忘記指紋識別! iPhone 8量產火熱進行: 人臉識別1秒通過

新聞閣娛樂新聞欄目為您提供最新娛樂新聞,讓您瞭解一手娛樂新聞、電影、電視、音樂等娛樂資訊,大陸港台明星八卦、明星緋聞、明星寫真和明星資料等娛樂信息。

　　蘋果一直要做的都是行業的革新者，不管iPhone8最終是否內置指紋識別，他們放棄Touch ID心是堅決的。

　　昨天，據韓國媒體報道稱，蘋果即將發佈的iPhone8的面部識別系統的識別速度高達百萬分之一秒(一微秒)級別，而且使用環境不受任何限制，黑天照樣秒識別。

　　如果真是這樣，那麼這個人臉識別的體驗就做的很到位了，要知道這個功能最害怕的就是識別速度和識別的精準度不到位，蘋果解決這兩個痛點的同時，還解決了多個環境的支持（平放狀態，系統仍可以準確識別人臉）。

　　此外，據《華爾街日報》報道稱，iPhone8的面部識別系統還整合了紅外功能，所以在黑暗或光線較弱的環境下，依然可以正常識別，同時不管手機上是否還內置Touch ID，其都不會是用户的首選使用安全輸入方式了。

　　據分析師的預計，今年年底前，iPhone8的出貨量預計在500萬台左右，而iPhone7S和iPhone7S Plus的出貨量將分別達到1500萬和3500萬部。

　　央視新聞客户端12月29日消息，12月26日，福州警方向社會曝光了一份行人和電動車交通違法的百人名單，其中不少人的違法行為是“闖紅燈”。而這已經是福州交警本月以來第三次曝光這樣的名單。名單中不少人都是通過“人臉識別”技術辨認出來的。那麼，過馬路闖紅燈究竟危害有多大？為什麼要公佈這樣的名單呢？

　　福州市主城區的常住人口超過200萬，登記在冊的電動車超過100萬輛。行人和電動車闖紅燈的現象是城市交通治理的難題。記者在幾個路口蹲守，拍攝到了行人和機動車闖紅燈的現象。

　　記者觀察發現，機動車道綠燈熄滅前的幾秒鐘，是行人和電動車闖紅燈的集中“爆發期”。

　　福州市交警支隊鼓樓大隊水部中隊 王大成：綠燈接近尾聲、快要變換（成紅燈）的時候，駕駛員的心理往往是加快速度衝過路口。當你在這個時候闖紅燈，往往駕駛員遇到你是猝不及防的，而且這時候發生的事故，往往是致命的。

　　交警介紹，相比於行人，電動車由於速度較快，闖紅燈更為危險。從相關交通事故的監控視頻中記者看到，行車中，一時的疏忽，往往會釀成大禍。

　　人臉識別 讓闖紅燈者無所遁形

　　對於行人和電動車闖紅燈的現象，在過去，交警主要是“抓現行”，對交通違法行為進行現場處罰。今年，福州還專門啓用了“人臉識別”技術對闖紅燈行為進行抓拍。

　　今年11月底，福州市啓用了“行人非機動車闖紅燈語音提示樁”。設備感應到有人闖紅燈，就會觸發語音提示。如果還有人闖紅燈，將會被高清攝像頭拍攝下來。福州市還在全國率先採用“人臉識別”系統對闖紅燈的行人或電動車駕駛員進行抓拍的做法，計算機會自動識別照片中人員的面部特徵，並和數據庫中的資料照片進行比對。

　　福州市交警支隊交通科研設施大隊副大隊長 陳昇：我們現場的照片，放大後通過系統自動比對，就會得出相似度較高的違法當事人，同時我們進行人工的審核後可以確定該當事人與我們系統比對出來照片的相似度為98%，從他的體貌特徵認為就是該當事人。

　　此外，交警在現場執法時，如果遇到了拒絕透露身份的交通違法者，也將採取便攜式“人臉識別”儀器獲取個人信息。經過人工篩選、上門走訪、關聯資料調查等方式多次核實後，交通違法者最後將錄入系統進行處罰。行人闖紅燈罰款10元，非機動車闖紅燈罰20元。當事人如果拒不處理，會直接影響其申領駕照、機動車年檢、駕駛證年檢等事務的辦理。

