企业和科技力量。 昇思MindSpore是华为开源的一款全场景AI计算框架，旨在提供友好设计、高效运行、简捷部署的开发体验，目前应用于医疗、金融、科研等多个领域，提供面向端边云多种场景的主流硬件支持，并针对昇腾硬件平台提供深度优化能力。昇思MindSpore着力构筑面向全球的人工智能开源社区，推动人工智能软硬件应用生态繁荣发展。网联安瑞在加入MindSpore社区后， 基于MindSpore学习框架视图分类技术，通过深度神经网络InceptionV4的学习，对视图数据进行特征提取及序列分析，可以实现对图像识别，达到图像分类的目的。可实现特定内容类型的智能识别。有效的解决当前新媒体内容监测分析系统内容多样化识别挑战。近期收到许多小伙伴想为自己的企业申请加入昇思MindSpore社区完成企业ISV认证，感谢大家的信任与支持，昇思MindSpore社区也会继续努力的帮助加入的企业伙伴们更加高效地完成项目落地，昇思MindSpore社区欢迎更多企业加入，一起实现梦想！如您也想加入昇思MindSpore社区，完成技术相关的认证可以将原由发送至邮箱：huxiaoman@huawei.com如有与昇思MindSpore社区相关的任何疑问，添加小助手（微信：mindspore0328）。MindSpore官方资料GitHub : https://github.com/mindspore-ai/mindsporeGitee : https : //gitee.com/mindspore/mindspore官方QQ群 : 486831414

2020年是5G商用元年。但是，如果我们在物联网行业内搞一场“2020年最热门通信技术”的评选，5G很可能无法独占冠军。因为，有一匹黑马，在这一年迅速崛起，吸引了整个行业的关注，也成为大众热议的话题。没错，这匹黑马，就是今天这篇文章的主角——LTE Cat.1。根据数据统计，2020年全球LTE Cat.1新增连接数为1500万个。乍一看并不是很多，但它的增长速度极快。行业资讯机构TSR预测，未来几年LTE Cat.1模组会保持3000万台以上的年均出货量。更有专家大胆预测，今年（2021年）就能达到5000万。LTE Cat.1为什么会迅速蹿红？它和其它蜂窝物联网技术相比，有哪些优势？我们现在常说的Cat.1和Cat.1bis，又有什么区别？别急，让我们从头开始说起。▉ LTE Cat.1的发展历程2009年3月，标准组织3GPP发布了Release 8 版本，正式把LTE推到了世人面前。当时，3GPP一共定义了5个终端类别，分别是LTE Cat.1、Cat.2、Cat.3、Cat.4、Cat.5。所谓的Cat，是英文单词“Category”的缩写，意思是“类别、种类”。之所以要搞出这么多UE Category（终端类别），是因为3GPP非常看好物联网市场的发展前景，希望设计出不同速率等级的终端类型，满足物联网不同落地场景的需求。从上图可以看出，LTE Cat.1的上行速率只有大约5Mbps，专门面向对速率要求不高的物联网应用。LTE Cat.1推出之后，并没有获得太多关注。当时，蜂窝物联网的使用场景还不多，用户比较陌生，市场也没有打开。几年后，随着LTE网络覆盖迅速形成规模，厂商们开始重新将视线放到了LTE Cat.1的身上。刚开始的时候，有手机终端厂商针对LTE Cat.1“简配”、低成本的特点，将其用于4G老人智能机。后来，蜂窝物联网应用场景快速增加，LTE Cat.1迎来了机会。2015年4月，第一代智能手表产品正式发售，拉开了价值千亿的可穿戴电子产品市场竞争帷幕。在激烈的市场争夺过程中，可穿戴设备厂商发现，LTE Cat.1并没有办法用于可穿戴设备。原因在于，Cat.1和传统LTE终端一样，设计有两根天线。而可穿戴设备对体积要求很高，必须小而又小，所以无法接受双天线。即便是强行塞入，分集接收效果也会大打折扣。当时，官方具备1Rx（单接收天线）接收规格的终端能力等级，只有Cat.0/Cat.M1/Cat.NB1。但是，这些技术最高只能实现1Mbps的极限吞吐速率，无法满足可穿戴场景的用户体验。于是，设计一种新的适用于可穿戴品类的单天线终端能力等级，就被提上了议事日程。2016年6月至2017年3月，3GPP RAN#73~#75标准全会就该单天线终端能力新等级做了讨论与定义。最终，在2017年3月9日，3GPP Release 13 LTE Cat.1bis核心部分正式冻结，LTE Cat.1bis诞生。除了天线数量之外，LTE Cat.1bis和LTE Cat.1并无太大区别，两者都是上行速率5Mbps，下行10Mbps，链路预算基本一致。这个“bis”，在英文里有“重复、两次、再来一次”的意思。