近日，放射学领域国际顶级期刊《Radiology》发表了华为云 EI 创新孵化 lab、华中科技大学电信学院、华中科技大学同济医学院附属协和医院放射科联合团队的最新研究成果：AI 算法检测动脉瘤灵敏度高达 97.5%，帮助医生临床诊断灵敏度提升约 10 个百分点，漏诊率降低 5 个百分点，同时有效缩短医生诊断时间。日前，放射学领域的国际顶级期刊《Radiology》（《放射学》）发表了一项来自中国的「人工智能 + 医学影像」最新研究成果：运用 AI 帮助医生检测脑动脉瘤，灵敏度达到 97.5%；AI 协助放射科医生阅片，帮助医生临床诊断灵敏度提升约 10 个百分点，漏诊率降低 5 个百分点；同时有效缩短医生诊断时间。论文链接：https://pubs.rsna.org/doi/10.1148/radiol.2020192154这项研究由华为云 EI 创新孵化 Lab 联合华中科技大学电信学院、华中科技大学同济医学院附属协和医院放射科完成，运用华为云一站式 AI 开发平台 ModelArts 开发了一套基于 CTA 影像的全自动化、高度敏感的脑动脉瘤检测算法，帮助医生更快速高效地诊断脑动脉瘤。Radiology 杂志是放射学领域的顶级期刊，一直被公认为该领域最新、最高质量研究的权威参考，2020 年最新影响因子为 7.9，是该领域内被引用次数最多的期刊之一。脑动脉瘤辅诊：「人工智能 + 医学影像」新突破「人工智能 + 医学影像」是将目前最先进的人工智能技术应用于医学影像诊断，帮助医生诊断患者病情的人工智能具体应用场景，可以广泛用于各类病灶识别与标注，如宫颈癌、肺部结节、心脑血管疾病辅诊等。脑动脉瘤诊断难点脑动脉瘤是脑动脉内腔的局限性异常扩大造成的一种瘤状突出，存在渗漏或破裂风险，位居脑血管疾病病因的 Top3，堪称「沉默又**的杀手」。脑动脉瘤造成了大约 80%-90% 的非创伤性蛛网膜下腔出血。这一严重的脑部疾病死亡率为 23%-51%，另外还有 10%-20% 的永久残疾风险，对其进行早期诊断与治疗非常必要。动脉瘤位置多发，形态多样，对医生资历要求较高。中国人口基数大，高资历医生匮乏，相关医生工作强度极大。 动脉瘤破裂的风险取决于动脉瘤的大小、形状和位置，因此脑动脉瘤的检测和特征提取是指导治疗的关键。目前，CT 血管造影成像（CTA）是评估颅内动脉瘤的主要影像学检查手段，与磁共振血管造影（MRA）相比， CTA 是一种快速且经济有效的诊断技术，通常具有更广的可用性和较高的空间分辨率。与数字减影血管造影（DSA）相比，CTA 通常更广泛且具备无创性。但是由于脑动脉瘤体积小和颅内血管的复杂性，即使专业的放射学专家进行诊断也需要耗费很长的时间，一些小动脉瘤还可能被遗漏。AI + 医学影像，解决脑动脉瘤辅诊难题在最近发表在 Radiology 的这项新研究中，华为云 EI 创新孵化 Lab 联合华中科技大学电信学院、华中科技大学同济医学院附属协和医院放射科运用华为云一站式 AI 开发平台 ModelArts，开发了一套基于 CTA 影像的全自动化、高度敏感的脑动脉瘤检测算法。ModelArts 平台提供数据预处理及半自动化标注、大规模分布式训练、自动化模型生成，以及端 - 边 - 云按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。 该研究开发的脑动脉瘤检测算法包括一个编码器和解码器，并在编码器解码器中间使用了密集的空洞卷积 (DAC) 和残差多核池化 (RMP) 模块。输入的 CTA 图像被重采样至 0.39×0.39×0.39 mm^3 分辨率，算法输出会提供动脉瘤存在概率、动脉瘤位置以及直径大小等信息，并在 CTA 原始图像上为可疑的动脉瘤勾画出一个边界框。脑动脉瘤检测算法的整体架构。该研究使用了 534 名患者的 CTA 数据来训练深度学习检测算法，然后在另外 534 例数据上进行验证。验证集共含有 649 个动脉瘤，该研究算法检测出来了 633 个，灵敏度达到 97.5%；同时算法还检测出了 8 个新的动脉瘤，而这些动脉瘤在医生最初的诊断中被忽略了。这 8 个动脉瘤有 6 个直径小于 3mm，2 个在 3-5mm 之间，说明该研究算法对于微小动脉瘤也具备非常好的性能。数据获取、筛选和分割流程图。算法在验证集上的 FROC 曲线。此外，为了验证该研究提出算法对放射科医生的协助作用，研究人员另外收集了 400 例 CTA 数据作为外部测试集（188 个阳性和 212 个阴性），由四名放射科医生分别在没有算法协助和有算法协助下进行阅片。统计结果显示，在有算法协助的情形下，放射科医生的表现都有一定的提升，特别是经验较少的医生进步最明显。帮助影像科医生，而不是取代他们参与该联合项目的华中科技大学同济医学院附属协和医院影像科专家龙茜博士表示：「我们联合华为云开发的深度学习算法在检测动脉瘤方面表现出了出色的性能。我们发现极少数动脉瘤在最初的临床诊断报告中被忽略了，但它们被深度学习算法成功地识别出来了。」该研究表明，深度学习算法在脑动脉瘤的诊断中具有潜力，有望在临床上作为第二意见的诊断工具。AI 有许多优点，主要是因为其不受经验水平、工作时间和情绪等影响人类表现的因素的影响。对于三甲医院来说，「人工智能 + 医学影像」的引入可以改善高度依赖医生人工读片的传统模式，一定程度上缓解医学影像诊断的压力，同时满足三甲医院的科研需求。对于基层医院来说，相比三甲医院，对复杂影像的处理能力、判断能力更为薄弱，因此误诊漏诊率更高。人工智能通过把影像诊断结果进行前期的分析和处理，可以提高筛查数量，降低误诊漏诊率，进而提高综合医疗水平。当然，这个系统也有一些局限性。它可能识别不出非常小的动脉瘤或位于类似密度结构的动脉瘤，如骨骼。同样，它的判断也受到假阳性的影响，可能错误地将类似于动脉瘤的结构识别为动脉瘤，这时就需要医生把关，共同做出准确诊断。人工智能会替代影像科医生吗？对此，龙茜博士表示：「与华为云合作开发 AI 深度学习算法的目的是帮助影像科医生，而不是取代他们。未来需要进一步收集、分析、验证更异构的高质量数据，进一步验证该算法，这是评估其推广性和对日常临床工作适用性的关键，需要 AI 算法专家、影像科专家等进一步通力合作。」   加速 AI 基础研究和医疗领域落地随着人工智能的不断发展，国内主要 IT 和云厂商都在医疗、大健康领域有所布局。医疗基础研究方面，华为云 EI 创新孵化 Lab 重点聚焦于如何解决医疗领域的重大技术难题。在 MICCAI 2019 、MICCAI2020、Radiology 等人工智能医学影像学术会议期刊上连续发表了华为云人工智能医学影像分析团队 6 篇论文，涵盖宫颈癌筛查、脑中风分割、心室分割以及平片诊断报告自动生成相关领域的研究成果。在 LUNA-2016、HC-2018、ISLES-2018 的个业界多个挑战赛事上获得业界领先水平。在产业落地方面，在医疗影像领域，华为云可提供企业级的医疗影像 AI 平台，支撑全流程可追溯的端到端 AI 建模，助力医疗影像 AI 更加系统、快速、安全地走向市场。在基因组、制药等领域，与医疗行业领先企业及医院和高校合作，加速 AI 研究和应用落地。

3月9日，由东风汽车集团有限公司、东风畅行（武汉）科技股份有限公司联合主办、华为公司承办的“东风出行杯开发者创意大赛”顺利收官，来自武汉大学的“教学实验大楼6楼”团队成功问鼎夺冠。受新冠肺炎疫情影响，比赛采用线上方式进行。“东风出行杯开发者创意大赛”是大数据分析、创意交流赛事，赛题与东风畅行实际业务相结合，为开发者提供一个交流、学习，创新挑战的平台，以达到为业务赋能、培养汽车行业大数据人才的目的。大赛参赛者基于华为云一站式人工智能开发平台ModelArts，根据组委会提供的历史出行订单、出行原始**点数据，完成了订单需求预测、出行行为分析等模型的开发。大赛由东风出行平台提供2019年9~11月的部分订单数据，数据量大于50万行。赛题包括“订单需求预测”和“出行行为分析”两部分，参赛者通过分析历史订单数据，对给定的时间和给定的地点或区域，使用算法预测订单需求数量；同时通过分析用户使用东风出行app的历史数据，分析用户出行规律和人口流动特征，生成个性化运营方案。大赛期间，华为云面向参赛开发者提供了AI开发平台ModelArts，作为一站式人工智能开发平台，ModelArts为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式Training、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流，成为本次大赛的重要技术支撑。大赛分为初赛、决赛两个阶段，吸引了东风集团内部单位、外部企业、高等院校的25支队伍参赛。在初赛截止前，各参赛队提交了代码、模型、开发过程及解题思路介绍材料、仿真环境演示结果等，经由专业评审评判，最终7支参赛队入围决赛。入围决赛的队伍，经过线上答辩，八位专家评委严格评估，评选出最终获奖者：来自武汉大学的“教学实验大楼6楼”团队荣获一等奖，上海交通大学“蒲公英”团队、东风汽车公司技术中心“珠山湖波特舰队”团队获得二等奖，东风汽车公司技术中心“哈哈的数据联盟”团队、武汉大学“WHURSGIS”团队、东风日产乘用车公司“大碗宽面”团队、武汉理工大学“Transformer”团队获得三等奖。武汉大学“教学实验大楼6楼”团队获大赛冠军自2019年5月正式上线网约车业务以来，东风畅行旗下的东风出行平台用户订单数据已经超过100万。大赛充分结合平台大数据和华为云ModelArts的AI开发能力，赋能各参赛开发者产出优秀创意，为东风出行的运营升级提供更多思路，让无形的数据资产发挥出了更大价值，赋能智慧出行，改善用户体验。东风汽车集团有限公司副总经理尤峥代表东风公司对全体参赛队伍表示感谢。他说，本次大赛历时近2个月，后期还遭遇了前所未有的疫情。各参赛队努力克服困难，全身心地投入赛事当中，展示了良好的比赛成果。此外，本次大赛也为东风汽车数字化业务的价值挖掘提供了新思路、新模式。尤峥还表示，当前我国已将智能网联汽车与新能源汽车并列作为汽车产业发展的重要战略方向，数字化转型已成为重中之重。未来，汽车产品的定义将会发生变化，新一代汽车融合云计算、大数据、物联网、移动通讯、AI、三电等创新技术，汽车产业的价值链会向“产品+数据+服务+生态”拓展，数字化与生态融合将成为价值增长带。面向未来，也期待参赛选手在内的广大青年才俊们能够携手东风、共创未来。智慧出行是东风公司战略发展方向之一，在东风公司与华为公司的深化战略合作基础上，这次赛事也为双方创造了出行业务智能化的新契机。除智慧出行外，华为云ModelArts还支持图像分类、图像检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景，让AI的行业应用有了更多想象空间。目前，ModelArts已经拥有开发者超过4万；2019年5月，ModelArts在斯坦福大学DAWNBench榜单以2分43秒的成绩获得图像识别训练时间世界第一。

