HiLens Kit是一款端云协同多模态AI开发套件，支持图像、视频、语音等多种数据分析与推理计算，可广泛用于智能监控、智能家庭、机器人、无人机、智慧工业、智慧门店等分析场景。HiLens Kit对接端云协同多模态AI开发应用平台--华为HiLens，为您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。今天就带大家揭开HiLens Kit的神秘面纱~昇腾AI加速模块，赋予端侧超强AI算力昇腾310领跑业界的AI芯片，支持16TOPS算力，16路1080P30fps视频分析。视频编解码支持H.264、H.265等多种规格的视频编解码。CPU+NPU3559A的CPU与昇腾310的NPU的融合架构，让开发和移植变得更快速。实时推理支持工业级、行业级复杂AI算法的实时推理。云上开发，端侧部署集成ModelArts AI开发平台，模型可自动转换，无缝适配HiLens Kit。详细的使用教程请参考《ModelArts用户指南》。对接华为HiLens端云协同多模态AI开发应用平台，为您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，支持视觉及听觉AI应用开发、AI应用在线部署、海量设备管理等。详细的使用教程请参考《华为HiLens用户指南》。在ModelArts上训练的模型可以一键导入华为HiLens平台，并部署到HiLens Kit，随时调动华为云AI算力，达到最佳的端云协同性能体验。开发环境免搭建HiLens Kit开箱即用，系统预置开发框架HiLens Framework，封装多媒体库、算子库、模型管理库，提供音视频管理、外部接口管理、数据自动采集等能力。支持包括Python和C++开发。华为HiLens Framework开发工具包的使用方法请参见《SDK参考》。HiLens Framework API的详细内容请参见《开发指南》。小巧轻便，接口丰富，多模态开发HiLens Kit具备完善的外部接口，使得应用开发更便捷，支持图像、视频、语音等多种数据分析与推理计算。HiLens Kit的详细参数和操作指导请参见《Atlas 200 HiLens Kit 用户指南 》。智慧应用，全面升级可广泛用于智能监控、智慧佳通、机器人、无人机、智慧工业、智慧门店等分析场景。转自，【云小课】EI第5课 初识HiLens Kit，解锁更多智慧应用场景-云社区-华为云 (huaweicloud.com)

Learn Like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification 课程式学习指先让模型学习简单的样本，再学习较难分的样本的方法，可以有效提高模型鲁棒性、加速模型收敛。 作者称组织病理图像分类是应用课程式学习的自然场景，为此提出一种利用标注者协议作为难度评估的学习方法。在结肠息肉分类数据集上对所提出方法进行了评估，一个基线模型实现了 83.7% 的 AUC，而最好的单阶段基线版本也只实现了 84.6% 的 AUC。单当使用课程式学习进行训练时，模型的 AUC 提高到 88.2%！。 作者 | Jerry Wei, Arief Suriawinata, Bing Ren, Xiaoying Liu, Mikhail Lisovsky, Louis Vaickus, Charles Brown, Michael Baker, Mustafa Nasir-Moin, Naofumi Tomita, Lorenzo Torresani, Jason Wei, Saeed Hassanpour 单位 | 达特茅斯学院；达特茅斯 - 希契科克医疗中心 论文 | https://arxiv.org/abs/2009.13698 Confidence-Driven Hierarchical Classification of Cultivated Plant Stresses 该文使用置信度驱动的层次分类方法，解决植物病害的分级问题。 作者 | Logan Frank, Christopher Wiegman, Jim Davis, Scott Shearer 单位 | Department of Computer Science and Engineering；俄亥俄州立大学 论文 |  https://openaccess.thecvf.com/content/WACV2021/papers/Frank_Confidence-Driven_Hierarchical_Classification_of_Cultivated_Plant_Stresses_WACV_2021_paper.pdf Deep Active Learning for Joint Classification & Segmentation with Weak Annotator深度主动学习用于弱标注数据的联合分类和分割。