　　上門通報曝光 施加輿論壓力

　　“人臉識別”系統可以幫助交警提高行人和電動車闖紅燈行為的發現率。這個系統的一個特點就是能夠通過照片辨認交通違法人的身份。

　　從12月1日起，福州交警採取到單位上門通報的方式，請機關、企事業單位協助對員工進行批評教育。更為直接的是，“闖紅燈”行為還將影響文明單位的參評得分等。

　　此外，交警還通過媒體，分三批曝光了338名“闖紅燈”等交通違法者的姓名和工作單位，對一些機關、企事業單位產生了觸動。

　　通報曝光 多方合力整治交通違法

　　“人臉識別”之後，上門通報、媒體曝光這一做法，對闖紅燈行為的震懾效果到底有多大？還需要時間的檢驗，這種做法在民眾之間也引發了討論。

　　福州市民：我還是贊成要採取一些特別措施，應該先從嚴開始，我支持這個。

　　福州市民：如果公佈照片、姓名這不太能接受，畢竟是個人隱私信息。

　　針對這一做法，福州交警出具了一份法律解讀。記者也採訪了法律專家。

　　福建師範大學法學院副教授 丁兆增：如果沒有與違法違章有直接關係，那麼執法部門將這些信息對外進行公佈、由媒體刊登出來，就有可能涉嫌侵犯行政相對人、違法違章者的隱私權。

　　警方出具的法律解讀中顯示，依據《公安機關執法公開規定》第二條、第九條，警方在行使執法權力的時候可以適當地公佈公民的相關信息。

　　《中華人民共和國道路交通安全法》第七條也規定，道路交通管理應推廣使用創新的或者先進的管理方法、技術和設備。

　　福建工程學院交通運輸研究所所長 呂英志：警示裝置屬於一種工程（技術）的手段，搭配上交警的執法以及對民眾的守法教育，這三者加起來才能真正逐漸去改善國人對於交通守法的習慣。這不是一朝一夕可以養成的，這個必須要經過一段時間才能慢慢做得到。

　　（原題為《福州警方曝光交通違法百人名單，人臉識別讓闖紅燈者無所遁形》）

　　以下為網友評論：

　　網友“靚牛”：人臉識別，我咋沒想到咩

　　網友“匆匆那年”：強烈表示支持

　　網友“斷了的弦”：這個厲害了

　　(1970-01-01)

　　業界公認人臉識別“世界盃”的微軟百萬名人識別競賽 MS-Celeb-1M 結果出爐：百萬名人識別子命題，Panasonic-新加坡國立大學合作奪得第一，CIGIT和中科院合作隊伍與美國東北大學位列第二第三。MS-Celeb-1M 數據集有效填補了工業界跟學術界的空白，通過有針對的評估指標設計，競賽實現了人臉“端到端”識別，有助於參賽模型投入現實應用。最後，競賽識別單一訓練樣本的名人子命題的冠軍團隊成員分享了他們的思路方法和參賽經驗。

　　2016 年 6 月，微軟向公眾發佈了大規模現實世界面部圖像數據集 MS-Celeb-1M，含有 10 萬個名人的約 1000 萬（10M）張臉部圖片，鼓勵研究人員開發先進的人臉識別技術。

　　同時宣佈的還有 MS-Celeb-1M 百萬人臉識別挑戰賽。參賽者需要根據（但不限於）挑戰賽提供的數據集作為訓練數據，開發圖像識別系統，從臉部圖像中識別 100 萬個名人。

　　今天，競賽結果公佈，其中：

　　百萬名人識別子命題，

　　a，無限制類（可以自由使用外部數據），Panasonic-NUS（新加坡國立大學）獲得第一名，中科院重慶綠色智能技術研究院（CIGIT）與中科院合作團隊第二，美國東北大學第三；

　　b，有限制類（只使用競賽提供數據），第一名是 Beijing Orion Star Technology Co., Ltd.

　　識別單一訓練樣本的名人子命題，

　　a，無限制類（可以自由使用外部數據），第一名是 NUS-Panasonic

　　b，有限制類（只使用競賽提供數據），第一名是美國東北大學

　　優勝團隊在技術上都採用了基於深度學習的方法，以及網絡大數據。從中可以看出，網絡大數據是發展趨勢，多模型融合是現在各個比賽得獎的利器。

　　微軟百萬名人識別競賽 MS-Celeb-1M：填補學術界與工業界的空白

　　人臉識別競賽有很多，微軟的百萬名人識別挑戰賽與已有的競賽有什麼不同？

　　據微軟技術與研究院（Microsoft Technology and Research）首席研究員/研究經理張磊博士介紹：首先，MS-Celeb-1M 的目標是識別百萬人臉，是計算機視覺內最大規模的分類問題，並且其中一個人物對應一個 entity，綁定了知識庫，並且知識庫中提供了每個人的職業，性別等等豐富的信息，從而解決了人物重名的問題，可以從識別達到認知。“最開始我們是面向學術界做的這個數據集，”張磊告訴新智元：“但後來很多工業界的同行也表示我們的數據集對他們的研究工作很有幫助。”

