ROI的案例
如何增強(qiáng)客戶服務(wù)價(jià)值提升ROI
您的客服系統(tǒng)生成的報(bào)告可幫助管理層真正了解影響客戶服務(wù)ROI的因素，并確定改進(jìn)目標(biāo)以增加價(jià)值，降低成本，提高客戶滿意度并有效利用資源。
汽車覆蓋件質(zhì)量缺陷視覺檢測研究
開裂問題視覺檢測的流程如下：
⑴用相機(jī)對合格的零件進(jìn)行拍照，選取一張清晰的照片作為參考圖，再用特征匹配工具選取零件一個(gè)部位作為ROI(檢測區(qū)域)，確定零件定位部位，后續(xù)零件檢測定位會(huì)更加準(zhǔn)確。特征匹配算法的設(shè)置界面如圖1 所示。
圖1 特征匹配算法設(shè)置界面
⑵選用相似度算法檢測零件是否有開裂，相似度算法用于與設(shè)定的ROI 區(qū)域(藍(lán)色框)內(nèi)與模板基準(zhǔn)圖進(jìn)行比對，可同時(shí)設(shè)置多個(gè)檢測區(qū)域與忽略區(qū)域，從而判斷零件是否有開裂問題。相似度算法設(shè)置如圖2 所示。
圖2 相似度算法設(shè)置界面
⑶2 個(gè)算法設(shè)置完成后，先點(diǎn)“測試當(dāng)前”按鈕，看軟件能否正確檢測出模板中的照片，如果檢測“OK”，則算法設(shè)置完成。如有開裂零件，視覺檢測軟件會(huì)做出正確檢測，檢測時(shí)間在1 秒內(nèi)完成，檢測結(jié)果是“NG”不合格，并發(fā)出報(bào)警聲，如圖3 所示。
圖3 開裂問題檢測結(jié)果
少孔問題視覺檢測
少孔問題也是覆蓋件最嚴(yán)重的質(zhì)量問題之一，少孔是指零件實(shí)際孔數(shù)與標(biāo)準(zhǔn)孔數(shù)少一個(gè)或多個(gè)的問題，少孔對下工序裝配零件會(huì)有嚴(yán)重影響。目前，沖壓對零件孔數(shù)采用的方法是每15 分鐘抽檢1 件數(shù)孔，如果在這個(gè)間隔時(shí)間內(nèi)出現(xiàn)少孔問題，可能到發(fā)現(xiàn)時(shí)已生產(chǎn)100 件左右。如果采用視覺檢測，則可實(shí)現(xiàn)100%檢測孔數(shù)，實(shí)現(xiàn)少孔問題零逃逸。少孔問題視覺檢測的流程如下：
⑴用相機(jī)拍一張合格零件的照片，選取一張清晰的照片作為參考圖，選用直線匹配算法，直線1 和直線2 的ROI 區(qū)畫在零件右邊直線上，直線3 的ROI 區(qū)畫在零件水平直線上。通過零件2 個(gè)邊定位零件，使檢測更加準(zhǔn)確可靠，點(diǎn)擊測試按鈕，出現(xiàn)測試結(jié)果“OK”則設(shè)置完成。
圖4 直線匹配算法設(shè)置界面
⑵選用斑點(diǎn)檢測算法檢測少孔問題，把ROI 藍(lán)色框圈住零件的孔，斑點(diǎn)類型選擇黑色斑點(diǎn)，灰度閾值選擇128，中心類型選擇區(qū)域重心。
展開 使用 Mask R-CNN、GrabCut 和 OpenCV 進(jìn)行圖像分割 ￥5
感興趣區(qū)域 （RoI）：掩碼 R-CNN 引入了 RoI 對齊，這是一種更準(zhǔn)確的技術(shù)，用于對齊區(qū)域建議內(nèi)的像素級特征，而不是更快的 R-CNN 中使用的 RoI 池化。RoI Align 確保從原始圖像特征圖中準(zhǔn)確提取像素級特征，無需量化。
3. 實(shí)例分割：更快的 R-CNN 使用兩個(gè)分支：分類和邊界框回歸。掩碼 R-CNN 添加了第三個(gè)分支，用于預(yù)測每個(gè)區(qū)域提案的分割掩碼。此分支使用 RoI 對齊特征作為其輸入，為每個(gè)識別的對象生成一個(gè)二進(jìn)制掩碼。
3 GrabCut 抓取
GrabCut 是一種經(jīng)典的前臺提取算法，用戶交互最少。它采用一個(gè)輸入圖像和一個(gè)用戶定義的邊界框，該邊界框?qū)⑶熬皩ο笞鳛槠漭斎耄ù颂?dog 是前景對象）。然后，它會(huì)生成一個(gè)優(yōu)化的分段蒙版，將前景對象與背景分開。
?