作者 | Soufiane Belharbi, Ismail Ben Ayed, Luke McCaffrey, Eric Granger 单位 | 麦吉尔大学等 论文 | https://arxiv.org/abs/2010.04889 代码 | https://github.com/sbelharbi/deep-active-learning-for-joint-classification-and-segmentation-with-weak-annotator Kernel Self-Attention for Weakly-Supervised Image Classification Using Deep Multiple Instance Learning 弱监督图像分类，使用深度多实例方法作者 | Dawid Rymarczyk, Adriana Borowa, Jacek Tabor, Bartosz Zielinski 单位 | 雅盖隆大学等 论文 |  https://openaccess.thecvf.com/content/WACV2021/papers/Rymarczyk_Kernel_Self-Attention_for_Weakly-Supervised_Image_Classification_Using_Deep_Multiple_Instance_WACV_2021_paper.pdf 代码 | https://github.com/gmum/Kernel_SA-AbMILP 事件分类Ontology-Driven Event Type Classification in Images 事件分类可以为语义搜索增加有价值的信息，也是新闻中越来越重要的事实验证课题。到目前为止，只有少数方法解决了新闻价值事件类型的图像分类，如自然灾害、体育赛事或选举。 以前的工作只区分有限的事件类型，并且依靠相当小的数据集进行训练。在本文中，提出全新的 ontology-driven 方法，用于图像中事件类型的分类。 利用大量真实世界的新闻事件来追求两个目标。首先，创建一个基于Wikidata的本体，包含了大部分的事件类型。其次，引入一个新的大规模数据集，该数据集是通过网络抓取获得的。ontology-driven 方法旨在利用知识图的结构化信息，使用深度神经网络学习相关的事件关系。在现有的以及新的基准数据集上的实验结果证明了所提出的 ontology-driven 方法的优越性。 作者 | Eric Müller-Budack, Matthias Springstein, Sherzod Hakimov, Kevin Mrutzek, Ralph Ewerth 单位 | TIB；汉诺威大学 论文 | https://arxiv.org/abs/2011.04714 代码 | https://github.com/TIBHannover/VisE Can Selfless Learning Improve Accuracy of a Single Classification Task? 作者在本文中利用 selfless learning 思想来解决终身学习的遗忘问题。而且证明所提出方法可以与其他流行的学习范式结合使用。 作者 | Soumya Roy, Bharat Bhusan Sau 单位 | 印度理工学院 论文 |  https://openaccess.thecvf.com/content/WACV2021/papers/Roy_Can_Selfless_Learning_Improve_Accuracy_of_a_Single_Classification_Task_WACV_2021_paper.pdf

甲骨文作为我国最早的成熟文字、世界四大古文字之一，因刻写在龟甲和兽骨上而得名，记载了三千年前商朝的珍贵史料，更是入选联合国教科文组织「世界记忆名录」。目前，已出土的甲骨碎片多达16万余件。 可惜的是，这些甲骨碎片被埋在地下多年，经历了地下活动的冲击和挖掘造成的磨损，多数甲骨残缺严重；又由于随着人类历史的迁徙遍布于世界各个角落，很难有完整的信息。因此，将分散的甲骨碎片组合成一个完整的卜辞，成为了甲骨文研究重要的基础课题。 过去，甲骨缀合是由数名甲骨文学者通过视觉评估和经验评估进行的。虽然为我们提供了很多很好的范本，但是效率缓慢，更何况有大量甲骨碎片散落世界各地。近期，随着人工智能的引入，这一挑战有了些许进展，但仍然是依照传统的字体、分类、同文、残字等线索进行缀合。甲骨碎片的轮廓曲线这一更为直观的线索，因为难以被人类视觉轻易捕捉而被忽视。

信息化社会，机器逐渐渗透到我们生活每个角落，彻底改变了我们的生活、工作和娱乐方式。从最小的Siri等语音助手，到行为算法、搜索算法，再到自动化汽车飞机驾驶。以上成就虽然已经足以让我们十分惊喜，但是这类人工智能技术仍处在起步阶段。但许多人所称或所理解的的人工智能未必如此，因为许多都是基于预定义的多面输入或用户行为的响应算法。 通俗点讲，一个真正的人工智能系统是一个可以自己学习的系统。来自谷歌的DeepMind这样的神经网络，它可以在不依赖预先定义的行为算法的情况下建立联系并获得意义。真正的人工智能可以改进过去的迭代，可以变得更聪明和更敏感，并允许增强它自己的学习能力。而之前大家所看关于人工智能题材电视剧如《西部世界》等，这些远远还没能够应用到我们的实际生活当中。 虽然苹果、脸书和特斯拉等公司在机器学习技术互动方面作出突破性的更新，但我们许多人仍不清楚人工智能如今在大大小小的企业中是如何使用的。这项技术将对我们未来的生活产生多大影响?它还会以何种方式渗入我们的日常生活?当人工智能真正开花结果时，它在当前这种所谓技术的迭代中会有多大的改进? **人工智能和量子计算** 事实是，无论人工智能是否真的存在，或者它是否真的对我们的存在构成威胁，都无法阻止它的进化和崛起。人类总是专注于改善生活的各个方面，而技术的使用已经成为实现这一目标的工具。尽管过去100年发生了人类历史上最具戏剧性的技术剧变，但未来100年将为多代人的飞跃铺平道路。 这将掌握在人工智能手中。由于量子计算不可避免的兴起，人工智能也将变得更聪明、更快、更灵活、更像人类。