　　深度學習算法的進步使視覺識別在過去幾年中取得了很大的進步。但是，學術上的創新和實際投入生活使用的智能服務間仍然存在巨大差距，主要因為：

　　（1）學術研究缺乏現實世界的大規模數據，從而阻礙了有效訓練和評估算法；

　　（2）缺乏公開透明的平台進行公正、高效的評估，使識別結果可復現，容易獲得。

　　目前，幾個主要的人臉識別數據集，公開獲取的（下圖綠色）有：

　　LFW 是美國馬薩諸塞大學的一個數據集，規模在萬這個級別（13k）；

　　YFD 是耶魯人臉數據集，由耶魯大學計算視覺與控制中心創建，有不同的光照、表情和姿態的變化，但數量較少；

　　CelebFace 含有 20 多萬張圖片；

　　CASIA WebFace 是中科院自動化研究所的幾種數據集，裏面包含掌紋、手寫體、人體動作等 6 種數據集；需要按照説明申請，免費使用。

　　接下來，Facebook 和谷歌的數據集規模雖大，但都無法公開獲取。

　　這些無不體現了存在於學術界和產業界之間的一道明顯的鴻溝。

　　因此，微軟技術與研究院的郭彥東博士等人才在 2016 年提出了 MS-Celeb-1M 基準測試。MS-Celeb-1M 雖然也是名人臉部數據，但使用從網絡上搜集的一個名人所有可能收集到的臉部圖像作為訓練數據。基於知識庫的豐富信息有助於消除歧義，並提供豐富的人物信息，提高識別準確性，從而貼近於各種現實應用，比如圖像字幕和新聞視頻分析、輿情分析等等。

　　有效彌補了學術界與產業界之間由於數據造成的模型、算法等差距。

　　競賽指標設計：實現端到端識別，有助於現實應用

　　在競賽指標設置方面，微軟的 MS-Celeb-1M 也針對現有競賽做了填補。

　　目前，數據能夠公開獲取的比較著名的人臉識別競賽有 LFW 和 MegaFace。LFW 的規模在萬這個級別，由於訓練數據不共享等原因，近年來已經呈現出容易過擬合的趨勢，而且微軟的研究人員發現，LFW 的最佳算法往往難以完全復現。此外，LFW 競賽是比對兩張圖像的相似度，距離實際應用還有一定距離。

　　MegaFace 是美國華盛頓大學發佈的數據集，內容是幾十位互聯網明星照片加上普通人的一百萬左右的圖片的干擾數據。但是，MegaFace 的目標設定有所不同，相比“識別”，更傾向於“在大噪聲情況下的人臉驗證”（face verification）。具體來説，MegaFace 競賽的目標則是在上百萬人中識別出特定的幾十人。幾十個人對人臉識別性能評估作用很難非常全面，與實際應用尚有一些距離。此外，MegaFace 的測試數據沒有經過人為標註，含有噪聲。測試數據的噪聲在衡量高性能的模型時干擾很嚴重。

　　為此，微軟調整了 MS-Celeb-1M 的評估指標。競賽的輸入是一張圖片，輸出是一個人名，十分貼近現實中人臉識別的應用場景——判斷一張人臉圖片是否是某個具體的人。

　　“我們這個任務是端到端的任務，具體的説，任務是從圖像到知識庫中的名人識別碼。這樣的話，很自然而然引入了很多有價值的研究問題，比如如何有效從網絡有效獲取數據（我們允許自己增加訓練數據），如何利用好有噪音的標註訓練數據（規模巨大，超過人工標註的成本核算），如何處理海量數據（目標一百萬人，千萬級別的圖），當有些人的數據特別少，數據不均衡的時候怎麼辦等等，這些都是 CV 裏面有意思的問題。”郭彥東説。

　　參賽隊伍的目標是識別出混百萬人中的 1000 個人，但具體是哪 1000 人蔘賽者並不知道。因此，為了實現儘可能高的召回率和準確度，參賽模型需要覆蓋儘可能多的人，乃至全部百萬規模。這就對模型提出了很高的要求。此外，微軟的研究團隊非常仔細地人工標註了測試集合，在測試集合上保證了非常高的準確度，這樣對衡量高性能模型以及模型在幾乎 100% 的準確率下的表現（recall@high precision）就非常有效。