2019，华为云进入发展快车道。根据IDC发布的《2019年上半年云专业服务跟踪报告》显示，华为云以5.4%的份额位居2019H1中国前十大云专业服务商市场份额第一。市场份额的背后，华为云发挥着自身技术创新优势，不断深入行业场景，赋能千行百业。在开发者生态构建方面，华为云亦是不遗余力。2019年，华为云举行了一系列开发者大赛，为开发者提供展示自我的舞台，助力企业与优秀人才、前沿科技的对接，助推万物互联的世界提前到来。No.1数字中国创新大赛：文化传承-汉字书法多场景识别赛2019年1月，华为云以“文化传承-汉字书法识别场景”为赛题，通过人工智能算法实现书法文字的自动识别，解决实际场景中有些书法文字难以识别的问题，传承中国千年文化。赛事共有1071赛队的1203名选手报名，最终破晓、银月之晶、Gtai三支团队获得前三名。冠军团队破晓，赢得最高8万元大奖，并获得华为云AI实验室的实习机会，以及华为云面试绿色通道资格。比赛过程中，华为云为参赛选手们提供了华为云ModelArts一站式AI开发与管理平台和华为云OCR(文字识别服务)技术支持。其中，华为云OCR凭借识别精度高、服务稳定、支持复杂场景、简单易用等优势，现今已被广泛应用于物流、医疗、金融等行业。No2华为云人工智能大赛•无人车挑战杯7月1日，“华为云人工智能大赛•无人车挑战杯”开始报名。通过本项赛事，华为云全面锻炼和提高了赛队的AI解决方案能力及无人驾驶编程技巧的赛事。作为整场赛事的技术支撑，华为云ModelArts一站式AI开发与管理平台及计算机视觉端云协同解决方案HiLens让参赛开发者们轻松地进行了模型开发与部署。具体而言，在识别红绿灯的问题上，无人车可在上路前通过华为云HiLens Kit采集交通灯照片，然后在ModelArts上进行图片数据集的标注并生成标注数据，轻松过灯。No3华为云鲲鹏开发者大赛7月23日，“2019华为云鲲鹏开发者大赛”开赛，选手基于华为云自主创新的鲲鹏云服务器,进行主题为“化鲲为鹏”的游戏策略开发。大赛吸引了来自北京大学、浙江大学、哈尔滨工业大学等全国374所高校的学生，以及50个来自不同行业的开发者共1200多位选手参赛。而华为云鲲鹏开发者大赛的最大亮点就是在于华为云为参赛选手们提供最新的华为云鲲鹏云服务器。基于鲲鹏处理器对云原生软件随时随地的部署，华为云鲲鹏云服务可以帮助开发者在大数据、分布式存储、ARM原生应用等诸多应用开发场景中游刃有余，为其提供从芯片到服务器到云平台的全栈自主创新能力，帮助开发者轻松应对多云计算的挑战。No4华为云人工智能大赛·**分类挑战杯于7月30日启动“华为云人工智能大赛·**分类挑战杯”致力于运用AI赋能**分类，减轻城市居民在**分类方面产生的困扰。截至比赛结束，有2600多位社会各界开发者参赛。比赛中，华为云为选手提供ModelArts、算力云资源、数据集等。ModelArts以全流程的极简和自动化升级已有的传统AI开发模式，让数据准备、算法开发、模型训练、模型管理、模型推理全链条产生质的飞越。值得一提的是，华为云ModelArts不仅仅应用于**分类，还可适用于建筑、互联网、医疗等诸多行业场景。华为云历来重视用技术使能开发者，不仅发布了ModelArts、HiLens、华为云鲲鹏云服务、OCR等众多解决方案及工具，帮助开发者驰骋开发界，还在2019华为全联接大会上，发布了沃土计划2.0，宣布未来五年将投入15亿美元，帮助全球开发者基于华为开源开放的产品和服务进行技术与商业创新。依托华为30年的技术积淀，华为云正在努力构建完善的开发者生态，以促进每一位加入华为云生态的开发者，不仅能获得技术支持，还能找到同伴、发现商机，将梦想从不可能变可能。如果说云计算改变了中国各行各业的发展历程，那么可以说，华为云正让每一位开发者参与到这一历史进程当中。

昇腾AI初创大赛决赛暨星火计划Online第二期  直播信息华为昇腾AI初创大赛决赛暨星火计划Online第二期将于2020年12月17日下午2点在线上直播间举办。下午14:00-18:30将由13家海内外人工智能初创企业进行昇腾AI作品路演，并由专家评委现场评优；晚上20:00-21:00，在同一直播间，还将直播星火计划Online第二期：大咖教你如何玩转昇腾社区，由昇腾开发者首席运营官带你深入掌握昇腾社区通关秘籍！直播回看链接：https://bbs.huaweicloud.com/live/DevRun_live/202012171400.html?ticket=ST-215734-WfOHdEbGd2pbFpMPjzSgomVb-sso&locale=zh-cnhttps://bbs.huaweicloud.com/live/DevRun_live/202012171400.html?ticket=ST-215734-WfOHdEbGd2pbFpMPjzSgomVb-sso&locale=zh-cn

盘点 AI 十年来取得的重要突破。过去十年间，人工智能技术突飞猛进，最疯狂的科幻小说场景现在已经成为我们生活中不可或缺的一部分。十年前，人们在谈论 AI 的理论化和实验，但这些年来，AI 变得更加切实了，也变成了主流。无论是国际标准课程、平台、库、框架、硬件，一切都顺理成章。就算说这十年里取得的成绩奠定了未来的基础，也不为过。这篇文章将盘点 AI 十年来取得的重要突破。卷积2012 年是深度学习历史上重要的一年。那一年，卷积神经网络（CNN）在著名的 ImageNet 挑战赛中大放异彩。由 Alex Krizhevsky 等人设计的卷积神经网络「Alexnet」以远超第二名的成绩夺冠，在 ImageNet 数据集上的视觉识别错误率为 15.3%，降低了一半。该神经网络对猫的检测准确度达到了 74.8%，在 YouTube 视频中检测人脸的准确率为 81.7%。现在，手机和商场中的人脸识别应用都应该归功于 2012 年的这项工作，识别准确率的提升使研究者能够进行医学成像模型的部署，这些模型具备高置信度。与 AI 对话Vaswani 等人 2017 年发表的《Attention Is All You Need》带来了级联效应，使得机器能够以前所未有的方式去理解语言。得益于 Transformer 架构，AI 现在能够撰写假的新闻、推文，甚至可能引起政治动荡。继 Transformer 之后，谷歌又推出了 BERT 模型，将其用于关键字预测和 SEO 排名等。BERT 如今已经变成了自然语言处理领域的实际标准，诸如 Microsoft 和 NVIDIA 之类的公司开始堆积更多参数来追赶该模型。NVIDIA 的 Megatron 具有 80 亿个参数，而 Microsoft 的 Turing NLG 模型具有 170 亿个参数。OpenAI 的 GPT 模型后来居上，1750 亿参数的 GPT-3 目前是历史记录的保持者。GPT-3 也是 Transformer 的扩展，是目前最大的模型，它可以编码、写散文、生成商业创意，只有人类想不到，没有它做不到。将人类一军AI 早已在国际象棋中击败了人类。而更加复杂的人类游戏，如 Jeopardy! 游戏、围棋、德州扑克等，也没有挡住算法的脚步。人工智能近几年来最广为人知的事件就是 AlphaGo 在最复杂棋类游戏——「围棋」上击败了人类顶级选手。与此同时，在这个十年中，IBM 的 Watson 也在 Jeopardy! 决赛中击败了两位人类，最终 Watson 获得了 77147 美元奖金，而两位人类分别获得了 24000 和 21600 美元。Facebook 和卡耐基梅隆大学共同开发的德扑 AI Pluribus 战胜了五名专家级人类玩家，实现了前辈 Libratus（冷扑大师）未能完成的任务，该研究还登上了 2019 年的《科学》杂志。2020 年 12 月，DeepMind 提出的 MuZero 让一种人工智能模型掌握多种游戏，包括将棋、国际象棋和围棋。每一个生物体的行为都可以在其蛋白质中寻踪溯源。蛋白质承载着秘密，**蛋白质或许有助于击败新冠大流行。但蛋白质结构非常复杂，需要不断地运行模拟。DeepMind 尝试解决这一难题，其开发的深度学习算法「Alphafold」**了出现五十年之久的蛋白质分子折叠问题。计算机视觉被证明可以帮助诊断，而解决蛋白质折叠问题甚至能够帮助研发人员开发新药。AI：是艺术家，也是骗子去年，在一则视频中，比利时首相谈论着解决经济和气候危机的紧急需求，后来人们发现这其实是 Deepfake 视频。在机器学习和 AI 对比利时首相声音和表达方式的操纵下，这则假视频让首相发表了一场关于全球变暖影响的演讲。这些伪造内容的背后是精心设计的算法——生成对抗网络（GAN）。该算法在 2014 年提出，并得到广泛应用，甚至已经侵入了人类工作的最后一道壁垒：创作。这种网络可以生成从未存在的人脸、互换人脸，让一国总统胡言乱语。GAN 生成的一幅画甚至在佳士得拍卖会上以破纪录的价格——40 万美元成交了。GAN 的另一面是被用于恶意目的，以致于像 Adobe 这种公司不得不研究新技术来鉴别伪造内容。GAN 在下一个十年里仍将是被广泛讨论的对象。秘密武器——硅神经网络的概念诞生了半个世纪，今天流行的反向传播方法也出现三十年了。但是，我们仍然缺少能够运行这些计算的硬件。过去十年，我们见证了十多家公司研究专门的机器学习芯片。这些年来，芯片技术得到了极**展，我们可以在手掌大小的设备上执行百万次运算。这些芯片被用到数据中心，用户可以观看自己喜欢的 Netflix 电影、使用智能手机等。接下来，专为边缘设备定制的 AI 芯片蕴含着价值数十亿美元的商机。苹果等公司已经开发了定制化机器学习芯片（如 A14 Bionic）来提供智能服务。