GrabCut 抓取
通過基于提供的邊界框?qū)η熬昂捅尘皡^(qū)域進(jìn)行初步估計(jì)，使用高斯混合模型 （GMM） 通過迭代更新像素標(biāo)簽來對前景和背景進(jìn)行建模，從而提高分割的準(zhǔn)確性。GrabCut 算法的最終輸出是前景和背景區(qū)域分開的蒙版圖像。
?
4 為什么同時(shí)使用 GrabCut 和 Mask R-CNN 進(jìn)行圖像分割？
展開 12篇論文看盡深度學(xué)習(xí)目標(biāo)檢測史
其主要思想是在已有的邊界框和分類分支的基礎(chǔ)上，在 ROI pooling之后增加一個(gè)二進(jìn)制掩碼預(yù)測分支。此外，為了解決原始的 ROI Pooling 層的圖像量化誤差問題，Mask R-CNN 還提出了一個(gè)新的 ROI Align 層，該層實(shí)際上使用了雙線性圖像重采樣。如你所料，多任務(wù)訓(xùn)練(分割 + 檢測)和新的 ROI Align 層都有助于改進(jìn)邊界框benchmark。
2018: PANet
用于實(shí)例分割的路徑聚合網(wǎng)絡(luò)
實(shí)例分割與目標(biāo)檢測有著密切的關(guān)系，因此一個(gè)新的實(shí)例分割網(wǎng)絡(luò)通常也可以間接地為目標(biāo)檢測分析研究帶來好處。PANet 旨在通過在原有的自上而下路徑之后增加一個(gè)自下而上的路徑，來促進(jìn) Mask R-CNN 的 FPN 頸部的信息流。可視化這種變化就是，在多層池化特征之前，我們在原來的 FPN 的脖子上有一個(gè)↑↑結(jié)構(gòu)，而 PANet 使它更像一個(gè)↑↓↑ 結(jié)構(gòu)。同時(shí)，在 Mask R-CNN 的 ROIAlign 融合 (逐元素最大值的和)多尺度特性之后，PANet 增加了一個(gè)“自適應(yīng)特性池化”層，而不是每個(gè)特性層都有單獨(dú)的池化。
2019: NAS-FPN
NAS-FPN: 學(xué)習(xí)可擴(kuò)展特征金字塔結(jié)構(gòu)的目標(biāo)檢測
PANet的成功引起了一組 NAS 研究人員的注意。他們使用了來自圖像分類網(wǎng)絡(luò) NASNet 的類似的強(qiáng)化學(xué)習(xí)方法，重點(diǎn)搜索融合單元的最佳組合。這里，融合單元是指 FPN 的基礎(chǔ)構(gòu)建塊，它將任意兩個(gè)輸入特征層融合到一個(gè)輸出特征層中。最終的結(jié)果證明了 FPN 可以進(jìn)一步優(yōu)化的想法，但是復(fù)雜的計(jì)算機(jī)搜索結(jié)構(gòu)使人類難以理解。
總結(jié)
目標(biāo)檢測仍然是一個(gè)活躍的研究領(lǐng)域。
展開 
基于深度學(xué)習(xí)的無人機(jī)航拍目標(biāo)檢測研究綜述
圖7 水平檢測和旋轉(zhuǎn)檢測
Fig.7 Rotated and horizontal object detection
Jiang等[69]改進(jìn)了Faster R-CNN算法，用于檢測任意方向的文本內(nèi)容：使用兩點(diǎn)坐標(biāo)和盒高來描述包圍盒，通過多尺度的ROI池化來更好的提取水平和豎直方向的特征。該方法提出的包圍盒較好地適應(yīng)了文字檢測，但無人機(jī)影像中的目標(biāo)存在分布密集的情況且旋轉(zhuǎn)角度是任意的，需要新的包圍盒形式來對其定位。Xu等[70]使用Faster R-CNN算法的分類結(jié)果，對于回歸預(yù)測，引入旋轉(zhuǎn)因子和水平包圍盒頂點(diǎn)偏移量參數(shù)來對得到的水平包圍盒進(jìn)行偏移改進(jìn)，用四邊形來回歸定位。該算法在DOTA數(shù)據(jù)集上取得了73.39% mAP的結(jié)果，但由于仍是基于水平候選區(qū)域下的檢測，位置回歸的過程存在一些與真實(shí)值不匹配的情況。