　　不僅如此，MS-Celeb-IM 百萬名人識別競賽還設有“小樣本學習”（lowshot learning）環節，這裏特別關注當有些人的訓練數據很少的時候，怎麼把模型效果做上去。

　　在這裏，參賽隊伍需要從 2 萬 1000 人中識別 1000 人。但是，這 1000 人都每個人都只有 1 張用於訓練的圖片。在很多情況下，比如公安人臉識別，犯罪嫌疑人只有 1 張模糊的或有遮蓋的圖片，要將其在茫茫人海中找出來，就屬於小樣本學習。

　　這在一定程度上倡導了當今人工智能的另一個垂直方向：從有限樣本中學習視覺概念。

　　冠軍團隊技術分享：Low-shot Learning 環節

　　競賽結果公佈後，新智元採訪了 Low-shot Learning 競賽冠軍新加坡國立大學與新加坡松下研究院合作團隊，成員趙健作為代表分享了他們的思路方法和參賽經驗。

　　冠軍隊伍：NUS-Panasonic，成員：趙健（NUS），程禹（Panasonic），王哲燦（NUS），徐炎（Panasonic），Karlekar Jayashree（Panasonic），Shen Shengmei（Panasonic），馮佳時（NUS）。

　　新智元：為什麼要參加微軟 MS-Celeb-1M 百萬名人識別競賽？

　　NUS-Panasonic：微軟百萬名人識別競賽是業界公認的人臉識別年度“世界盃”。本次競賽由微軟研究院主辦，藉助計算機視覺領域頂級會議 ICCV 2017的平台，級別之高、難度之大備受矚目。全世界人臉識別的頂尖團隊都希望能夠在這次比賽中一展身手、顯露頭角。本屆競賽既包括了與上屆類似的大規模人臉識別競賽（Hard Set 及Random Set），同時也提出一個全新的、更具挑戰性的 Low-Shot Learning 競賽。主辦方希望參賽隊伍既能夠做到大規模人臉的精準識別，同時也能夠有效解決稀缺人臉訓練樣本的精準識別難題。

　　NUS LV 組由顏水成教授創建、由馮佳時教授領軍，是目前各大學術機構在深度學習與計算機視覺領域的頂級團隊之一。其人臉識別團隊一直是LV組中不可或缺的頂樑柱，屢創佳績——在 LFW 人臉識別數據集首次達到 99.7% 的識別精度、在 NIST 2017 IJB-A 人臉匹配與識別兩項競賽中與新加坡松下研究院合作一起奪得冠軍。我們選擇參加本屆（2017）微軟百萬名人識別競賽希望能夠在人臉識別的最高平台上證明自己，並助推大規模人臉識別技術的長足進步與發展。

　　新智元：從技術的角度講，參賽得到的最大啓發是什麼？

　　NUS-Panasonic：本次競賽得到的最大啓發是精準高效的人臉識別系統設計通常需要將一個複雜問題進行模塊化，從數據收集、清理、預處理，到模型設計、訓練、測試，再到不同模型的融合、度量學習、性能評估，每個模塊都不斷去嘗試一些新的想法和不同的策略，將每個模塊的效果調試到最優後，再進行系統級接合。

　　新智元：能介紹一下你們的思路、方法和獲勝的原因嗎？

　　NUS-Panasonic：Low-Shot Learning 重點考察參賽隊伍能否有效解決稀缺人臉訓練樣本的精準識別難題。Low-Shot Learning 比賽分別提供兩個數據集——Base Set 和 Novel Set。其中，Base Set共包含 20k 個名人，每個名人提供 50-100 張樣本數據；Novel Set 共包含 1k 個名人，每個名人僅提供 1 張樣本數據。在測試時，主辦方提供的測試集中會混合 Base Set 與 Novel Set 的名人數據，並重點考察算法在 Novel Set 稀缺人臉訓練樣本的表現。

　　為了解決這一難題，我們基於大規模人臉識別競賽提供的 100k 名人的訓練數據，移除掉其中包含的 Novel Set 中 1k 個名人的數據來構建一個“增強版”數據庫，訓練幾種不同結構的網絡模型，使得網絡學到的特徵具有足夠的區分度、魯棒性以及泛化性能，不同的網絡模型學到的特徵也具有互補效應。我們採用特徵檢索的方法對每個模型進行測試，在測試時通過交叉驗證的方法確定了一些有效的策略。