LTE Cat.1bis，既能满足中速人联/物联品类的数据吞吐量需求，又能提供相比传统LTE更优的成本与更小的尺寸。更关键的是，它可以在现有4G接入网几乎零改造的前提下，进行快速部署，大幅削减落地成本。然而，如此完美的LTE Cat.1bis技术，在推出之后的前两年，不仅没有爆发，反而更加沉寂，几乎没有产生实质产业效益。这是为什么呢？原因大概有两个。一方面，是因为LTE Cat.1bis的标准化速度太慢。2018年9月，LTE Cat.1bis才完成合规认证所必要的测试部分（Testing part）冻结，根本没赶上2017年7月的全球首款蜂窝版可穿戴产品上市这波行情。另一方面，R13 Cat.1bis推出之后，业界根本没来得及准备合适的芯片平台。没有芯片，咋推出产品？阴差阳错之下，Cat.1bis最终缺席了原本属于它的可穿戴/中速物联广阔舞台。▉ Cat.1bis的逆袭到了2019年底，情况发生了根本性的变化。之前没有的终端芯片平台，现在有了！2019年11月16日，在第7届中国移动全球合作伙伴大会上，紫光展锐重磅发布了新一代物联网芯片平台——展锐8910DM，这是全球首颗LTE Cat.1bis物联网芯片平台。从功能上来看，展锐8910DM又不仅是一颗LTE Cat.1bis芯片。它采用28nm工艺，具备显著的低功耗优势，支持LTE Cat.1bis和GSM双模，上下行速率分别是5Mbps和10Mbps，拥有高集成度，同时集成了蓝牙通讯和Wi-Fi室内定位，可实现更稳定的连接，支持VoLTE。展锐8910DM的推出，解决了用户在物联网连接中通信、运算、存储、定位等多方面的需求和痛点，引领了行业标准制定和行业生态构建，填补了低功耗窄带物联网与传统宽带物联网之间的蜂窝通信芯片方案空白。芯片平台诞生之后，外部环境也发生了微妙变化，为LTE Cat.1bis的爆发创造了非常有利的条件。什么变化？当然是5G的商用。5G商用，意味着运营商又多了一张网络需要维护，势必增加其网络运维压力。为了减少压力，集中资源建设新网络，运营商会加速2G/3G的退网。2G/3G想要顺利退网，就必须有合适的替代技术，承接海量的中低速物联网终端。NB-IoT是窄带物联网，速度极低，仅可承载部分2G网络物联网终端。“中速率、语音通话、移动连接”的业务需求，自然而然就落在了LTE Cat.1bis 的身上。2020年5月，工信部发布了《关于深入推进移动物联网全面发展的通知》，其中明确指出：“推动2G/3G物联网业务迁移转网，引导新增物联网终端不再使用2G/3G网络，推动存量2G/3G物联网业务向NB-IoT/4G（含Cat.1）/5G网络迁移，建立协同发展的移动物联网综合生态体系。”针对这个协同发展的体系，行业已经形成了普遍共识，那就是物联网连接的“631”结构。所谓“631”，即指：60%的连接通过低速率网络实现，30%的连接通过中速率网络实现，10%的连接通过高速率网络实现。“631”结构LTE Cat.1bis，主要承载的是30%的中速率物联网连接领域。相比于NB-IoT，LTE Cat.1bis速率更高，可以支持标清摄像头、广告屏等应用，也多了移动性的，可以支持共享单车、物流追踪等对移动性有要求的应用。它还支持基本的语音业务，可以用于集群对讲、电话手表等业务。从技术替代趋势来看，NB-IoT将实现对80%以上2G终端的替代，而绝大部分的3G和少部分的2G，将迁移到Cat.1。▉ Cat.1bis的技术革新为了更好地完成自身使命，LTE Cat.1bis一直在进行着技术革新和功能演进。我们还是以紫光展锐的8910DM芯片平台为例。2020年11月，紫光展锐联合中国联通，基于采用8910DM芯片平台的联通雁飞Cat1模组，开展了业界首次Cat.1bis PSM低功耗特性现网规模测试。此前，人们一直以为eDRX/PSM是NB-IoT/eMTC独有的特性。这次测试表明，紫光展锐的Cat.1bis芯片也能够支持扩展非连续接收eDRX和深度睡眠PSM。如此一来，Cat.1bis的功耗表现实现从传统的mA级升级到uA级，大大拓宽了应用领域，可以满足例如智能表计、智能门锁、烟感报警等使用电池供电、对功耗要求苛刻的场景。在覆盖增强方面，8910DM芯片平台也有突破。它已成功实现对R13 coverage enhancement特性的支持，可提供最高15dB的增益。这将非常有利于将Cat.1bis部署于地下车库、地下室、密集城区阴影区等覆盖困难的场所，扩大应用领域。除了性能进一步提升之外，紫光展锐8910DM芯片平台还根据用户使用场景，进行了很多场景专属优化。举例来说，8910DM芯片原本就已支持BLE（蓝牙低功耗）功能，可进行近程设备升级维护和参数配置。如此，8910DM又新增支持了A2DP和HFP等蓝牙媒体协议，让物联网设备也能够进行音乐播放。