Ma等[71]提出了使用旋轉(zhuǎn)的候選區(qū)域來進(jìn)行文本檢測。在Faster R-CNN算法中引入角度參數(shù)，生成帶有角度信息的錨定框，進(jìn)而得到任意方向的候選區(qū)域，并將此稱為RRPN(Rotation Region Proposal Networks)，相應(yīng)的RROI(the Rotation Region of Interest)池化過程是將旋轉(zhuǎn)的候選區(qū)域與特征圖關(guān)聯(lián)后再進(jìn)行的池化操作。該方法提升了包圍盒回歸的精度，但由于產(chǎn)生更多的旋轉(zhuǎn)錨定框，計(jì)算量較大。為了避免增加錨點(diǎn)數(shù)量，Ding等[72]使用水平的錨定框，在RPN階段通過全連接學(xué)習(xí)得到旋轉(zhuǎn)ROI。具體來說，在有向包圍盒(Oriented Bounding Box，OBB)注釋的監(jiān)督下，對RoI進(jìn)行空間變換并學(xué)習(xí)變換參數(shù)(ROI-Transformer，RT)。之后，從旋轉(zhuǎn)ROI中提取旋轉(zhuǎn)不變特征，用于后續(xù)的分類和定位。
展開 汽車照明：協(xié)作支持創(chuàng)新
這種增值合作可以釋放當(dāng)今先進(jìn)工程技術(shù)的全部潛力并將客戶ROI提升到一個(gè)新的高度。
汽車照明需要一個(gè)更高效、無縫和準(zhǔn)確的工程流程
商業(yè)世界的數(shù)字化——尤其是工程領(lǐng)域的數(shù)字化——為公司提供了一系列先進(jìn)技術(shù)，解決了重要功能和性能的相關(guān)問題。從計(jì)算機(jī)輔助設(shè)計(jì)到多物理場仿真，數(shù)字化提供了一系列智能、自動(dòng)化的工具，這些工具真正徹底改變了產(chǎn)品開發(fā)流程，為客戶帶來了巨大的投資回報(bào)（ROI）。
數(shù)字革命的第一次浪潮側(cè)重整個(gè)產(chǎn)品開發(fā)團(tuán)隊(duì)解決方案的獲取和應(yīng)用，而第二次浪潮則側(cè)重如何通過更密切的整合利用這些解決方案使ROI實(shí)現(xiàn)最大化。
Ansys系統(tǒng)和平臺業(yè)務(wù)部門副總裁Eric Bantegnie強(qiáng)調(diào):“通過仿真和虛擬樣機(jī)/原型，使每個(gè)流程得到了優(yōu)化。“當(dāng)前需要聚焦其它方向來提升這些解決方案的價(jià)值。我們可以從每個(gè)優(yōu)秀工具之間的轉(zhuǎn)換鏈中尋找提升效率的來源。
提升整合效率需要新方法。最近，Ansys與Autodesk攜手合作，解決了汽車照明工程和設(shè)計(jì)的一個(gè)關(guān)鍵難題。這兩家企業(yè)無縫集成了Autodesk VRED(3D可視化解決方案)和Ansys VRXPERIENCE Light Simulation(基于Ansys SPEOS照明仿真解決方案)，將汽車照明設(shè)計(jì)引入生活。
在傳統(tǒng)工作流程中，往往需要在后期調(diào)整照明設(shè)計(jì)，使其滿足安全和法規(guī)要求，并保證成本和產(chǎn)品可制造性。為了符合最初的設(shè)計(jì)需求，這個(gè)流程可能持續(xù)幾周甚至幾個(gè)月的更新迭代。
更可怕的是，工藝缺陷可能導(dǎo)致新車發(fā)布時(shí)才會(huì)發(fā)現(xiàn)被忽視的照明問題，從而可能會(huì)發(fā)生車輛召回，嚴(yán)重?fù)p害汽車品牌形象和聲譽(yù)的事件。Bantegnie指出：“由于世界上大多數(shù)汽車照明團(tuán)隊(duì)同時(shí)使用Ansys和Autodesk解決方案，這并不是一個(gè)孤立的問題。”。“相反，這是一個(gè)嚴(yán)峻的挑戰(zhàn)，這兩個(gè)技術(shù)提供商在與我們的客戶交流時(shí)都達(dá)成共識。
展開 聯(lián)電定位大翻轉(zhuǎn) 不追第一追獲利