量子计算机不仅能解决所有生活的最复杂的问题和谜团，如环境、衰老、疾病、战争、贫困、饥荒、宇宙起源和深空探索。 然而，量子计算机有其固有的风险。当第一台量子计算机上线后，世界上其他的计算机都被淘汰了，会发生什么?如何保护现有的架构不受量子计算机的威胁?考虑到世界上没有任何强大的量子抵抗密码术(QRC)，像美国或俄罗斯这样的国家如何保护自己的资产不受流氓国家或邪恶势力的攻击，这些国家或邪恶势力执意使用量子计算机入侵世界上最隐秘、最有利可图的信息? 当世界上所有的数字安全基本上都被破坏，互联网安全即不存在，因为我们依靠量子计算机破解的算法来保护我们与网站的连接、下载电子邮件和其他所有东西的安全。即使是手机的更新和从应用商店下载的应用程序也会被破坏和不可靠。通过芯片和密码进行的银行交易也可能变得不安全。 **人工智能的实际应用** 除了量子计算的难题之外，今天所谓的人工智能系统仅仅是高级机器学习软件，拥有广泛的行为算法，能够根据我们的喜好和厌恶调整自己。虽然这些机器非常有用，但从存在的意义上讲，它们并没有变得更聪明，但它们正在基于大型数据集提高自己的技能和实用性。这些是当下最流行的人工智能例子。 1．Siri  个人助理Siri，能够帮助我们发送短信，拨打电话，记录备忘，甚至还可以陪用户聊天。Siri作为一款智能数字个人助理，它通过机器学习技术来更好理解我们的自然语言问题和请求。 2．Alexa  当亚马逊第一次推出Alexa的时候，它席卷了全世界。它可以帮助我们在网上搜寻信息,商店,安排约会、设置警报等事情。 3．特斯拉  特斯拉它的预测能力、自动驾驶功能等越来越“酷”。这些汽车正变得越来越智能，这要归功于它们的无线更新。 4.Cogito  Cogito它很可能是当今市场上存在的提高客户支持代表情商的行为适应最有力的例子之一。该公司是一个机器学习和行为科学的融合，以改善电话专业人员的客户互动。这适用于每天发生的数以百万计的语音通话。 5.Boxever  Boxever由首席执行长奥弗拉纳根(Dave O ' flanagan)联合创立，是一家高度依赖机器学习的公司，致力于改善客户在旅游业的体验，并提供“微时刻”(micro-moments)，即让客户一路愉悦的体验。通过机器学习和人工智能的使用，该公司主导了这一领域，帮助客户找到新的方式，让客户参与到他们的旅行中来。 6.John Paul  约翰•保罗(John Paul)是一家备受推崇的豪华旅行礼宾公司，由其精明的创始人大卫•阿姆塞勒姆(David Amsellem)执掌。在现有客户互动的预测算法中，这家公司是另一个强有力的人工智能例子。该公司通过VISA、Orange和法航等全球最大的公司为数百万客户提供礼宾服务，最近被雅高酒店(Accor Hotels)收购。 7.Amazon  亚马逊的事务性人工智能已经存在了很长一段时间，使其能够在网上赚取天文数字的金钱。随着算法的不断改进，这家公司已经变得非常聪明，能够根据我们的在线行为来预测我们感兴趣的购买对象。虽然亚马逊计划在我们还不知道我们需要的时候就把产品运到我们这里，但它还没有完全实现。但它肯定在地平线上。 8.Netflix  Netflix根据客户对电影的反应提供高度精确的预测技术。它分析了数以十亿计的记录，根据你之前的反应和对电影的选择来推荐你可能喜欢的电影。随着数据集的增长，这种技术正变得越来越聪明。然而，这项技术唯一的缺点是，大多数贴着小标签的电影都没有被注意到，而大名字的电影却在这个平台上成长壮大。 9.Pandora  直流媒体音乐平台Pandora的人工智能很可能是当今最具革命性的技术之一。他们称之为他们的音乐基因。基于400个音乐特征，每首歌曲首先由专业音乐家团队根据这一标准手工分析，该系统在推荐歌曲方面有着令人难以置信的记录。 10.Nest  大多数人都熟悉Nest，这款学习型恒温器于2014年1月被谷歌以32亿美元收购。Nest学习温控器,顺便说一下,现在可以声控,Alexa使用行为算法预测学习从你的加热和冷却的需求,从而预测和调整温度在家里或办公室根据自己的个人需要,现在还包括一系列其他产品如Nest相机。 文章转自R.L. Adams, Forbes

人工智能（AI）在为社会进步带来显著推动效应的同时，也在促进网络空间安全领域的重大变革，研究AI 和网络空间安全结合带来的安全问题具有迫切意义。本文采用自顶向下的分析方法，从加剧现实安全威胁、催生新型安全威胁两个角度分析了AI 和网络空间安全结合带来的政治安全、经济安全、社会安全、国防安全等重大问题，提炼了自主化规模化的拒绝服务攻击、智能化高仿真的社会工程学攻击、智能化精准化的恶意代码攻击等新型威胁场景，总结了环境自适应隐蔽攻击、分布式自主协作攻击、自我演化攻击等未来发展趋势。为有效应对AI 赋能网络攻击的安全威胁，建议从防范安全威胁、构建对等能力角度加强智能化网络攻防体系建设和能力升级；加强AI 安全数据资产的共享利用，采取以数据为中心的AI 网络攻防技术发展路径；加强对抗评估和测试验证，促进AI 网络攻防技术尽快具备实用性。https://www.engineering.org.cn/ch/10.15302/J-SSCAE-2021.03.002#outline_0.4744379628851896近年来，网络空间安全重大事件持续爆发，网络安全威胁全面泛化。斯诺登事件、乌克兰电网攻击事件、美国大选干预事件等表明，网络空间安全威胁覆盖了从物理基础设施、网络信息系统到社交媒体信息，对虚拟世界、物理世界的诸多方面构成威胁。网络空间安全已经成为非传统安全的重要组成部分。随着人工智能（AI）第三次浪潮的兴起，人工智能向诸多行业、领域不断渗透并交叉融合的趋势已经显现。