比如，可以让支付云喇叭同时“变身”成蓝牙音箱、让公网对讲机还能连接蓝牙耳机、让共享两轮出行的路上也能有音乐陪伴。再举个例子，基于8910DM作为主芯片平台的公网对讲机方案，能够完全满足运营商对于公网对讲产品的要求。展锐针对公网对讲机的实网时延和通话音质，进行了大量优化：网络方面，包括支持双卡双待以及实现IP数据包在4G/2G实网下的时延优化；音质方面，通过充分利用芯片的语音处理能力, 对于噪音/回声/啸叫等对讲常见问题进行专项处理。上述这一系列的提升和优化，充分说明了LTE Cat.1bis可以实现功耗、成本、覆盖、功能方面的更完美平衡，给用户带来极致的使用体验。当然，这背后也离不开紫光展锐这样的民族芯片企业，在自主创新技术方面长期坚持不懈的投入。基于这些投入，紫光展锐已经成为国内集成电路设计产业的龙头，全球少数全面掌握2G/3G/4G/5G、Wi-Fi、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。根据数据显示，紫光展锐目前拥有近5000名员工，其中90%是研发人员，在全球拥有17个技术研发中心。目前，紫光展锐的Cat.1芯片已经实现千万级出货，全国市场占有率超过70%。数十款搭载展锐8910DM芯片的Cat.1bis模组，正在广泛应用于共享经济、金融支付、公网对讲、能源、工业控制等行业场景。▉ 结语2021年，LTE Cat.1bis还将继续火热下去。针对LTE Cat.1bis的生态，将会变得更加成熟。相关的物联网应用，也会越来越多地出现在我们身边。我们有理由相信，随着蜂窝物联网终端连接数的不断增加，“万物智联”的时代将加速向我们走来。整个社会的运作模式将发生根本性的变化，我们的工作效率和生活质量也将迎来难以想象的飞跃。期待这一天的早日到来。翻滚吧，LTE Cat.1bis！

GAN（生成对抗网络）生成对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian Goodfellow 于2014年发明，并在论文Generative Adversarial Nets中首次进行了描述。GAN由两个不同的模型组成：生成器和判别器。生成器的任务是生成看起来像训练图像的“假”图像。判别器需要判断从生成器输出的图像是真实的训练图像还是生成的假图像。在训练过程中，生成器会不断尝试通过生成更好的假图像来骗过判别器，而判别器在这过程中也会逐步提升判别能力。这种博弈的平衡点是，当生成器生成的假图像看起来像训练数据时，判别器拥有50%的真假判断置信度。x">xx：代表图像的数据。D(x)">D(x)D(x)：判别器网络，给出图像判定为真实图像的概率，其中x">xx来自于训练数据而非生成器。 由于我们在判别过程中需要处理图像，因此要为D(x)">D(x)D(x)提供CHW格式且大小为3x64x64的图像。当x">xx来自训练数据时，D(x)">D(x)D(x)数值应该为高，而当x">xx来自生成器时，D(x)">D(x)D(x)数值应该为低。 因此D(x)">D(x)D(x)也可以被认为是传统的二分类器。接下来我们来定义生成器的表示方法：z">zz：标准正态分布中提取出的隐向量。G(z)">G(z)G(z)：表示将隐向量z">zz映射到数据空间的生成器函数。函数G(z)">G(z)G(z)的目标是将一个随机高斯噪声z">zz通过一个生成网络生成一个和真实数据分布pdata(x)">pdata(x)pdata(x)差不多的数据分布，其中θ">θθ是网络参数，我们希望找到θ">θθ使得pG(x;θ)">pG(x;θ)pG(x;θ)和pdata(x)">pdata(x)pdata(x)尽可能的接近。D(G(z))">D(G(z))D(G(z))是生成器G">GG生成的假图像被判定为真实图像的概率。从理论上讲，此博弈游戏的平衡点是pG(x;θ)=pdata(x)">pG(x;θ)=pdata(x)pG(x;θ)=pdata(x)，此时判别器会随机猜测输入是真图像还是假图像数据处理首先为执行过程定义一些输入：dataroot：数据集文件夹根目录；workers：加载数据的线程数；batch_size：训练中使用的批量大小，DCGAN论文使用的批量大小为128；image_size：训练图像的大小，此实现默认为64x64，如果需要其他尺寸，则必须同时更改D和G的结构；nc：输出图像中的彩色通道数，因为此次是彩色图像所以设为3；nz：隐向量的长度；ngf：设置通过生成器的特征图的深度；ndf：设置通过判别器传播的特征图的深度；num_epochs：要运行的训练周期数，训练更长的时间可能会导致更好的结果，但也会花费更长的时间；lr：训练的学习率，如DCGAN论文中所述，此数字应为0.0001；beta1：Adam优化器的beta1超参数。