他把聯(lián)電的目標(biāo)，從追求成為市場老大，變成追求投資報(bào)酬率(ROI)，「ROI是我們決策的重要指標(biāo)。」上任后，他第一步先從改善財(cái)務(wù)體質(zhì)，改善自由現(xiàn)金流開始，不再跟進(jìn)投資7奈米等技術(shù)后，過去幾季，聯(lián)電累積現(xiàn)金的速度變快了，甚至有錢可以買庫藏股。
接著，他嚴(yán)格要求每項(xiàng)投資，都要符合投資報(bào)酬率的要求，不符合就砍掉。「投資技術(shù)研發(fā)相對便宜，我們在12、14奈米的研發(fā)還會(huì)繼續(xù)。」他分析，貴的是建置產(chǎn)能，12、14奈米的產(chǎn)能建置相對就少，「要不要擴(kuò)建，我會(huì)依ROI狀況嚴(yán)格控制。」
追求投資報(bào)酬率 不一定要是市場老大
如果現(xiàn)金流改善，聯(lián)電會(huì)再投入7奈米技術(shù)嗎？王石堅(jiān)定地表示，「不做！」因?yàn)樗氵^，聯(lián)電的規(guī)模，做七奈米沒有效益，中芯、格羅方德，背后有中國政府和阿布達(dá)比的資金支持，聯(lián)電沒有富爸爸，繼續(xù)追先進(jìn)制程并不理性。
但是，不參與先進(jìn)制程競爭，未來聯(lián)電該如何成長？王石的選擇，是回過頭來，把資源投在聯(lián)電擅長的市場上，把規(guī)模比他更小的公司擠出去！
王石分析，全球晶圓代工的市場規(guī)模約為60億到70億美元，最先進(jìn)的制程占去其中十幾億美元市場，每年以29%速度成長；但較為成熟的制程，市場規(guī)模卻有50億美元，這50億美元市場，每年仍在緩慢成長，「未來也會(huì)變成60億美元。」
他發(fā)現(xiàn)，在這個(gè)市場里，聯(lián)電的優(yōu)勢就很明顯了，「聯(lián)電的研發(fā)資金，比其他所有經(jīng)營成熟制程的公司加起來還多！」像世界先進(jìn)等公司不靠先進(jìn)制程，還是照樣賺錢，聯(lián)電擁有的12奈米技術(shù)，勝過許多競爭者，這都是聯(lián)電的優(yōu)勢。
但過去聯(lián)電都忽略了這個(gè)大市場，「聯(lián)電在這里(指12奈米以上的制程市場)，全球市占率也只有9.1%。」聯(lián)電現(xiàn)有的營收規(guī)模約為50億美元，如果市占率能從9%成長為15%，聯(lián)電的營收就會(huì)變成82億美元，等于還有6成的成長空間。
展開 視覺傳感器：2D感知算法
FPN
2.2 單階段檢測
兩階段的檢測器需要處理大量的物體候選框，每個(gè)候選框通過ROI Pooling來生成統(tǒng)一長度的特征，這個(gè)過程相對比較耗時(shí)，因此影響了算法的整體速度。單階段檢測器的主要思路是利用全卷積網(wǎng)絡(luò)，在特征圖的每個(gè)位置進(jìn)行物體分類和邊框回歸。這其實(shí)相當(dāng)于在每個(gè)位置都生成候選框，但是因?yàn)槭÷粤速M(fèi)時(shí)的ROI Pooling，而只采用標(biāo)準(zhǔn)的卷積操作，因此算法的運(yùn)行速度得到了提升。
SSD[5]采用了上述全卷積網(wǎng)絡(luò)的思路，并且在多個(gè)分辨率的特征圖上進(jìn)行物體檢測，以提高對物體尺度變化的適應(yīng)能力。同時(shí)，在特征圖的每個(gè)位置上采用不同尺度和長寬比的Anchor來做邊框回歸。
在特征圖的每個(gè)位置上進(jìn)行稠密的物體檢測，這樣做雖然省略了ROI Pooling，但會(huì)帶來一個(gè)新的問題，那就是正負(fù)樣本的不平衡。稠密的采樣導(dǎo)致負(fù)樣本（非物體）的數(shù)量遠(yuǎn)遠(yuǎn)大于正樣本（物體）的數(shù)量，在訓(xùn)練中大量容易分類的負(fù)樣本所產(chǎn)生的Loss會(huì)起支配作用，而真正有價(jià)值的困難樣本反而得不到很好的學(xué)習(xí)。
SSD