人工智能因其智能化与自动化的识别及处理能力、强大的数据分析能力、可与网络空间安全技术及应用进行深度协同的特性，对网络空间安全的理论、技术、方法、应用产生重要影响，促进变革性进步。人工智能与网络空间安全的交互融合，表现了“伴生”“赋能”两种效应 [1]。①网络空间安全在本质上是一种伴生学科，每一种新技术的出现都会引发伴生的安全问题；人工智能的伴生安全问题主要是内生安全问题、衍生安全问题，即由于人工智能自身在脆弱性、可预测性、可解释性等方面存在的安全隐患或问题，将自身安全问题转移或嫁接到人工智能应用上，使得人工智能系统自身或者应用人工智能技术的系统产生新的安全威胁；攻击者可利用对抗样本或数据投毒技术，自动化构造攻击样本，针对现有智能安全系统开展攻击，造成人脸识别、车牌识别等系统功能降级，甚至引导实施网络攻击、物理攻击 [2]。②人工智能在自身发展带来新网络空间安全威胁的同时，也从攻击、防御方面给传统网络空间安全提供了显著的赋能效应，如基于机器学习、深度搜索的人工智能方法能够提升网络攻击能力、自动检测网络安全防御方法、制定智能化的攻击策略；同样，人工智能可辅助网络空间安全从被动防御趋向主动防御，从而更快更好地识别威胁、缩短响应时间；网络空间的时空动态变化复杂，人工智能技术可关联分析日志、流量等不同渠道的数据，构造多维数据关联与智能分析模型的资产库、漏洞库、威胁库，实现对有效网络攻击的全面、准确、实时检测 [3]。人工智能在攻防两方面的赋能效应，极大地推动了网络空间攻防对抗的发展，引发新的安全威胁，催生新的对抗手段。对于网络安全而言，人工智能是一把“双刃剑”；人工智能与网络空间安全深度结合，给经济、政治、社会、国防等领域带来新威胁、新问题的同时，也为各国网络空间安全发展提供了新机遇。本文系统分析人工智能在网络空间安全领域应用带来的安全问题，重点研究人工智能在网络攻击细分方向的赋能效应，总结提炼人工智能赋能网络攻击的新兴威胁场景、技术发展现状、未来发展趋势，以期为相关领域发展提供理论参考。

人工智能在很多棋牌类游戏中取得了很大的成功，例如阿法狗（围棋）、Libratus（德扑）、Suphx（麻将）。斗地主却因其极大的状态空间、丰富的隐含信息、复杂的牌型和并存的合作与竞技，一直以来被认为是一个极具挑战性的领域。近日，快手AI平台部在斗地主上取得了突破，提出了首个从零开始的斗地主人工智能系统DouZero。将蒙特卡洛算法与深度学习相结合，DouZero在不借助任何人类知识的情况下，通过自博弈学习，在几天内战胜了所有已知的斗地主打牌机器人，并达到了人类玩家水平。相关论文已被国际机器学习顶级会议ICML 2021接收，开源代码在GitHub上获得近千星。同时，论文作者开放了在线演示平台供研究者和斗地主爱好者体验。论文地址: https://www.zhuanzhi.ai/paper/dbc43359396972a93961dc7b165c579c开源地址: https://github.com/kwai/DouZero在线体验: https://douzero.org/人工智能在很多棋牌类游戏中取得了很大的成功，例如阿法狗（围棋）、Libratus（德扑）、Suphx（麻将）。斗地主却因其极大的状态空间、丰富的隐含信息、复杂的牌型和并存的合作与竞技，一直以来被认为是一个极具挑战性的领域。近日，快手AI平台部在斗地主上取得了突破，提出了首个从零开始的斗地主人工智能系统DouZero。将蒙特卡洛算法与深度学习相结合，DouZero在不借助任何人类知识的情况下，通过自博弈学习，在几天内战胜了所有已知的斗地主打牌机器人，并达到了人类玩家水平。相关论文已被国际机器学习顶级会议ICML 2021接收，开源代码在GitHub上获得近千星。同时，论文作者开放了在线演示平台供研究者和斗地主爱好者体验。论文地址: https://www.zhuanzhi.ai/paper/dbc43359396972a93961dc7b165c579c开源地址: https://github.com/kwai/DouZero在线体验: https://douzero.org/

人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生“自我”的意识。但是自 2006 年以来，机器学习领域，取得了突破性的进展。图灵试验，至少不是那么可望而不可及了。至于技术手段，不仅仅依赖于云计算对大数据的并行处理能力，而且依赖于算法。这个算法就是深度学习Deep Learning。借助于 Deep Learning 算法，人类终于找到了如何处理“抽象概念”这个亘古难题的方法。机器学习(Machine Learning)是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构市值不断改善自身的性能的学科，简单地说，机器学习就是通过算法，使得机器能从大量的历史数据中学习规律，从而对新的样本做智能识别或预测未来。机器学习在图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等很多方面的发展还存在着没有良好解决的问题。传统的模式识别方法：通过传感器获取数据，然后经过预处理、特征提取、特征选择、再到推理、预测或识别。开始的通过传感器(例如CMOS)来获得数据。然后经过预处理、特征提取、特征选择，再到推理、预测或者识别。最后一个部分，也就是机器学习的部分，绝大部分的工作是在这方面做的，也存在很多的paper和研究。而中间的三部分，概括起来就是特征表达。良好的特征表达，对最终算法的准确性起了非常关键的作用，而且系统主要的计算和测试工作都耗在这一大部分。但，这块实际中一般都是人工完成的，靠人工提取特征。而手工选取特征费时费力，需要专业知识，很大程度上靠经验和运气，那么机器能不能自动的学习特征呢?深度学习的出现就这个问题提出了一种解决方案。