如DCGAN论文所述，该数字应为0.5；代码如下：# 数据集根目录dataroot = "./data"# 载入数据线程数workers = 4# 批量大小batch_size = 128# 训练图像空间大小，所有图像都将调整为该大小image_size = 64# 图像彩色通道数，对于彩色图像为3nc = 3# 隐向量的长度nz = 100# 特征图在生成器中的大小ngf = 64# 特征图在判别器中的大小ndf = 64# 训练周期数num_epochs = 10# 学习率lr = 0.0001# Beta1 超参数beta1 = 0.5定义create_dataset_imagenet函数对数据进行处理和增强操作。代码如下：def create_dataset_imagenet(dataset_path, num_parallel_workers=None):    # 数据加载    data_set = ds.ImageFolderDataset(dataset_path, num_parallel_workers=num_parallel_workers, shuffle=True)    # 数据增强操作    transform_img = [        vision.Decode(),        vision.Resize(image_size),        vision.CenterCrop(image_size),        vision.HWC2CHW()    ]    # 数据映射操作    data_set = data_set.map(input_columns="image", num_parallel_workers=num_parallel_workers, operations=transform_img,                            output_columns="image")    data_set = data_set.map(input_columns="image", num_parallel_workers=num_parallel_workers,                            operations=lambda x: ((x - 255) / 255).astype("float32"))    data_set = data_set.map(        input_columns="image",        operations=lambda x: (            x,            np.random.normal(size=(nz, 1, 1)).astype("float32")        ),        output_columns=["image", "latent_code"],        column_order=["image", "latent_code"],        num_parallel_workers=num_parallel_workers    )    # 批量操作    data_set = data_set.batch(batch_size)    return data_set# 获取处理后的数据集data = create_dataset_imagenet(dataroot, num_parallel_workers=workers)# 获取数据集大小size = data.get_dataset_size()通过create_dict_iterator函数将数据转换成字典迭代器，然后使用matplotlib模块可视化部分训练数据。代码如下：data_iter = next(data.create_dict_iterator(output_numpy=True, num_epochs=num_epochs))images = data_iter['image']count = 1# 可视化36张图片for i in images[:36]:    plt.subplot(6, 6, count)    plt.imshow(i.transpose(1, 2, 0))    plt.axis("off")    plt.xticks([])    count += 1plt.show()如下图：生成器生成器G的功能是将隐向量z映射到数据空间。由于数据是图像，这一过程也会创建与真实图像大小相同的 RGB 图像。在实践场景中，该功能是通过一系列Conv2dTranspose转置卷积层来完成的，每个层都与BatchNorm2d层和ReLu激活层配对，输出数据会经过tanh函数，使其返回[-1,1]的数据范围内。如图所示：