即使是依赖英伟达和英特尔的 AWS，也正在慢慢进入芯片行业。随着芯片变得越来越小，这一趋势只会更加明显：例如使用英伟达 Jetson AGX Xavier 开发者套件，你可以轻松创建和部署端到端 AI 机器人应用，用于制造、零售、智能城市等等。谷歌的 Coral 工具包可将机器学习带到边缘设备上。安全、实时输出是目前的主题。开源文化逐渐成熟2015 年，TensorFlow 开源。一年后，Facebook AI 又开源了基于 Python 的深度学习框架 PyTorch。今天，TensorFlow 和 PyTorch 已经成为使用最广泛的框架。通过不断的版本更新，谷歌和 Facebook 为机器学习社区带来了极大便利。自定义库、软件包、框架和工具的爆发式增长，使得更多人进入了 AI 领域，也为 AI 研究带来了更多人才。开源是近几年的一个主要特性。开源工具和越来越多的可用资源（如 arxiv 或 Coursera）促进了 AI 变革。另一个催化剂是流行的竞赛平台——Kaggle。Kaggle 和 GitHub 滋养了一批高质量 AI 开发者。更多学习，更少规则Schmidhuber 教授上世纪 90 年代初提出的元学习概念，最近才逐渐得到关注。元学习指在有限训练示例的基础上，使机器学习模型学习新技能并适应不断变化的环境。通过操纵超参数对特定任务优化机器学习模型需要大量用户输入的话，过程会较为繁琐，而使用元学习后，这一负担将得到极大缓解，因为元学习将优化部分自动化了。自动优化带来了一个新的行业 MLaaS（机器学习即服务）。未来方向关于一些专家预测以下领域或许将发挥主要作用：可复现性差分隐私几何深度学习神经形态计算强化学习尽管 AI 已经进入许多我们未曾想象的领域，但它仍需应用到更流行的应用中，如自动驾驶汽车。然而，挑战更多地在于数学层面：目前已有能够做出准确决策的算法，也有能够处理这些算法的处理器，但何时能够部署到应用上仍未可知。不管是医疗还是自动驾驶汽车，AI 仍需要继续进展，而这只有在透明性和可复现性得到建立时才会发生。原文链接：https://**yticsindiamag.com/ai-top-decade-2010-2020-breakthroughs/本文来源：https://www.jiqizhixin.com/articles/2021-01-11-3作者：RAM SAGAR编译：蛋酱 魔王

作者 | 陈大鑫、青暮 2012年1月11日，因疫情延迟半年已久的 IJCAI 2020大会正会终于迎来万众期待的开幕式！本届大会是第29届国际人工智能联合大会（IJCAI-PRICAI 2020），大会原定于2020年 7 月 11 日在日本横滨召开，现在会址从日本横滨改到了全程线上举行。线上的虚拟环境究竟是怎么样的？给人的体验感和参与感又会如何？南京大学人工智能学院院长周志华教授对此表示道：“走进虚拟会场想起仙剑奇侠李逍遥。”在开幕式上，大会组委会连续公布了包含IJCAI 2020 卓越研究奖、约翰·麦卡锡奖、计算机与思想奖、Donald E. Walker 杰出服务奖、AIJ 经典论文奖、AIJ 突出论文奖、IJCAI-JAIR最佳论文奖、IJCAI 杰出论文奖等多项大奖 。在查看各项大奖之前，就让AI科技评论带大家再次回顾一下IJCAI-PRCAI 2020论文接收情况。一、大会论文统计IJCAI-PRCAI 2020共收到6814篇论文摘要，以及5147篇提交论文，其中346篇论文由于违反提交政策被desk rejected，2191篇论文被summary rejected，也就是还没进入评审阶段就被直接拒绝，占比高达42.5%，最后只有591篇论文被接收，仅占非 desk-rejected 论文的12.5%，占总投稿量的11.5%（2018年、2019年的接收率分别为20.5%、17.9%）。录用论文列表：http://static.ijcai.org/2020-accepted_papers.html 按照国家分布，和往年一样，中国的接收论文数和投稿数都位居第一。论文接收数排第二、第三的是**和澳大利亚。这三个国家的论文接收率分别为：中国9.51%，**11.5%，澳大利亚15.5%。以下则是按照大洲统计的论文投稿数和接收数分布情况。按照主题领域统计，除了机器学习、自然语言处理、计算机视觉、数据挖掘等大类外，其他比较受关注的领域有：基于智能体和多智能体的系统、多学科课题和应用、机器学习应用、知识表征和推理、人与AI等。 二、IJCAI 2020 大奖IJCAI 卓越研究奖IJCAI 卓越研究奖（Research Excellence Award）是 IJCAI 所有奖项中最为重要的一个奖，它对获奖者的要求是「在整个职业生涯中始终保持高质量的研究，且取得实质性成果」。2020年该奖项的获得者是科克大学（University College Cor）计算机科学与信息技术学院荣誉教授Eugene C. Freuder。Eugene C. Freuder在基于约束的推理和问题解决方面（ constraint-based reasoning and  problem solving）做出了开创性研究。过去获得此殊荣的都是人工智能领域最杰出的科学家：约翰·麦卡锡（1985），艾伦·纽厄尔（Allen Newell ，**），马文·明斯基（1991），雷蒙德·瑞特（1993），Herbert Simon（1995），Aravind Joshi （1997），Judea Pearl（1999），Donald Michie（2001），Nils Nilsson （2003），Geoffrey E. Hinton（2005），Alan Bundy（2007），Victor Lesser（2009），Robert Anthony Kowalski （2011）， Hector Levesque（2013），Barbara Grosz（2015），Michael I.Jordan（2016），Andrew Barto（2017），Jitendra Malik（2018）和Yoav Shoham（2019）。在之前的19位获奖者中，有6位还获得了图灵奖（约翰·麦卡锡，艾伦·纽厄尔，马文·明斯基，Herbert Simon，Judea Pearl和Geoffrey E. Hinton）。Herbert Simon同时还获得了诺贝尔经济学奖（1978年）。IJCAI 计算机与思想奖IJCAI 计算机与思想奖（Computers and Thought Award）是 IJCAI 最早设置的一个奖，主要奖给 35 岁以下的研究者，是对于年轻学者来说最高的一个奖项。 2020年IJCAI计算机与思想奖的获得者是华沙大学数学、信息学和力学系助理教授Piotr Skowron。Skowron教授以其对计算社会选择（computational social choice）和委员会选举（committee elections）理论的贡献而受到认可。IJCAI 约翰麦卡锡奖IJCAI 约翰麦卡锡奖（John McCarthy Award）是以人工智能领域的创始人 John McCarthy 而命名，是针对 mid-term career award。IJCAI-John-McCarthy奖旨在表彰那些在获得博士学位后十五到二十五年内，在人工智能领域建立了卓越研究记录的职业生涯中期研究人员。该奖项的被提名者将对其所在领域的研究议程做出重大贡献，并将拥有一流的影响力研究成果。该奖项以约翰·麦卡锡（1927-2011）的名字命名，他被公认为人工智能领域的创始人之一。麦卡锡不仅给人工智能这门学科起了名字，而且对计算机科学，特别是人工智能做出了持久的重要贡献，包括LISP编程语言、知识表示、常识推理，以及人工智能中的逻辑主义范式。该奖项是在麦卡锡家族的全力支持和鼓励下设立的。过去获得过该奖项的学者有:  Bart Selman (2015), Moshe Tennenholtz (2016), Dan Roth (2017), Milind Tambe (2018) and Pedro Domingos (2019).2020年约翰麦卡锡奖的获得者是麻省理工学院计算机科学和人工智能实验室（CSAIL）主任Daniela Rus，她同时也是Andrew和Erna Viterbi电机工程与计算机科学教授、ACM、AAAI、IEEE Fellow，并且是**国家工程院和**艺术与科学研究院院士。    Daniela Rus教授因其在自治（autonomy）科学和工程以及多智能体算法的发展方面的贡献而受到认可。值得一提的是，Daniela Rus也曾是雷锋网邀请到的CCF-GAIR首届（2016）大会演讲嘉宾，更多信息请查看 “雷锋网专访CSAIL主任Daniela Rus：人机关系之未来的最靠谱预测 ”一文。IJCAI Donald E. Walker 杰出服务奖正如一个**的成败离不开后勤供给，一个成熟的研究社区也离不开背后默默为社区服务的团体。IJCAI Donald E. Walker Distingguished service Award 正是 IJCAI 为这样默默服务的人而设立的一个奖项，它奖励那些为 AI 社区提供持久服务的人员。2020年的获奖者是新南威尔士大学人工智能科学教授、Data61算法决策理论小组负责人Toby Walsh。Walsh教授以其杰出的贡献以及在整个职业生涯中对人工智能领域的广泛服务而受到认可。三、AIJ 期刊（Artificial Intelligence Journal）奖项AIJ 经典论文奖（The AIJ Classic Paper Award）该奖项表彰至少于 15 年前发表在 AIJ 杂志上，而如今仍然有很高重要性、很大影响力的杰出研究论文。2020年获奖论文：《Temporal Constraint Networks》。论文链接:https://www.sciencedirect.com/science/article/abs/pii/0004370291900066论文摘要：本文将基于网络的约束满足方法扩展为包含连续变量，从而为处理时间约束提供了框架。在这个称为时间约束满足问题（TCSP）的框架中，变量代表时间点，而时间信息则由一组一元和二元约束表示，每个约束都指定一组允许的间隔。