　　　　在冯·诺依曼的信息化架构中，缺乏人类的创新能力及人工智能系统的整体要素，智能体中的知识创新并不是通过对已知进行学习，而是通过对未知的探索创造而产生，因而需要重新构建与之对应的人工智能软件工程能力成熟度评价体系(CRMI)，以提高智能体的运用与创新能力。　　　　人工智能软件工程能力成熟度　　管理与评价体系　　CRMI体系简介　　CRMI (Capability Ripeness Model Integration)，即人工智能软件工程能力成熟度管理与评价体系，主要用于评估组织在人工智能软件开发过程中的控制与管理能力，实现对关键过程域、控制与管理的能力、组织成熟度等要素的体系化与系统化，通过可视化、制度化、标准化来实现过程管理与交付质量的系统化。　　　　CRMI体系背景　　现有人工智能系统的开发过程中面临不可解释（黑盒化）与不确定性，可解释人工智能和人工智能软件工程学分别从技术和工程方面提供改善方法，而整个开发活动的过程与控制管理则需要基于CRMI体系实现不断提升。　　　　CRMI体系价值　　CRMI体系不仅可以帮助企业或组织在人工智能软件工程开发过程中，兼顾过程管理与商业目标，也是实现可解释人工智能系统(XAI)的重要支撑。　　　　CRMI体系通过对关键过程域的评级与提升，以标准化与迭代的模式降低开发过程中管理、组织和系统的误差。　　　　CRMI体系评价等级　　根据企业或组织对不同难度的人工智能软件工程的管控水平，可将其能力成熟度分为5个等级。不同成熟度等级之间的差距主要体现在开发过程的标准化、制度化、量化可视，以及持续优化的组织能力。　　　　CRMI体系框架　　CRMI的实施要点不是实践域的管理覆盖度，而是各实践的关键过程域及节点的选择与有效管控。　　　　CRMI体系过程改善模型　　CRMI体系的改善模型是用于过程改善的框架性工程方法与流程，其核心流程包括关键过程域选择、差距分析、过程标准化/制度化、可视化、评级与反馈。　　

2019年4月，由中国服装协会和上海时尚之都促进中心共同主办的以“未来时尚”为设计主题的2019中国国际服装设计创新大赛在上海落下帷幕，欧洲设计学院获得冠军，16支参赛队伍中唯一的“非人类设计师”——深兰科技服饰辅助设计系统，异军突起，获得了亚军，并同时斩获了“最受大众欢迎奖”。　　 “深兰科技服饰辅助设计系统”由深兰科学院自主研发，起初系统以服装生成和风格迁移这两个功能为主，随着系统的不断提升完善，如今又新增加了智能量体和虚拟试衣技术。下面，就为大家一一介绍这四项技术。　　服装生成技术　　 服装生成的核心是训练一个针对于服装样本的生成式对抗网络，目标是让网络的生成器通过学习已有的走秀图，来生成大量新的服装。　　 这里我们简单的介绍一下生成式对抗网络(GAN, Generative Adversarial Networks)，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。模型通过框架中（至少）两个模块：生成器和判别器的互相博弈学习产生相当好的输出。　　　　生成式对抗网络逻辑图　　 服装生成技术中，生成器生成的图像作为假图像，收集到的服装走秀图作为真图像，都进入判别器来判断图像的真假。生成器为了骗过判别器，则需要不断地优化网络参数，最后达到生成的图像越来越精细乃至以假乱真的效果。　　 高质量的生成需要大量高清的样本，我们通过2年时间收集了30万张高清图作为样本。下面来展示一下服装生成技术的结果，这6张图片都是AI生成的走秀图。　　　　风格迁移技术　　 服装的风格迁移就是将指定的风格元素迁移到服装上，用到的技术就是风格迁移(Style Transfer)。它是使用深度卷积网络CNN提取一张图片的内容和另一张图片的风格， 然后将两者结合起来得到最后的融合结果。　　　　风格迁移算法原理图在服装风格迁移技术中，我们将需要迁移的服装部分抠取出来，下图我们抠取了整套服装，所以从右边的图片可以看到整套服装的迁移效果。风格迁移可以指定迁移的风格、迁移的程度和迁移的位置。　　　　智能量体技术　　 通过图像的人体3D重建算法有很多，比如PIFUHD算法就可以通过单张图像推理出人体的3D模型。　　　　PIFUHD人体3D重建算法流程图　　 我们通过PIFUHD算法得到3D模型，通过标定身高的方法，让3D模型与真人进行匹配，则得到了真人的所有身体维度数据，如下图所示。　　　　 通过这种方法得到的人体3D模型会存在侧面和背面误差较大的问题，所以我们在PIFUHD的基础上做了优化。我们采用正面图、侧面图和背面图作为算法模型的输入，通过3张图来获取人体的3D模型，利用多视点融合技术，通过测试对象的多角度图像来估计出当前对象的3D模型，最后再通过对象的身高来标定3D模型，将身体的大围度误差控制在了1cm以内。　　虚拟试衣技术　　 PF-AFN算法是目前效果最好的虚拟试衣算法，该模型算法原理图如下所示。　　　　PF-AFN算法原理图　　 我们在PF-AFN算法的基础上训练了自己的虚拟试衣模型，下图是我们利用深兰工装做的虚拟试衣结果，展示的是将深兰的无袖毛衫虚拟试穿到模特身上的试衣效果。从图中可以看出衣服贴合感很好。　　　　　　　　 中国的AI企业已经具备了通过大数据系统处理纷繁复杂信息的能力，能帮助设计师解决重复性的工作，为缺乏设计能力的品牌方服务，重塑整个服饰设计生态，也显示了中国人工智能技术在服装创意设计、材料使用、色彩搭配、市场趋势、大数据技术应用等方面取得的前瞻性进步。