　　相比於其他參賽隊伍的方法以及傳統 Low-Shot Learning 的解決辦法而言，我們的主要改進在於符合比賽規定的額外數據的使用與構建、多模型的度量學習、啓發式投票融合以及測試階段的數據增強。

　　比賽取得的好成績也依賴於新加坡松下研究院充足的硬件設備，比如大規模的 GPU 集羣和最新的 DGX。新加坡松下研究院一支數據標註團隊也在這次比賽中發揮了很大作用。

　　新智元：比賽中遇到的最大困難是什麼？如何解決的呢？

　　NUS-Panasonic：百萬名人識別的難點如何高效利用已有數據高效訓練效果最優的模型。為了解決稀缺人臉訓練樣本的難題，我們基於大規模人臉識別競賽提供的 100k 名人的訓練數據，移除掉其中包含的 Novel Set 中 1k 個名人的數據，構建一個“增強版”數據庫，訓練幾種不同結構的網絡模型。訓練過程中，網絡最後一個全連接層（FC）的神經元數量與分類類別數量相等，大量級的訓練參數往往導致網絡很難直接訓練，損失函數波動震盪不降。我們在這裏進行了一些調整，將整個訓練過程分為兩個階段，首先訓練網絡來區分 1/10 樣本類別，在網絡趨於收斂後，將最後一個 FC 層替換掉，並進行第二階段的訓練和調優，從而解決大樣本類別的網絡高效訓練難題。

　　新智元：你們提出的算法有什麼實際應用？

　　NUS-Panasonic：我們所提出的算法能夠有效解決稀缺人臉訓練樣本的精準識別難題，這對於安防系統、智能家居系統、無人駕駛以及人機交互等領域具有很高的應用價值和商業前景。我十分看好未來算法的落地，如可以結合人臉識別算法研究、網絡壓縮技術和FPGA相關技術進行系統級設計，為人們的生產生活提供更多便利。

　　雖然目前人臉識別的準確率已經很高，但大多主流技術和算法需要以預定姿態或條件為前提，如正臉或近似正臉，圖像清晰無遮擋，表情、背景單一等。未來的真正意義上的智能人臉識別將可以很好地解決上述問題，並在大規模、非限制條件以及稀缺訓練樣本的人臉識別問題中不斷取得新的突破。

　　新智元：祝賀你們取得好成績，最後分享一下獲勝感受吧。

　　NUS-Panasonic：通過 NUS LV 組與 Panasonic 的竭誠合作，歷經三個月的共同努力與奮鬥，我們終於成功拿下微軟名人人臉識別三項競賽（Hard Set, Random Set, Low-Shot Learning）的冠軍。很慶幸能夠成為冠軍團隊的一員，能夠取得這樣的成績，離不開 NUS 與 Panasonic 兩個單位的竭誠合作，離不開團隊每名成員的齊心協力、共同拼搏。感謝我的導師馮佳時教授、顏水成教授的培養、指導和信任，感謝中科院自動化所興軍亮老師的幫助與指導，感謝國防科技大學和中國留學基金委的資助，我會繼續努力，希望能夠在人臉識別領域再創佳績，助推相關技術發展和進步。

　　（原標題：首發：人臉識別世界盃榜單出爐，微軟百萬名人識別競賽冠軍分享）

　　以下為網友評論：

　　網友“在夏之悒”：有沒有百度？參加過最強大腦的百度

　　網友“要什麼自行車”：未來的大趨勢

　　網友“一起去旅行”：為啥沒有韓國人

　　網友“山東省濟南市澎友”：醜的人各有千秋，好看的人長得都一樣

　　網友“花非花”：厲害了

　　網友“心繫中國＊情牽國防”：有了人臉識別人工智能科技，逃犯無路可逃！

　　網友“啊哩哩”：韓國團隊沒參加？？？

　　網友“乖乖兒”：本次競賽得到的最大啓發是精準高效的人臉識別系統設計通常需要將一個複雜問題進行模塊化

　　(1970-01-01)

　　如今，無論你走到哪裏，總能看到很多人在刷臉，相較於前幾年，刷臉已經不再是時髦的玩意兒，而逐漸成為一種標配，我們總能看到各種刷臉門禁，人臉識別技術已經成為門禁基礎的剛需技術，甚至刷臉取廁紙已經被紛紛效仿。