该框架的独特之处在于允许处理度量标准信息，即评估事件之间的时间差。我们提出了用于执行以下推理任务的算法：找到给定事件可能发生的所有可行时间，找到两个给定事件之间的所有可能关系，并生成一个或多个与所提供信息一致的场景。本文区分了简单的时间问题（STP）和一般的时间问题，前者在任何一对时间点上最多允许一个间隔约束。我们证明，包含Vilain和Kautz点代数的主要部分的STP可以在多项式时间内求解。对于一般的TCSP，我们提出一种分解方案，该方案执行所考虑的三个推理任务，并引入各种技术来提高其效率。我们还研究了路径一致性算法对时间问题的预处理的适用性，证明了它们的termination ，并限制了它们的复杂性。AIJ 突出论文奖（The AIJ Priminent Paper Award）该奖项表彰不早于7年内发表在 AIJ 杂志上，且有很高重要性、很大影响力的研究论文。2020年获奖论文：《Conflict-based search for optimal multi-agent pathfinding》。论文链接:https://www.sciencedirect.com/science/article/pii/S0004370214001386 论文摘要：在多主体寻路问题（MAPF）中，我们给定一组智能体，每个智能体都有各自的起始位置和目标位置。任务是寻找所有智能体的路径，同时避免冲突。以前，为解决此问题而进行的大多数工作都以最佳方式将单个智能体视为单个“联合智能体”（joint agent），然后应用A *算法的单智能体搜索变体。在本文中，我们提出了一种新的最优多主体寻路算法——基于冲突的搜索（CBS）。CBS是一种两级算法，不会将问题转换为单一的“联合智能体”模型。在较高级别，对冲突树（CT）执行搜索，该树是基于各个智能体之间的冲突的树。CT中的每个节点代表了一组对智能体运动的约束。在较低级别，执行快速单智能体搜索以满足高级CT节点施加的约束。在许多情况下，这种两级形式使CBS需要检查的状态少于A *算法，同时仍保持最佳结果。我们分析了CBS，并展示了其优缺点。此外，我们介绍了Meta-Agent CBS（MA-CBS）算法。MA-CBS是CBS的泛化。与基础的CBS不同，MA-CBS不仅限于低级别的单智能体搜索。相比之下，MA-CBS允许将智能体合并为一小组联合智能体。这缓解了基础的CBS的某些缺点，并进一步提高了性能。实际上，MA-CBS是可以建立在任何最佳而完整的MAPF求解器之上的框架，以增强其性能。在各种问题上的实验结果表明，与以前的方法相比，速度提高了一个数量级。四、IJCAI-JAIR最佳论文奖自2003年起，IJCAI-JAIR最佳论文奖每年从最近5年发表在JAIR中的论文中评选并表彰一篇杰出论文。评审的标准基于论文的重要性和presentation的质量。2020年 IJCAI 2020 IJCAI-JAIR最佳论文：《From Skills to Symboles: Learning Symbolic Representations for Abstract High-Level Planning 》。论文链接：https://dl.acm.org/doi/10.5555/3241691.3241695本文优雅地展示了如何自动构建适用于评估在一个持续、底层环境环境中的高级动作序列组成的规划的抽象表示。这遵循了人工智能中围绕程序抽象符号表示构建智能体控制体系结构的悠久传统、建立高层行为和抽象表示之间的原则性联系，以及构造具有可证明属性的抽象表示的理论基础和用于自主学习抽象高级表示的实用机制。2020 IJCAI-JAIR最佳论文荣誉提名：《Coactive Learning》论文链接：https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.693.7316&rep=rep1&type=pdf五、IJCAI 2020杰出论文今年一共有两篇论文获得IJCAI 2020杰出论文奖。杰出论文一:《Synthesizing Aspect-Driven Recommendation Explanations from Reviews》论文链接：https://www.ijcai.org/Proceedings/2020/0336.pdf论文介绍：解释有助于使推荐变得有意义，从而增加了采用的可能性。然而，现有的解释性推荐的方法往往依赖于严格的标准化模板，这些模板只能通过填充空白aspect  sentiments来定制。为了更灵活、更通俗、更多样化地解释interest的各个方面，本文通过从评论中选择片段来综合解释，同时优化其代表性和连贯性。为了适应目标用户的aspect偏好，本文基于一个兼容的可解释的推荐模型，将用户的观点进行上下文化。之后在多个产品类别的数据集上的实验表明，与基于模板、评论摘要、选择和文本生成的baseline相比，本文的方法是高效的。杰出论文二:《A Multi-Objective Approach to Mitigate Negative Side Effects》论文链接：https://www.ijcai.org/Proceedings/2020/0050.pdf论文介绍：在非结构化环境中运行的智能体通常会产生在设计时可能不容易识别的负面作用（NSE）。本文研究了在系统部署期间，如何使用各种形式的人类反馈或自主探索来学习与NSE相关的惩罚函数。本文将减少NSE影响的问题描述为一个多目标马尔科夫决策过程，该过程具有字典式（ lexicographic）奖励偏好和松弛性。松弛表示相对于智能体的主要目标允许的最优策略的最大偏差，以减轻作为次要目标的NSE。实验结果表明，本文提出的框架能够有效地缓解NSE影响，并且不同的反馈机制会引入不同的偏差，从而影响NSE的识别。最后值得一提的是，张成奇教授将担任IJCAI 2024的大会主席（Conference Chair），周志华教授将担任IJCAI 2021的程序主席（Program Chair），而杨强教授则是去年IJCAI 2019理事会主席（President, Board of Trustees）。本文来源：微信公众号：AI研习社作者 | 陈大鑫、青暮 

当虚拟人走向直播间，会与品牌擦出怎样的火花？24小时在线，“TA”们如何做到时刻不掉链子？随着元宇宙的大热，当虚拟照进现实，企业又该如何把握好这场数字营销变革的机遇？2022年1月6日（周四）19:00，华为云云市场新年首播特邀奇幻科技CEO、COO与虚拟主播“素体”，聊聊元宇宙下的企业数字化营销新方向！立即点此>>>进入直播间<<<扫码入群，享更多福利！除了干货内容，还有心动奖品！本期由华为云云市场联合奇幻科技，为大家准备了：海量码豆、双肩背包、旅行颈枕、加热杯垫、折叠键盘、VR图书《小麦魔法学院》……立刻点此>>查看活动详情，领取本期专属好礼吧！（活动正在火热进行中，时间有限，先到先得噢！）想了解更多内容，点击进入云市场EcoSpace直播间《AI主播上线，来聊个关于虚拟人的天》。直播期间（2022年1月6日19:00~20:00）观看并参与抽奖，更多精美大奖等你来~立即报名参与吧！本期直播商品: VLive虚拟直播【华为云云市场，助您上云无忧】

深度学习所取得的巨大成功离不开大规模标注的数据集。大规模标注的背后，是传统的监督学习对于每一个训练样本完备标签的要求。随着业务规模的不断扩大，越来越多的企业发现数据的标注开始成为抬高交付成本、制约效果提升的主要因素之一。在此背景下，无监督学习和弱监督学习通过不使用标签或减少对标签数量、质量的要求来迅速降低深度模型对于数据的标注需求，使得原本无法利用的数据如今都可以加入到模型的训练中去，进而由量变引发质变。在 NLP 领域，基于 Transformer 的无监督训练模型已持续霸榜各种 NLP 任务数据集；在 CV 领域，最新的 MPL 方法也通过额外的无标注数据集首次将 ImageNet 的 Top-1 分类准确率提升到了 90%+ 的水平。可以预见的是，将有越来越多的人工智能企业会面临从前期的迅速扩张到稳定期高效化运作的新阶段，而在这个过程中，无监督 / 弱监督学习无疑将成为他们过渡到这个阶段的重要手段之一。

课程内容：python基础https://education.huaweicloud.com/courses/course-v1:HuaweiX+CBUCNXE075+Self-paced/courseware/9d693a77b3e44ed291219706b6c277c4/988f88df3c3a440794d1c0f380fe1bf5/实践内容：图像分类(入门版、进阶版)入门实践：https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=4cd2f612-a3ce-4503-961f-48c61bcce016进阶实践：https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=eccb48ab-6514-4658-bbda-08208abba471【打卡说明】完成任务后在此帖下方按要求回复打卡内容输入个人华为云账号课程学习进度截图实践完成截图以上三个内容缺一不可哦~【打卡示例】课程学习后，在评论区上传学习进度截图，截图内包含华为云账号示意图：实践完成后，在评论区上传实践截图，如下：注：图片需要截图全屏，包含华为云账号信息。实操示意图：如果点击之后，跳转的页面右上角出现连接或者登陆，请先连接或者登陆，之后需要稍等30s此案例需要GPU运行，切换规格为GPU，优先选择免费由于实操人数过多，免费规格可能会售罄，此时需要切换到付费规格（一定要确保自己领取了代金券，可以点击此处查看代金券） 切换规格完成之后，点击控制台左上角三角形符号开始运行实践代码，具体操作可以参考：JupyterLab的详细用法： 请参考《ModelAtrs JupyterLab使用指导》碰到问题的解决办法： 请参考《ModelAtrs JupyterLab常见问题解决办法》完成之后点击右上角的分享按钮点击此处，可以查看自己完成的实践，并截图提交注：在11月18日-11月22日期间完成打卡可算课程完成有效人数，全部完成后可获得青年班结业证书＋获得普惠抽奖资格一次哦~