近年来，无人机已被广泛应用于很多领域，它不仅可以完成很多的任务，包括轨迹规划、避障、巡航等，在民用、军事都有很广泛应用，而且还有降低成本、提高效率、减少损失等很多作用。　　但是传统的无人机任务都采用飞控控制，需要人为操作。为了使无人机可以具备更广的适用性，或者从技术上来说拥有更好的泛化能力，深兰科学院尝试用强化学习来训练无人机做指定的任务。如果训练效果能够达到足够稳定的性能，则可以进一步实现商用目的。本文在此基础上，带大家简单了解一下强化学习的基础知识。　　强化学习小课堂什么是强化学习？　　1、强化学习　　强化学习（Reinforcement Learning RL）也有很多其他名字，例如再励学习、增强学习、评价学习，是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中，通过学习策略以达成回报最大化或实现特定目标的问题。　　　　上图为经典的强化学习结构图，从图片中可以看出，强化学习过程主要由4部分构成：智能体（agent）、观测到的状态（observation/state）、奖励（reward）和行为（action）。　　一个强化学习的过程中，智能体获得从当前环境中观测到的状态，然后根据这一状态采取一定的行为或策略，同时，有一个评价系统来评价这个行为的好坏，并返回正/负奖励给到智能体。循环往复，直到完成整个任务，此为一次强化学习的交互。整个强化学习训练过程就是，智能体与环境不断的交互，最终会学习到合理的策略，让奖励最大或者达到某个任务（指定的状态）。　　　　强化学习受行为主义心理学的启发，例如巴甫洛夫条件反射实验，训练摇铃小狗流口水。小狗看到吃的流口水、摇铃不流口水，实验中就采取摇铃并给狗喂狗粮的方法不停训练，最终即使在没有狗粮，只摇铃的情况下，小狗也会流口水。　　强化学习与此类似，是让智能体在与环境交互的过程中，一旦选择对的行为则给予正奖励加强这种行为，在不断的训练过程中使得智能体选择最合适的行为，最终使得智能体的每一步都能选择合理的行为，从而达到整体任务奖励最大化，并完成任务。　　2、深度强化学习　　我们一般所说的强化学习其实是深度强化学习（Deep Reinforcement Learning DRL），深度强化学习是强化学习与深度学习结合的结果。顾名思义，就是将传统强化学习中的某一部分用深度学习来完成。　　传统强化学习中的行为以及价值都是需要人为定义的，这也就是为什么传统强化学习起源较早，但是应用并不广泛的原因之一。而深度学习恰好将这一问题解决了，强化学习中的行为以及价值都用一个深度学习的网络来学习得到，这样不需要人为设定，使得强化学习可以广泛应用于很多领域。而传统强化学习无法解决的连续性动作的问题，深度强化学习也可以解决，使用对应的Actor-critic网络即可。　　深度强化学习的分类，有很多种分类标准。　　从智能体的个数上，可分为单智能体算法和多智能体算法；从是否基于模型的角度，可分为model-based和model-free；从训练时策略的选择，可分为on-policy和off-policy等等。　　这里不一一展开，但在实际运用强化学习的时候，根据具体的任务或者项目，需要选择合适的深度强化学习算法。　　强化学习可以解决什么问题？　　　　这张图是2016年引起热议人工智能的AlphaGo事件，AlphaGo打败了围棋世界冠军李世石。AlphaGo作为一个智能体，就使用了深度强化学习技术进行了训练。在这一场景中，状态就是每一时刻的棋盘，行为就是下棋的动作，而评价系统会根据每一步棋的价值返回奖励。完成训练的AlphaGo在与李世石的比赛中，根据当前的棋盘选择最优的行为“下一步棋”，最终击败了李世石，这就是强化学习的一个具体应用。　　智能体在不断与环境交互的过程中，会保留上次学习过的经验，下一轮与环境交互时，会选择奖励更大的行为，一般用来解决“智能体与环境交互时通过决策选择最好的行为”的这一类问题。

2021年，Python编程语言完成了三十年的发展，并变得较以往更加流行。在此周年庆贺之际，华为云社区博客发起“生长吧！不负盛夏，不负Python”有奖征文活动，以便大家更好地学习Python 以及更清晰自己对编程语言的学习规划。华为云社区第三期有奖征文“生长吧，不负盛夏，不负Python”开始啦！我们需要哪些主题的稿件？原则上，我们欢迎所有能帮助所有学习Python的人成长的文章！如基于自己的实际使用经验，分享对Python的技术分析、使用感受及在项目实战中的经验或踩坑指南等：你可以从以下几类主题和参考文章中，找到自己感兴趣的投稿方向：1、关于Python的基础知识，包括如何理解面向对象编程、Python变量与常量、缩进与注释、赋值与表达式相关的学习内容从零开始学python | 面向对象编程 Python：你需要知道的一切[Python从零到壹] 一.为什么我们要学Python及基础语法详解2、介绍Python的一些辅助工具，比如reqeusts、pyquery、BeautifulSoup等python爬虫总计+案例+常用工具Python不为人知的Requests模块效率3.Python部署相关，比如如何用mrs中的spark服务，将Python的开发服务部署上去在MRS上部署利用python开发的服务4.Python的基础语法用法相关：python not 关键字实例用法、format数字格式化、内置函数、如何传参等内容了解python not关键字实例用法Python学习笔记（十三）format()数字格式化 和 内置函数(25-52)5. 