近年来随着数据、计算能力、理论的不断发展演进，深度学习在图像、文本、语音、自动驾驶等众多领域都得到了广泛应用。与此同时，人们也越来越关注各类模型在使用过程中的安全问题，因为AI模型很容易受到外界有意无意的攻击而产生错误的结果。在本案例中，我们将以梯度符号攻击FGSM（Fast Gradient Sign Method）为例，演示此类攻击是如何误导模型的。对抗例的出现有助于我们对图片的对比效果拉满，所有这同样是必不可少的。定义Szegedy在2013年最早提出对抗样本的概念：在原始样本处加入人类无法察觉的微小扰动，使得深度模型性能下降，这种样本即对抗样本。如下图所示，本来预测为“panda”的图像在添加噪声之后，模型就将其预测为“gibbon”右边的样本就是一个对抗样本。噪音攻击是种很直白的攻击方式，但却直接有效。同样的，也有很多攻击方式；两种情况攻击者掌握的信息多少：白盒攻击：攻击者具有对模型的全部知识和访问权限，包括模型结构、权重、输入、输出。攻击者在产生对抗性攻击数据的过程中能够与模型系统有所交互。攻击者可以针对被攻击模型的特性设计特定的攻击算法。黑盒攻击：与白盒攻击相反，攻击者仅具有关于模型的有限知识。攻击者对模型的结构权重一无所知，仅了解部分输入输出。    2.攻击者的目的：有目标的攻击：攻击者将模型结果误导为特定分类。无目标的攻击：攻击者只想产生错误结果，而不在乎新结果是什么。Fast Gradient Sign Attack（快速梯度符号攻击）讲述通过对原始数据加入细微的噪声得到一组新数据，在新旧两个数据通过人眼难以辨别的情况下，新数据可以欺骗分类器，从而使分类器做出错误的判断。这种方法可以用来攻击一些分类器，并且是完全可行的。产生的对抗扰动用公式可以表示为：产生的对抗扰动用公式可以表示为：xx：正确分类为“Pandas”的原始输入图像。yy：是xx的输出。θθ：模型参数。εε：攻击系数。J(θ,x,y)J(θ,x,y)：训练网络的损失。∇xJ(θ)∇xJ(θ)：反向传播梯度θθ：模型参数。εε：攻击系数。J(θ,x,y)J(θ,x,y)：训练网络的损失。∇xJ(θ)∇xJ(θ)：反向传播梯度。要运行攻击的时候我们要理解由FGSM攻击公式中可以看出，攻击系数εε越大，对梯度的改变就越大。当εε 为零时则攻击效果不体现。代码如下：fgsm = FastGradientSignMethod(net, eps=0.0, loss_fn=net_loss)advs = fgsm.batch_generate(test_images, true_labels, batch_size=32)adv_predicts = model.predict(Tensor(advs)).asnumpy()adv_predicts = np.argmax(adv_predicts, axis=1)accuracy = np.mean(np.equal(adv_predicts, true_labels))print(accuracy)运行结果如下：再将εε设定为0.5，尝试运行攻击：fgsm = FastGradientSignMethod(net, eps=0.5, loss_fn=net_loss)advs = fgsm.batch_generate(test_images, true_labels, batch_size=32)adv_predicts = model.predict(Tensor(advs)).asnumpy()adv_predicts = np.argmax(adv_predicts, axis=1)accuracy = np.mean(np.equal(adv_predicts, true_labels))print(accuracy)结果如下：此时LeNet模型的精度大幅降低。下面演示受攻击照片现在的实际形态，可以看出图片并没有发生明显的改变，然而在精度测试中却有了不一样的结果：import matplotlib.pyplot as pltadv_examples = np.transpose(advs[:10],[0,2,3,1])ori_examples = np.transpose(test_images[:10],[0,2,3,1])plt.figure()for i in range(10):    plt.subplot(2,10,i+1)    plt.imshow(np.squeeze(ori_examples[i]))    plt.subplot(2,10,i+11)    plt.imshow(np.squeeze(adv_examples[i]))plt.show()对比结果：