联盟全部联盟华为云大赛技术圈话题详情返回列表 上一篇 下一篇总条数：5  1 回复话题 发表话题删除主题| 升降| 置顶| 高亮| 精华| 图章| 图标| 分类| 修复| 警告| 屏蔽| 标签| 生成文章|大赛技术圈角色：成员话题：202发消息发表于2021年11月23日 08:03:24 阅读509回复4 楼主 倒序浏览只看该作者[讲座&活动公告]【打卡贴】开发者青年班ModelArts 动手实践 AI 开发实践课（图像目标检测课程＋实践）课程内容：图像目标检测课实践内容：图像目标检测(入门版、进阶版)入门实践：https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=5b1a8f83-9ca3-432a-80b9-0dc732ba1b53进阶实践：https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=95e3bd68-aa3e-4bfa-b6d2-c2ea8808b57b【打卡说明】完成任务后在此帖下方按要求回复打卡内容输入个人华为云账号课程学习进度截图两个实践完成截图以上三个内容缺一不可哦~【打卡示例】课程学习后，在评论区上传学习进度截图，截图内包含华为云账号示意图：实践完成后，在评论区上传实践截图，如下：注：图片需要截图全屏，包含华为云账号信息。实践示意图：如果点击之后，跳转的页面右上角出现连接或者登陆，请先连接或者登陆，之后需要稍等30s 此案例需要GPU运行，切换规格为GPU，优先选择免费由于实操人数过多，免费规格可能会售罄，此时需要切换到付费规格（一定要确保自己领取了代金券，可以点击此处查看代金券）切换规格完成之后，点击控制台左上角三角形符号开始运行实践代码，具体操作可以参考：JupyterLab的详细用法： 请参考《ModelAtrs JupyterLab使用指导》碰到问题的解决办法： 请参考《ModelAtrs JupyterLab常见问题解决办法》运行完成之后，点击右上角分享按钮：点击此处，可以查看自己完成的实践，并截图 进阶版实践也是一样操作，最终，将此截图提交即可注：在11月23日-11月30日期间完成打卡可算课程完成有效人数，全部完成后可获得青年班结业证书＋获得普惠抽奖资格一次哦~

       在2020年第二届华为云人工智能大赛•无人车挑战杯赛道中，“华中科技大学无人车一队”借助华为云一站式AI开发与管理平台ModelArts及HiLens端云协同AI开发应用平台，进行无人车模型开发与部署，最终夺冠，获得20万奖励（10万现金+10万代金券）。战队撰文分享其参赛体验，包括无人车比赛的整体方案，多维数据处理及行驶控制的能力等。 1.   比赛背景第二届华为云无人车挑战杯大赛，相比第一届大赛，难度更大，赛道环境更加接近真实的道路。在比赛中，无人车需要从发车区出发，通过车道线循迹沿“8”字形赛道在不能压线和触碰挡板的条件下行走一周半后，准确地停入到停车区。在小车行驶期间，需要完成交通信号灯识别、斑马线识别、机器人动态避障、挡板区循迹、限速/解限速标志识别、精准停车等任务。无人车不仅需要完美无误地完成所有的任务，在速度上也有要求，在总决赛中，无人车需要在70s内完成所有任务，时间加分项才能为满分。在比赛中，华为云ModelArts一站式AI开发与管理平台，给参赛选手提供全流程的AI模型开发环境，助力参赛选手高效地完成检测任务中模型的训练，HiLens端云协同AI开发应用平台帮助参赛选手快速地完成模型在端侧设备上的部署和加速。华为云无人车挑战杯在由上海交大学生创新中心智能制造实验室自主研发的无人车的基础上，结合华为云人工智能平台，全面锻炼和提高赛队的AI解决方案能力及无人驾驶编程技巧。图1‑1 华中科技大学无人车一队的后浪图1‑2 华为云无车人挑战赛总决赛现场2.   整体方案无人车比赛整体解决方案如图2‑1所示，比赛主要分为三个部分，ModelArts做模型的在线训练，HiLens Kit做模型的部署，无人车上工控机的通过ROS将各个节点整合到一起，做无人车底盘的决策和控制。通过华为云ModelArts一站式AI开发与管理平台完成数据标注、模型训练、模型转换等工作，得到可供HiLens Kit前向推理的卷积神经网络的模型。HiLens Kit通过自带的相机采集图像，通过技能部署进行模型的前向推理和加速，HiLens Kit搭载着高性能的华为人工智能芯片昇腾310，针对卷积神经网络进行了优化，在模型的前向推理过程中可发挥出强大的算力。HiLens Kit完成红绿灯、限速/解限速标志识别、斑马线的目标检测识别，通过Socket通信，将检测结果传给无人车上的工控机。无人车上工控机处理激光雷达的点云数据，做Slam建图和运行中的实时定位，工控机处理USB摄像头的采集的车道线数据，做车道线的识别，再通过ROS将所有节点信息做整合，做底盘电机和舵机的决策控制。3.   ModelArts模型训练ModelArts是面向AI开发者的一站式开发平台，包含数据处理、模型训练、模型管理、模型部署等操作，并且提供AI市场功能，能够在市场内与其他开发者分享模型，其功能总览如图3‑1所示。在比赛中，我们通过ModelArts平台完成了数据标注、模型训练和模型在线转换等工作，并且通过ModelArts做模型的线上部署，检验模型的精度效果。3.1.  任务分析本次大赛涉及6类目标的检测识别：红灯、绿灯、黄灯、限速标志牌、解限速标志牌、斑马线,如图3‑2所示。无人车在运行过程中，对目标采集的图像涉及不同的视角和距离，而且比赛场地光强未知，所以对于目标检测任务，要充分考虑到目标不同视角的刚体形变、不同距离的尺度变化、不同环境光强的变化以及无人车运行中的运动模糊。无人车根据检测的结果做出相应决策和控制，对目标检测的精度要求很高，一但误检或漏检，小车的控制就会出错，而且小车在赛道上快速运行，所以对目标检测的速度也要求较高，一但小车看见目标，需要快速输出检测结果。3.1.  数据标注数据标注采用ModelArts中的数据管理功能，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。既可以选择手动标注，也可以在手动标注一部分后选择智能标注，最终再修改确认智能标注。当数据集较大的时候，智能标注可以有效降低数据集标注的工作量。通过创建标注团队，将数据集分配给团队队员，团队合作加快数据集标注速度。3.3.  数据增强我们模型训练的数据集大部来自HiLens Kit拍摄的不同环境下的视频序列，数据集中图像的重复比例较大，有必要将重复的图像做一些删除，对数据集做数据增强实现数据扩增，解决由于图像数据量较少带来的模型过拟合的问题。在比赛中，我们参考2018年的论文《Albumentations: fast and flexible image augmentations》开源的代码做数据集的扩充，开源代码网址：https://github.com/albumentations-team/albumentations。该项目对于数据的扩充采用颜色空间变换、模糊、亮度调整、黑白、压缩、随机噪声等30余中数据扩充办法。由于我们比赛中要识别的对象，颜色是很重要的一个特征，例如：红灯、黄灯、绿灯三种灯的颜色，限速标识的红色和解限速标识的黑色，颜色变化相关的数据扩充，会造成数据颜色特征的丢失。红灯、黄灯、绿灯三种灯分别在左、中、右三个位置，交通灯亮的位置，也是区分三种灯的很重要的特征。所以对数据集的扩充，去掉了色彩变换和水平翻转的数据扩充办法。数据扩充采用扩充方法级联的方式，如图3‑4所示，更大程度上，减小数据之间的相似性，增加图像数据的多样性，数据增强的效果如图3‑5所示。3.4.  模型训练通过数据增强，减小了数据之间的相似性，增加了数据多样性，最终选用了6031张图像数据做模型训练。模型训练我们选用的是华为云AI市场里面基于TensorFlow框架的YOLOv3_Darknet53的网络。在训练时，采用COCO数据集上的预训练模型，训练完后，通过模型转换功能将TensorFlow的PB模型转换成Ascend类型，以支持在HiLens Kit的Ascend 310 AI芯片上做模型推理。YOLOv3是典型的一阶段的目标检测网络，图像输入为416*416条件下，COCO数据集上测试的mAP的分数为31.0，模型转换后在Ascend-310推理速度：17.8ms/pic，是目前速度和精度最为均衡的目标检测网络之一，其网络结构如图3‑6所示。YOLOv3采用Darknet53作为backbone，Darknet53大量使用类似于ResNet的残差跳层连接，从而可以加深网络的深度，特征提取可以提取出更高层的语义特征，并且为了降低池化带来的梯度负面效果，作者直接摒弃了pooling，用conv的stride来实现降采样，在这个网络结构中，使用的是步长为2的卷积来进行降采样。YOLO v3中采用类似FPN的上采样和特征融合的做法，在多尺度的特征图上做检测，大大加强了对小目标检测的精确度。YOLOv3采用固定anchor对目标的位置做预测，图3‑6中输出的y1、y2、y3分别对应着32倍、16倍和8倍图像采样结果，32倍降采样的感受野最大，适合检测大的目标，所以在输入为416×416时，每个cell的三个anchor box为(116 , 90)、 (156 , 198)、 (373 , 326)。16倍适合一般大小的物体，anchor box为(30 , 61)、(62 , 45)、 (59 , 119)。8倍的感受野最小，适合检测小目标，因此anchor box为(10 , 13)、(16 , 30)、(33 , 23)。y1、y2、y3中每个cell回归边界框预测4个坐标，tx , ty , tw ,th。如果目标cell距离图像左上角的距离是(cx ,cy)，且它对应边界框的宽和高为pw , ph ，如图3‑7所示，那么网络的预测值为：在ModelArts中做模型训练和调优参数相关设置如图3‑8所示，使用ModelArts中可视化工具做训练过程可视化结果如图3‑9所示。模型训练完成后，通过在线的模型转换工具，转换为.om的模型，以供在HiLens Kit上做推理。4.   