如何用Python实现一些功能，比如用python操作excel、用Python实现FTP文件定时自动下载、AI人脸识别等运营的Python指南 - Python 操作ExcelPython实现FTP文件定时自动下载的步骤连Python都不熟，我是如何跑通AI人脸识别的6.Python框架相关：Django、Flask、Scrapy、Diesel、Cubes、Pulsar等等Python框架有哪些？区别是什么？你将获得什么？我们会把收到的优质内容汇编成册，并注明原作者，积累行业口碑，开放给圈内开发者下载查阅，提供实践参考。对于贡献优质内容的作者，我们还将送出各项大礼！同时，在华为云站内外10+个技术社区醒目位置进行推荐，给与百万级流量资源。希望最终的这份《日渐崛起的Python》精选集，有你的署名。优质作者更可获得长期约稿和更多内容合作机会。评奖规则说明奖品评选依据 ：文章投票数* 40%+专家评审打分*60%投票流程 ：截稿后评审会选出15-30篇最优秀的文章到论坛进行投票。投票链接 ：7月19日开启投票，更新投票链接。专家评分依据 ：文章篇幅、技术含金量、排版美观度、阅读量、点赞、收藏等指标综合评分其他说明 ：1、一二三等奖不能叠加。在哪里投稿？2、文章需要发表在社区博客； 是时候展现真正的技术了， 点击前往发布标题以 【生长吧！Python】结尾，例如：了解python not关键字实例用法丨【生长吧！Python】。文章末尾需加上活动名称及链接地址：【生长吧！Python】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/278897有哪些需要注意的1、文章内容需体现技术看点，图文并茂，建议字数在500字以上；2、文章要求为投稿人原创，凡转载或抄袭一经发现将取消参赛资格；3、文章须在华为云社区为首发，如华为云平台已有文章内容则视为稿件无效；4、稿件投稿后，华为云拥有该稿件的使用权、修改权等。快来华为云社区博客，一起和Python生长吧！ 点击立即发布如果有任何问题，可添加华为云社区小助手微信号：bbs_huaweicloud，进行沟通咨询。添加微信时请备注：生长吧Python + 报名活动时使用的华为云昵称！扫码添加小助手：【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章

通过语音识别技术,在会议界面上实时呈现发言内容字幕,并实时翻译成英文。这对涉及跨国、跨语言开会场景非常有用。同时,可以区分发言人自动生成会议纪要,纪要可以导出后进行整理,无需手工记录,参会者可以轻松地聚焦会议讨论,同时也能获得完整的讨论记录。

6月20日-25日，2021 ACM SIGMOD 在西安举行。22日，华为GaussDB内核首席架构师任阳将受邀参会并分享华为新一代自研分布式数据库GaussDB的最新探索和研究成果，展示GaussDB相关论文入选SIGMOD等国际顶级学术会议的成果。数据库创新从来不是一蹴而就，而是千锤百炼后的厚积薄发，是百尺竿头更进一步，国产数据库的崛起和发展如此，华为云GaussDB也是如此。围绕AI-Native课题研究，今年华为云GaussDB相关论文被入选SIGMOD国际顶级会议，其研究论文《Learned Cardinality Estimation for Similarity Queries》提出使用DNN进行基数预测，为了解决DNN训练问题，创新地提出了模型分割和数据分割解决方法，同时在此基础上提出了使用该方法进行连接操作结果集预测。该方法在BMS、GloVe300、ImageNetde等数据集上取得了很好的效果。作为数据库领域公认的最具学术影响力地位的国际性学术会议，SIGMOD与ICDE、VLDB并称为国际数据库三大顶级会议。华为云GaussDB基于AI-Native理念，近年在SIGMOD、VLDB等会议上发表了数篇论文，如《Interactively Discovering and Ranking Desired Tuples without Writing SQL Queries》，《Query Performance Prediction for Concurrent Queries using Graph Embedding》，《QTune: A Query-Aware Database Tuning System with Deep Reinforcement Learning》以及《An End-to-End Learning-based Cost Estimator》等，分别就数据库优化器相关问题提出了AI技术解决方案，在RBO、CBO基础之上提出了基于AI技术的AI优化器，简称为AIBO（AI Based Optimizer），使得数据库中从数据分布估计、代价估计、执行计划选择等各个阶段均使用AI技术，在该领域取得了很好的突破。华为历来重视与高校、合作伙伴共建良好生态关系，积极促进数据库领域开源、开放、融合、创新发展。在同清华大学数据库组的合作中，华为进一步围绕AI-Native理念，在GaussDB的开源版本openGauss社区中，使用AI技术对数据库的众多模块进行了重构，例如使用MCTS方式代替数据库优化器中基于规则的逻辑重写，使用Tree-LSTM代替原始的基于直方图的代价估计，使用深度强化学习方式代替原始的Greedy/Genetic算法。同时为了提升数据库自治能力，先后提出使用Extreme Value Theory进行数据库异常检测，使用LSTM+KNN的方式进行系统异常诊断，使用Tree-LSTM方式进行SQL诊断，使用深度强化学习及RNN的方式进行系统自调优，物化视图推荐及索引推荐，使用GNN的方式进行系统性能预测。