　　人臉識別技術在很大程度上改變了生活，這種可以想象的空間實在十分巨大，現在甚至有些公司在推崇讓人臉識別技術進入免費時代，因為，現在刷臉技術已經分佈在人們生活的方方面面。

　　就比如農行刷臉取款，建行無人值守校園

　　e銀行，建行將實現聚焦在六大國有銀行及一眾中小銀行的新戰役中，而逐漸發展開來的人臉識別產業本身也成為這次戰役中的重要一環。綠之源家電清洗老闆説，最近已經在打算投資人臉識別技術了。

　　人臉識別技術在金融方面的應用，並非指人臉識別技術本身，而是將人臉識別技術通過不同的解決方案設計及其他技術疊加，解決金融行業各種業務場景下的實際需求，具體而言，人臉識別技術多以特定的場景為基礎，通過一定的設計，集成，生產等工業手段，將不同的人臉識別環節進行重新組合，排列，最終輸出符合金融行業需求的產品，人臉識別技術在金融行業的運用遊刃有餘。

　　在人臉識別技術行業，目前的人臉識別還處在沉浸階段，還需要以人臉為數據入口提升服務，在金融行業，使用人臉識別技術之後，人臉作為天然的的數據入口在金融行業沉澱了大量數據，把這些人臉數據結合成大數據，不僅可以實現徵信實時監測，還可以通過VIP迎賓與精準營銷等服務來進行提升用户體驗。

　　目前可以預測，在未來人臉識別技術會運用到生活的方方面面，隨着人類生命進程的提升，人臉識別技術，會擁有越來越重要的地位。

　　(2017-08-17)

　　驅動中國2017年8月16日消息 近期，人眼識別成為一個熱門話題，隨着蘋果對於把人臉識別作為新一代iPhone的一個主要賣點大加宣傳，人眼識別取代Touch ID指紋傳感器已經成為發展趨勢。隨後，國產手機廠商也紛紛坐不住了，據悉，華為Mate 10、小米MIX 2紛紛傳出也將支持3D人眼識別技術，真正實現刷臉登錄。

　　隨着技術的發展，3D人臉識別成為目前人臉識別的有一發展方向。在蘋果大肆宣傳3D人臉識別技術後，高通也終於坐不住了。

　　近日，高通在聖地亞哥發佈了第二代Spectra ISP，主要改進生物識別和高分辨率3D深度感知，旨在消費者滿足日益增長的照片和視頻需求。

　　其實人臉識別技術早在2015年就已經初具雛形，高通高通首次在驍龍820芯片中提供深度感知能力，驍龍835對深度感知技術進行了改進，並被應用在三星GalaxyS8、HTC U11和一加5中，但由於技術不到位，高通的人臉識別技術能被照片騙過，高通的人臉識別成為雞肋。

　　據外媒報道，高通將在明年下一代最新的驍龍處理器中，完善3D人臉識別技術，將提供紅外3D感知技術，高通承諾，下一代驍龍芯片將提供比iPhone8更多的功能，至少提供相同的功能，但完成速度更快、精度更高。例如，新一代高通芯片能利用紅外光測量深度，繪製用於人臉識別、物體三維重構和製作地圖的高分辨率深度地圖。

　　3D人眼識別成為科技圈的香餑餑，來自由趙麗穎代言的ivvi手機，同樣在這其中積極佈局，依託智能3D識別技術”為創新基礎，涵蓋“專利授權、3D屏幕製造、3D攝像頭製造、3D手機等個人消費電子產品及3D智能圖像計算” 的國際創新型企業。

　　ivvi手機為了進一步完善了其在個人消費電子終端硬件體系的搭建和戰略佈局，融合包括裸眼3D、VR、AR、視覺信息模糊計算、AI等技術，大力發展智能3D計算視覺，ivvi將加速開發和佈局，以3D人臉識別、圖形圖像計算等技術。

　　其中3D人臉識別，在ivvi智能3D計算視覺上，擁有強大的核心技術支撐，ivvi在今年率先推出了首款智能3D手機ivvi K5，在3D建模、人眼追蹤等關鍵技術上大有所為，依靠科技創新發展，3D人眼識別ivvi已經深刻佈局。未來或將成為國產智能3D計算視覺中，3D人臉識別技術的佼佼者，打破蘋果和高通在這一先進技術的壟斷。

　　未來ivvi將進一步完善佈局全球領先的智能計算視覺生態體系，帶動整個計算視覺產業鏈的升級與發展。

　　(2017-08-16)

　　本文來源於新聞閣：轉載請保留鏈接，不保留本文鏈接視為侵權，謝謝合作！