HiLens技能开发和模型部署华为HiLens为端云协同多模态AI开发应用平台，提供简单易用的开发框架、开箱即用的开发环境、丰富的AI技能市场和云上管理平台。HiLens Framework封装了丰富的视频分虚算法基础组件，如图像预处理、模型推理等，开发者只需少量代码即可开发自己的技能。HiLens Studio提供在线的开发环境，可以方便的在线编写和调试技能代码。管理控制台提供模型管理、技能开发等功能，供用户在云侧管理模型和技能，一键安装技能到端侧设备。在比赛中，我们使用HiLens Kit端侧设备做模型推理，线上开发好的技能可以一键部署到HiLens Kit上。4.1.  检测任务的Skill开发如图4‑2所示在本次无人车比赛中，我们团队开发了3个Skill，get_pic是用HiLens Kit采集图像数据并通过socket通信传给主机，做数据集采集使用；yolo-v3-v1-test是用来在测试模型的精度效果，不加与工控机通信代码；uac-yolov3-v1是在无人车实际行驶时的技能，在比赛中采集图像进行模型推理并与工控机通信。在做检测任务的技能开发，我们首先利用HiLens Studio的开发环境和HiLens Framework，在线做模型前向推理的测试，HiLens Studio开发环境如图4‑4所示，代码流程如图4‑3所示，先初始化HiLens、摄像头和加载模型，接着进入一个循环，读取摄像头采集的图像，做数据预处理，HiLens读取摄像头的图像为YUV格式，需要转为RGB格式，以及将图像resize为（416，416），以便做模型推理。模型推理通过调用HiLens Framework封装好的API，做模型前向推理的计算。由于Ascend310不支持模型后处理的计算，所以这一部分需要通过软件来做，后处理主要包括，从模型输出的特征矩阵中解码出检测框的位置、类别、置信度等信息、NMS筛选检测框等，最后输出结果。在结果后处理阶段，我们也加入了一些小技巧，以提高检测任务的准确率：l  对于6类目标我们分别采用不同的置信度阈值做筛选，交通灯和斑马线需要在较远的距离就识别到，置信度阈值我们设置为0.5，而限速/解限速，为确保检测正确性，置信度设置为0.9。l  对于红绿灯和限速/解限速，通过计算目标框中图像的红色分量值，来纠正检测的错误，例如，但检测到红灯，必须红色分量值大于0.15，才认为正确，否则视为错误。对于检测到绿灯或黄灯，必须红色分量小于0.1，才认为正确。l  同理，对于斑马线的检测，将目标框图像二值化，白色像素占比大于0.3，才认为检测正确。最终，我们在HiLens Studio对决赛现场的图像做测试，测试了700张图像，只有23张图像检测错误，目标漏检的也很少，而且都是在角度很偏的时候，漏检率在5%以内。在HiLens Studio技能代码做完了测试之后，在“技能管理”里面，创建一个新的技能，导入在HiLens Studio里面的代码，加入与工控机通信的部分，就完成了检测任务加上通信的技能开发，然后将技能在线安装到端侧设备HiLens Kit上。下一次HiLens Kit启动后，就会自动启动技能。4.2.  HiLens的通信在无人车比赛中，HiLens Kit通过网口采用Socket通信与工控机或PC机进行通信，Socket网络通信框架如图4‑5所示，Socket是应用层与TCP/IP协议族通信的中间软件抽象层，它是一组接口。在设计模式中，Socket其实就是一个门面模式，它把复杂的TCP/IP协议族隐藏在Socket接口后面，对用户来说，一组简单的接口就是全部，让Socket去组织数据，以符合指定的协议。Socket通信分为基于TCP和基于UDP两种。TCP协议是基于连接的协议，需要先建立可靠的连接，而UDP不需要事先建立可靠的链接，而是直接把数据包发送出去，是不稳定的连接。在图像数据集采集时，通过Socket通信传输视频数据，数据量大且不必要求每一个数据包都准确接收，我们采用Socket UDP通信，传输视频数据。在HiLens Kit做目标检测任务时，客户端数据少又需要稳定可靠的传输，所以我们采用基于TCP协议的Socket通信，基于TCP协议的Socket通信如图4‑6所示。5.   ROS无人车决策控制无人车上由车上的工控机完成各项数据的处理和融合，进行无人车的决策控制。通过处理激光雷达的点云数据，做Slam建图和运行中的实时定位以及挡板区的循迹，处理USB摄像头的采集的车道线数据，做车道线的识别，通过Socket通信接收来自HiLens kit的目标检测的结果。如图5‑1所示，无人车的控制方案主要包括：车道线循迹、挡板去循迹、斑马线停车及避障、限速和解像素、发车和停车、建图和定位，通过ROS整合各个节点的消息，将多种数据进行多模态融合，进行无人车控制状态机的切换，给驱动控制发送不同的速度和方向指令，驱动控制将速度和方向信息转为无人车底盘的电机速度和舵机打角指令，通过串口发送给无人车驱动，最终实现无人车完美高效地完成整个比赛任务。5.1.  车道线识别在本次比赛中，车道线的识别也是本次比赛的一个难点，无人车上USB camera的位置低、视角窄导致大部分时间只能看到单线，再加上工控机的性能较弱，对图像相关处理速度较慢。对于车道线识别，我们没有采用比赛方提供的例程，而是从实际驾车思路出发，想办法得到道路的中线，通过中线推算偏差。车道线识别的流程如图5‑2所示，首先将图像二值化，通过膨胀与腐蚀，将车道线线条的断裂给补上，小车在运行中，车道线总是会交与图像的左、右、下三条边，所以在这三条边上搜索车道线基本点，根据搜索到的基本点搜索边线。由于摄像头固定，采用提前标定好的透视变换矩阵将图像变换到俯视图。由于在搜索车道线基本点可能会搜索到多个，例如图5‑3搜索到3个基本点，从而会搜到多个边线，所以需要对边线进行筛选，提取车道线。将车道线做一次拟合，由于道路宽度固定，所以可以通过拟合的车道线计算出中线。根据中线的计算结果，即可求解偏差。在图像计算中，通过采用python的numpy矩阵操作代替大量python低速循环进行计算加速，精简计算流程，（640，480）的图像在工控机计算帧率平均可达到46fps。5.2.  激光雷达挡板区循迹与无人车定位无人车上的激光雷达传感器可扫描到无人车周围360度的障碍物的信息，可以用来做挡板区的循迹和无人车的实时定位。雷达数据的可视化展示如图5‑4（a）所示，雷达的点云数据组成了无人车行驶的车道，可采用和车道线相似的处理办法，采用搜索雷达右半部分0-75度的范围，拟合右边线，从而计算中线，求取偏差。具体处理过程可参考车道线处理方案，此处不再赘述。无人车Slam建图和定位的方案，现已经很成熟， GitHub、GitLab等开源平台也有很多非常棒的基于ROS的激光Slam项目和定位方案，我们采用开源的rf2o将激光雷达数据转为里程计信息，通过AMCL做定位，采用Gmapping建图，ROS开源社区（http://wiki.ros.org）都有详细的介绍，此处不再赘述。5.3.  多模态融合的无人车决策控制在HiLen Kit部署的技能，尽管采用一些技巧提升了图像的识别准确率，但也并非百分百准确。无人车在行驶过程中，存在运动模糊、未知光源干扰、反光灯等问题，尽管制作数据集考虑了此类情况，但是还是会有影响。我们采用了数字滤波中常用的的窗口滤波处理来做图像信息的后端处理。l  采用长度为k的定长队列做为观察窗口l  选取k个元素中出现最多类别作为当前阶段预测类别在小车行驶过程中，将ROS节点的各个信息，做多模态融合，实现无人车不同状态下切换，如图5‑6所示，无人车完成起步、斑马线停车避障、挡板区循迹、限速/解限速、精准停车等任务。6.   联合使用ModelArts和HiLens体验在此次华为云无人车大赛中，联合使用ModelArts和 HiLens，这全流程的解决方案对项目的完成提供了高质量的服务。ModelArts提供全流程的AI开发平台，数据管理、模型训练、在线部署，都方便高效；HiLens提供了端云协同的AI开发平台，大大降低了嵌入式平台开发门槛，实现模型高效快捷的端侧部署。我们在使用华为云的全栈式解决方案之前，也接触过一些其他的AI解决方案，但是无论是云还是端都没有华为云ModelArts和HiLens的联合使用便捷高效。其便捷高效主要体现在以下几个方面：（1）数据管理平台支持数据上传、存储、标注、处理一体化服务；（2）ModelArts提供了各种配置好的开发环境，支持各种深度学习框架的开发；（3）ModelArts的AI市场提供了丰富的网络模型，提高开发者开发效率；（4）ModelArts支持模型在线部署和测试，可提供网络接口供物联网设备实现云端协同；（5）HiLens的HiLens Framework，丰富的API解决了驱动和图像接入问题，自带媒体数据处理库，支持各种自定义操作；（6）HiLens Studio开发环境可在不需要硬件的条件下，做模型的测试和代码的调试；（7）HiLens技能管理平台可对技能直接做在线的部署和切换，方便、快捷。（8）HiLens的技能市场，提供了丰富的开发好的技能，开发者可以站在巨人的肩膀上做开发，提高开发效率。