相关技术陆续在实际生产系统中使用，例如索引推荐功能，在客户负载性能提升的基础上，消除了83%的索引冗余，索引空间磁盘占用率降低70%。此外，华为在同清华以及CCF数据库专委会的合作中，陆续产生众多的科研成果，先后在SIGMOD、VLDB、ICDE上发表论文36篇，CCF-华为数据库创新研究计划总共资助20项数据库相关研究课题，成果覆盖数据库多模、云数据库、数据库全密态处理、图数据库等，极大的活跃了openGauss开源社区以及国内数据库研究发展。6月22日，在本次SIGMOD 2021大会上，华为GaussDB内核首席架构师任阳将会带来《华为自研分布式数据库》主题分享，内容覆盖华为自研分布式数据库的发展和使用现状，以及GaussDB极致性能、混合负载、高安全等特性，更多精彩，敬请关注！嘉宾简介：2014年9月至2019年10月，担任分布式分析型数据库架构师与系统组组长，完成华为公司自研超大规模并行数据仓库产品设计与实现，完成GaussDB(DWS)数据仓库在工商银行的规模商用。之后担任华为GaussDB自研分布式数据库首席架构师及内核系统组组长，在性能、混合负载能力、容灾能力、安全能力以及易运维能力方面构筑数据库内核核心竞争力。议题简介：本议题将会介绍华为自研分布式数据库的发展和使用状况，并围绕高性能、高可用、混合负载、安全以及易运维五大特性进行技术介绍，向大家全方位展示GaussDB分布式数据库。当前GaussDB分布式数据库及其开源版本openGauss相继在国内头部银行客户上线并规模使用。  点击链接预约直播：https://live.bilibili.com/21945422 

记者殷聪薛层昨日，宁波迎来了一场全球性的盛会。第九届全球云计算大会·中国站拉开帷幕，为宁波带来了一场前所未有的“数字盛宴”。作为全球十大云计算盛会之一，全球云计算大会创办于美国硅谷，已在美国纽约、日本东京及中国上海等地举办。去年7月，第八届全球云计算大会为宁波带来了最新的云计算技术以及云计算在金融、制造、电商、物流、医疗等领域的应用前景。“要转型，就必须更新发展理念。引进全球云计算大会，就是为了把最前沿的理念、技术带给宁波相关企业，从而选择适合自己企业发展的技术路径。”市服务业发展局局长谢月娣说，相比往届，本届全球云计算大会活动更加丰富。在昨日的主论坛上，国家发展改革委员会国际合作中心副主任刘建兴博士、成都道存知科技有限公司首席技术官David Watson、德勤咨询首席云战略官David Linthicum、KIT中国研究院执行院长杨顺等十余位大咖围绕数字经济发展、数据与人工智能在未来的应用、混合云的首次应用、数字化赋能中国制造等话题进行了精彩的分享与探讨。“随着中央出台数字经济政策，地方层面也不断加强数字经济的战略引导。2020年，我国31个省市(自治区、直辖市)的政府工作报告中，有26个省(自治区、直辖市)明确要大力发展数字经济。”刘建兴博士说，在“十四五”规划中，也有不少关于数字经济的发展要求。比如：迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革；充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业新业态新模式，壮大经济发展新引擎。在刘建兴博士看来，数字经济正成为推动经济发展质量变革、效率变革、动力变革的重要驱动力，成为全球新一轮产业竞争的制高点和促进实体经济高质量发展的新动能。成都道存知科技有限公司首席技术官David Watson认为，中国人工智能产业市场潜力巨大。中国幅员广阔、人口众多、产业门类齐全、基础设施完备，人工智能技术拥有丰富的应用场景和广阔的需求。人工智能技术在中国的应用不只是在新经济领域、新商业模式和新生活方式，而且在帮助传统产业转型升级的过程中也将扮演重要的角色。由于应用场景广泛，市场有足够深度，中国在人工智能技术应用的数据积累上拥有得天独厚的优势。这不但有助于人工智能技术的商业化和产业化，而且有助于研发人员利用大量且优质的数据来提高算法与模型的准确度，并不断迭代更新，增强人工智能技术的商业价值。一旦人工智能企业实现商业盈利，对人工智能技术的研发投入将更加可持续，产业的发展将势不可挡。目前，中国在人工智能领域的多项指标已跻身世界前列，整体实力在全球范围内仅次于美国。根据今年4月中国人工智能学会等机构联合发布的《中国人工智能发展报告2020》，过去10年，中国人工智能专利申请数量迅速上升，10年累计达39万件，占全球总量的74.7%，居全球首位。虽然中国在基础层和技术层与世界领先水平还有差距，但在基础层、技术层和应用层这三个层面都有了相当深厚的技术积累与产业基础设施的积淀，迎来爆发指日可待。

IPA可以理解为AI化的RPA，具有从经验中学习的能力。它以RPA为基础，融合了AI的复杂性，通过NLP（自然语言处理）、OCR（光学字符识别）、ML（机器学习）等辅助技术，拓展机器人的工作范围，进一步释放自动化的潜力与价值。相较于传统的RPA，IPA在读取非结构化数据、做决策、保障执行任务准确率、衔接人机交互任务上更具优势。据Gartner预测，到2022年，80%部署了RPA的组织将引入包括机器学习和自然语言处理等在内的AI技术，以改进业务流程。毕马威的调查数据显示，到2025年，组织对IPA和其他类似技术上的投资将达到2320亿美元。2021年，随着RPA在全球范围内的普及，IPA也将逐渐兴起。这种经过AI加持的RPA，将对流程产生变革性影响，为企业打开新的商业机会，创造更大价值。