一、图像分类赛题a、“华为云杯”2019人工智能创新应用大赛 - 基于旅游主题图像分类参赛者经验分享：1、西安人工智能大赛冠军获奖模型-sinoreps2、西安人工智能大赛季军获奖模型-斗鱼超管团队3、用AI技术推动西安民俗文化，斗鱼超管团队有一套4、"华为云杯"2019人工智能创新应用大赛季军方案分享-nmsh团队5、华为云人工智能创新应用大赛季军方案分享_goodgame团队6、"华为云杯"2019 DL队伍优胜奖方案分享7、"华为云杯"2019人工智能创新应用大赛优胜奖方案分享-西北望长安团队8、"华为云杯"2019人工智能创新应用大赛优胜奖方案分享-郭老师的弟子团队9、"华为云杯"2019人工智能创新应用大赛优胜奖方案分享-陆石头引力波团队10、2019人工智能创新应用大赛获奖队伍直播分享来啦！b、2019华为云人工智能大赛·垃圾分类挑战杯1、2019华为云人工智能大赛·垃圾分类挑战杯亚军方案分享2、决赛答辩PPT及视频3、深度学习通用模型调试技巧c、入门赛 - 爱（AI）美食·美食图片分类官方baseline：https://bbs.huaweicloud.com/forum/thread-63808-1-1.html参赛者经验分享：1、爱（AI）美食美食图片分类大赛——第一名方案分享2、爱（AI）美食美食图片分类大赛——第二名方案分享3、爱（AI）美食美食图片分类大赛——第三名方案分享代码分享：1、MxNet版本代码：https://bbs.huaweicloud.com/forum/thread-66990-1-1.html2、官方Baseline修改：https://bbs.huaweicloud.com/forum/thread-66991-1-1.htmld、华为云开发者AI青年班黑客松大赛 - 爱（AI）美食·美食图片分类参赛者经验分享1、https://bbs.huaweicloud.com/forum/thread-66955-1-1.html2、https://bbs.huaweicloud.com/forum/thread-66958-1-1.html3、https://bbs.huaweicloud.com/forum/thread-66961-1-1.html4、https://bbs.huaweicloud.com/forum/thread-66964-1-1.html5、https://bbs.huaweicloud.com/forum/thread-66962-1-1.html6、https://bbs.huaweicloud.com/forum/thread-66965-1-1.htmle.华为云“云上先锋”· AI学习赛1、AI学习赛冠军模型2、AI学习赛亚军获奖模型3、AI学习赛三等奖模型4、华为云AI学习赛第三名方案二、物体检测赛题“华为云杯”2020深圳开放数据应用创新大赛·生活垃圾图片分类（基于物体检测）官方分享生活垃圾图片分类赛题Baseline参赛者经验分享【PyTorch版本baseline】“华为云杯”2020深圳开放数据应用创新大赛·生活垃圾图片分类三、结构化数据预测分析赛题2020中国高校计算机大赛·华为云大数据挑战赛热身赛 - 交通流量预测官方分享热身赛交通流量预测赛题Baseline参赛者经验分享1、2020中国高校计算机大赛·华为云大数据挑战赛热身赛_交通流量预测赛题思路分享2、2020华为云大数据挑战赛热身赛如何轻松快速提高10分？baseline简单解读与优化思路分享第一弹3、初赛Baseline，一套完整的流程4、周周星分享-排行榜第三5、关于萌新修改平台推理函数的一点建议外部分享2020中国高校计算机大赛·华为云大数据挑战赛–数据分析四、图像语义分割赛题赛题任务基于高分辨可见光遥感卫星影像，提取复杂场景的道路与街道网络信息，将影像的逐个像素进行前、背景分割，检测所有道路像素的对应区域参赛者经验分享1、2020西安人工智能大赛冠军模型分享2、2020华为云人工智能创新应用大赛亚军模型3、 2020西安人工智能大赛亚军获奖模型4、2020西安人工智能大赛季军获奖模型5、2020西安人工智能大赛季军模型_道路分割6、2020西安人工智能大赛季军获奖模型7、2020西安人工智能大赛TOP7获奖模型8、2020西安人工智能大赛优胜奖获奖模型9、遥感图像道路提取10、2020人工智能大赛道路识别11、华为云 云上先锋 AI挑战赛 第一名模型12、AI挑战赛--街景图像语义分割亚军方案13、云上先锋-AI挑战赛三等奖模型

【历届比赛资料合集】供大家学习和参考。赛事类别赛事名称锦囊1锦囊2锦囊3锦囊4锦囊5赛事介绍学习资料精彩回顾经验分享赛事风采软件精英挑战赛2021年华为软件精英挑战赛赛事规则赛事回顾2020年华为软件精英挑战赛赛题介绍赛后感言冠军分享软件编程系列赛2021华为区块链高校大赛赛题详情学习课堂直播交流颁奖典礼第七届“互联网+”大赛产业命题赛道·华为云PaaS命题系列赛题详情学习课堂赛题解读“科芯杯AIPA”天津经开区互联网+青年创新创业大赛赛题详情学习课堂华为云智慧校园应用创新大赛（上海）赛题详情学习资料校园大使“数智时代·软见未来”华为云重庆软件创新大赛赛题详情学习资源上海理工大学首届智慧校园应用开发设计大赛赛题详情培训课程华为云DevCloud开发者大赛.智慧摊位管理系统赛题详情学习资料直播答疑华为云DevCloud开发者大赛.广场摆摊大作战赛题详情直播答疑思路分享2020年辽宁省大学生计算机系统与程序设计竞赛赛题说明学习课堂直播讲解华为云DevCloud啤酒配送趣味学习赛赛题详情算法课程获奖展示华为云DevCloud啤酒供需数字化管理系统开发赛赛题详情学习课程超级攻略华为云DevCloud软件编程大赛.口罩配送大作战赛题详情获奖展示华为云DevCloud软件编程大赛.市政口罩管理系统赛题详情学习资料AppCube低代码开发竞赛赛题详情学习指导人工智能系列赛人工智能大赛赛题详情学习资料获奖展示“智联重庆·渝见未来”华为云人工智能大赛（算法赛道）赛题详情学习课堂“智联重庆·渝见未来”华为云人工智能大赛（创新创意赛道）赛题详情学习课堂第七届“互联网+”大赛产业命题赛道 · 华为云EI专区赛题详情学习资源开学季！“互联网+”AI创新实践赛赛题详情入门宝典2021华为云AI Gallery众智创新挑战赛赛题详情中国-东盟数字创新大赛（人工智能赛道）赛题详情获奖展示云聚沈抚 · 智赢未来 沈抚示范区·“华为云杯”2021全国AI大赛赛题详情学习课堂获奖展示2021第三届华为云人工智能大赛 · 无人车挑战杯赛题详情获奖展示“常高新杯”首届华为云全国工业互联网应用创新大赛赛题详情获奖展示全国人工智能创新应用大赛-MindSpore开源框架工程化应用专题赛赛题详情学习资料“华为云-东吴杯”2021数字化转型创新应用大赛·企业赛道赛题详情“华为云-东吴杯”2021数字化转型创新应用大赛·创客赛道赛题详情获奖展示“华为云杯”2021人工智能应用创新大赛·创客赛道赛题详情超级攻略“华为云杯”2021人工智能应用创新大赛·企业赛道赛题详情华为云“云上先锋”· AI挑战赛赛题详情“华为云杯”2020人工智能创新应用大赛赛题详情2020GDE全球开发者大赛·KPI异常检测赛题详情参赛分享获奖展示2020年东风公司智能制造大数据创意大赛赛题详情“数创未来，智汇两江” 华为云人工智能大赛赛题详情获奖展示2020第二届华为云人工智能大赛 · 无人车挑战杯赛事介绍决赛直播获奖展示“华为杯”第二届中国研究生人工智能创新大赛赛题详情学习资料“华为云杯”2020深圳开放数据应用创新大赛·生活垃圾图片分类赛题详情学习指导“华为云杯”2020深圳开放数据应用创新大赛 ·深圳北站周边交通拥堵指数预测赛题详情“华为云杯”2020深圳开放数据应用创新大赛 ·粤港澳大湾区强降水临近预预测赛题详情2020中国高校计算机大赛·华为云大数据挑战赛赛题详情"东风出行杯“开发者创意大赛（定邀）赛题详情”华为云杯“2019人工智能创新应用大赛赛题详情指导攻略获奖展示第十六届中国研究生数学建模竞赛-华为赛题作品提交赛题详情2019第一届广西大学生人工智能设计大赛-AI实践赛事介绍操作指导华为云人工智能大赛.垃圾分类挑战杯赛题详情组队指导获奖展示深圳开放数据应用创新大赛数据分析赛·交通流量预测赛题详情赛事指导获奖展示深圳开放数据应用创新大赛数据分析赛·货柜车到港预测赛题详情赛事指导深圳开放数据应用创新大赛数据分析赛.视频水质分析赛题详情2019天津大学生信息技术.新工科工程实践创新设计赛赛题详情平台指南华为云人工智能大赛.无人车挑战杯赛题详情DigiX人工智能校园创新大赛-华为AI开发平台实践赛事介绍指导手册鲲鹏开发者系列赛2021信创“大比武” ·鲲鹏基础软件开发赛道赛题详情2021数字中国创新大赛.鲲鹏赛道赛题详情鲲鹏应用创新大赛2021（全国赛）赛题详情获奖展示中原崛起 且看黄河·鲲鹏应用创新大赛2021赛题详情获奖展示创客北京·鲲鹏应用创新大赛2021（北京赛区）赛题详情获奖展示第五届“鲲鹏杯” 山东新动能·软件创新创业大赛暨 鲲鹏应用创新大赛2021赛题详情鲲鹏凌云·智耀津门 天津鲲鹏训练营&鲲鹏应用开发者大赛赛题详情获奖展示创新科技 智享未来·第四届“鲲鹏杯”山东新动能·软件创新创业大赛分赛赛题详情”鲲鹏入珠，向海而兴“珠海鲲鹏训练营%鲲鹏应用开发者大赛赛题详情获奖展示鲲鹏应用创新大赛2020（全国赛）赛题详情获奖展示创客北京2020.鲲鹏应用创新专项赛赛题详情学习资料获奖展示数字中国创新大赛.鲲鹏赛道赛题详情培训指导2020中国（深圳）数字经济产业·鲲鹏创新大赛赛题详情获奖展示2019华为云鲲鹏开发者大赛赛题详情学习资料获奖展示新手入门类赛事2021南京大学软件学院时间序列教学赛赛题详情学习资料直播回顾华为云AI论文精读会2021.论文算法实战赛赛题详情直播回顾华为网络AI学习赛2021-KPI异常检测赛题详情参赛指导华为网络AI学习赛2021-硬盘异常检测赛题详情参赛指导直播回顾华为网络AI学习赛2021-日志异常检测赛题详情参赛指导参赛分享爱（AI）美食·美食图片分类赛题详情学习资料获奖展示其他重点赛事2021中国（重庆）国际物联网创新大赛赛题详情学习课堂第七届“互联网+”大赛产业命题赛道·华为云IoT命题赛题详情学习课程第七届“互联网+”大赛产业命题赛道·华为云GaussDB命题赛题详情赛题解读MindSpore网络模型挑战赛赛题详情获奖展示昇腾AI初创大赛赛题详情学习资料openEuler应用迁移大赛赛题详情混合云应用创新大赛赛题详情学习材料云原生应用竞赛赛题详情获奖展示2021量子计算黑客松全国大赛·上海大学站赛题详情学习资料直播回顾获奖展示2020量子计算黑客松全国大赛·上海大学站赛题详情学习案例决赛直播获奖展示量子计算黑客松大赛赛题详情获奖展示网络人工智能黑客松大赛赛题详情参赛指南获奖展示量子计算软件创新大赛赛题详情学习文档获奖展示华为云开发者AI青年班黑客松大赛赛题详情开发指导第二届华为VR开发应用大赛赛题详情云南省大学生物联网大赛赛题详情学习资料获奖展示数据库创新应用竞赛赛题详情学习案例第二届华为云数据库挑战赛赛题详情参考方案第三届华为云GaussDB数据库挑战赛赛题详情知识学习获奖展示Huawei LiteOS设备开发实战大赛赛事介绍学习课程赛题直播获奖展示IoT创意大赛赛题详情“科普中国·数据基础设施”科普创作大赛赛题详情学习资料华为云首届技术创新大赛赛题详情获奖展示华为云TaurusDB性能挑战赛赛题详情获奖展示2019 GTS全球开发者大赛赛题详情参赛指导2019年物联网创意方案大赛赛题详情学习资料

新年马上就要来临啦 春节到来还有28天下个月的1号~又到了大家准备发放红包和说新年贺词的时候 远在异地的亲戚又不能随时见面 没有什么对于程序员来说是用代码解决不了的 所以给大家准备一个代码的新年祝福和倒计时让我们一起来瞧瞧吧！先来预览下代码的成果：是不是很nice？让我们来瞧瞧接下里如何写这样儿的代码吧！首先我们得明白这样儿的代码要分别几个步骤才能完成  背景  字体  时间  高宽等等一：设置页面标题与head我们在utf-8下加入<title>祝华为云小伙伴新年快乐</title>为了给字体留出一个位置用span来修饰 需要在head中添加俩个内容一个是head1和head1span 让head1的id指向head1部分代码展示：h1{  position: fixed;  top: 30%;  left: 0;  width: 100%;  text-align: center;  transform:translateY(-50%);  font-family: 'Love Ya Like A Sister', cursive;  font-size: 60px;  color: yellow;  padding: 0 20px;}h1 span{  position: fixed;  left: 0;  width: 100%;  text-align: center;margin-top:30px;    font-size:40px;}</style></head>二：画布的使用（canvas）首先用var声明俩个变量 ww和wh function onResize() 定义一个size的作用函数 函数体如下 ww = canvas.width = window.innerWidth;  wh = canvas.height = window.innerHeight;让画布的高度和宽度适应到window当前屏幕的高度和宽度canvas.strokeStyle = "red";canvas.shadowBlur = 35;canvas.shadowColor = "hsla(0, 150%, 60%,1)";设置canvas来实现当前的鼠标点击事件 目的是为了让点击后出现相应的动态效果和效果颜色三：鼠标点击事件定义一个onmove的函数 传递过来一个参数e  并让onmove为true确实在移动的前提下 才能进行下面的判断 如果传递过来的参数e如果===touchmove为false则实现if下面的操作插播：在javascript中 ===和==意义不同  ===代表的是false  ==返回的是true 执行if下的push用法：可向数组的末尾添加一个或多个元素，并返回新的长度。用xy来标记当前的鼠标移动到的位置并为x和y传递参数function onMove(e){  mouseMoved = true;  if(e.type === "touchmove"){    hearts.push(new Heart(e.touches[0].clientX, e.touches[0].clientY));    hearts.push(new Heart(e.touches[0].clientX, e.touches[0].clientY));  }  else{    hearts.push(new Heart(e.clientX, e.clientY));    hearts.push(new Heart(e.clientX, e.clientY));  }}var Heart = function(x,y){  this.x = x || Math.random()*ww;  this.y = y || Math.random()*wh;  this.size = Math.random()*2 + 1;  this.shadowBlur = Math.random() * 10;  this.speedX = (Math.random()+0.2-0.6) * 8;  this.speedY = (Math.random()+0.2-0.6) * 8;  this.speedSize = Math.random()*0.05 + 0.01;  this.opacity = 1;  this.vertices = [];  for (var i = 0; i < precision; i++) {    var step = (i / precision - 0.5) * (Math.PI * 2);    var vector = {      x : (15 * Math.pow(Math.sin(step), 3)),      y : -(13 * Math.cos(step) - 5 * Math.cos(2 * step) - 2 * Math.cos(3 * step) - Math.cos(4 * step))     }    this.vertices.push(vector);  }}四：设置倒计时新年倒计时才是本页面的灵魂  如何设置倒计时呢？懂得都懂用当前window的事件来设置一个开始的事件 倒计时时间=过年时间-当前时间设置time为2022年2月1日为春节  添加计时器从当前时间开始 设置作用时间 将时间进行一个转换为当前的时间并设置未来的一个时间戳随后定义一个变量来获取倒计时时间是多少 未来时间-现在的时间再将获取到的时间毫秒为单位/1000来计算  小时数用总小时数-过去的小时数为现在的小时数 在以60秒为一整份 取余计算得到的就是分钟数在用当前的时间%60就是秒数 最后我们插入想要的信息将上述设置的变量插入进去即可window.onload=function starttime(){        time(h1,'2022/2/1');     // 2021年春节时间        ptimer = setTimeout(starttime,1000); // 添加计时器}function time(obj,futimg){        var nowtime = new Date().getTime(); // 现在时间转换为时间戳        var futruetime =  new Date(futimg).getTime(); // 未来时间转换为时间戳        var msec = futruetime-nowtime; // 毫秒 未来时间-现在时间        var time = (msec/1000);  // 毫秒/1000        var day = parseInt(time/86400); // 天  24*60*60*1000         var hour = parseInt(time/3600)-24*day;    // 小时 60*60 总小时数-过去的小时数=现在的小时数         var minute = parseInt(time%3600/60); // 分 -(day*24) 以60秒为一整份 取余 剩下秒数 秒数/60 就是分钟数        var second = parseInt(time%60);  // 以60秒为一整份 取余 剩下秒数        obj.innerHTML="<br>距离长大一岁还有：<br>"+day+"天"+hour+"小时"+minute+"分"+second+"秒"+"<br><span>愿华为云社区小伙伴健康快乐<br>愿2022善待我们<br>May Huawei cloud community partners be healthy and happy <br>and may 2022 be kind to us</span>"        return true;（可选）我们也可以来设置背景音乐</script>  <audio id="bgmusic" src="https://y.qq.com/n/ryqq/player"></audio>    <script type="text/javascript">        document.addEventListener('DOMContentLoaded', function () {            function audioAutoPlay() {                var audio = document.getElementById('bgmusic');                audio.play();                document.addEventListener("WeixinJSBridgeReady", function () {                    audio.play();                    }, false);                 }                 audioAutoPlay();                 });</script>src给一个背景的音乐链接 使用上方代码即可代码到此就诠释的差不多了  我们来一起看看当前的代码效果吧有关于技术探讨的小伙伴下方留言哦！

将AI Gallery数据集下载至OBS，然后在SDK直接使用此OBS目录下的数据即可。详细操作步骤如下所示：将AI Gallery数据集下载至OBS。详细指导请参见下载数据集。数据集可以直接下载至OBS，也可以下载至ModelArts数据集中，不管任何方式，其最终的存储路径均为OBS目录。下载至OBS时，在下载任务完成后，数据将存储在下载时设置的OBS目录中。请注意下载任务中设置的区域，后续使用SDK或ModelArts控制台时，使用的区域需一致。下载至数据集时，可以在下载任务完成后，前往ModelArts控制台，发布此数据集，在“数据集输出位置”参数获取对应的OBS目录。即数据集存储的位置。在SDK中调用对应OBS目录下的数据。SDK的下载和使用，请参见《SDK参考》。可参考从OBS下载文件，通过接口直接使用上述步骤中下载的数据集。