為了解決這個(gè)問題，RetinaNet[6]提出了Focal Loss，根據(jù)Loss的大小自動(dòng)調(diào)節(jié)權(quán)重，以代替標(biāo)準(zhǔn)的Cross Entropy，使得訓(xùn)練過程更多的關(guān)注困難樣本。在特征提取方面，RetinaNet也采用了FPN的結(jié)構(gòu)。
Focal Loss vs. Cross Entropy
最后，還是得說一下YOLO[7]系列的檢測器，這也是工業(yè)界使用最廣泛的算法，甚至可以不加之一。YOLOv1采用卷積和Pooling結(jié)合提取特征，最后的特征圖空間大小為7*7。
展開 產(chǎn)品的“扭曲美”！
04、Caterpillar 燈具
設(shè)計(jì)：Fabien Roy
把真空軟管變成了一種叫做 Caterpillar 的柔性燈具。黑色的羅紋軟管既是燈的底座，也是燈體結(jié)構(gòu)，允許用戶將其扭曲成各種形狀。Caterpillar 內(nèi)置 LED 燈泡，可以指向任何方向。為了保證燈具不會(huì)移位或是傾倒，F(xiàn)abien Roy 還特意對底座進(jìn)行了加重處理。
05、“情節(jié)扭曲”書架
設(shè)計(jì)： Deniz Aktay
完美代表當(dāng)代美學(xué) + 功能性一件漂亮的家具。帶有情節(jié)轉(zhuǎn)折的書架到可以傾斜的椅子，扭曲木質(zhì)元素形成的穩(wěn)定書架，可以從各個(gè)方向訪問，營造出一個(gè)健康而有機(jī)的環(huán)境。
06、彈力休息椅
扭轉(zhuǎn)互動(dòng)的彈力休息椅，簡約時(shí)尚。
07、扭曲的邊桌
設(shè)計(jì)：佐藤大
只有一條腿彎曲的邊桌，通過將另一張桌子的腿放在第一個(gè)扭曲的部分，這兩張桌子似乎是纏繞在一起的，就好像手牽手一樣。
08、Polee lamp-可以扭的臺燈
設(shè)計(jì)： Vedran Erceg
一款可以扭的臺燈，讓人以為是發(fā)光的“跳繩”，小巧且方便攜帶。
09、“旋轉(zhuǎn)”書架
設(shè)計(jì)：Deniz Aktay
一款薄金屬板制成的藏書整理書架。
10、Neotenic
設(shè)計(jì)：Jumbo
這套作品把加粗的線條附加于簡單的造型之上，本來笨笨的樣子，配之柔和的曲線，生出幾分柔軟的可愛。不管是座燈，還是座椅，管狀線條實(shí)現(xiàn)了這種扭曲的可愛。一種大氣、穩(wěn)妥的美感。
展開 Altair 借助合作伙伴聯(lián)盟新成員給用戶提供鍛造功能
Altair 工業(yè)解決方案高級總監(jiān) Subir Roy 說道。“AFDEX 精度極高而且流程直觀，對于希望改善產(chǎn)品質(zhì)量并優(yōu)化多階段冷/熱鍛工藝的客戶來說十分寶貴，意義非凡。”
AFDEX 可通過預(yù)測成型載荷來幫助選擇合適的壓力。它還能開發(fā)并優(yōu)化金屬成型流程，免于在設(shè)計(jì)流程時(shí)進(jìn)行不斷嘗試，從而縮短開發(fā)時(shí)間并降低成本。另外，AFDEX 可延長產(chǎn)品使用壽命，在纖維流方面提高產(chǎn)品質(zhì)量；還能延長模具壽命，從而提高生產(chǎn)力。
欲了解有關(guān) MFRC 和 AFDEX 的更多信息，請注冊參加將于 2015 年 11 月 17 日下午 3 點(diǎn)（韓國標(biāo)準(zhǔn)時(shí)間）和上午 9 點(diǎn)（美國東部時(shí)間）舉行的產(chǎn)品推介研討會(huì)，或訪問 MFRC 的解決方案頁面。
關(guān)于 Altair 合作伙伴聯(lián)盟
Altair 的 HyperWorks 平臺采用革新性的訂購許可模式，客戶可使用浮動(dòng)式許可證按需訪問 Altair 以及第三方開發(fā)的各種軟件應(yīng)用程序套件。Altair 合作伙伴聯(lián)盟將 HyperWorks 平臺從之前的 20 多個(gè)內(nèi)部開發(fā)的解決方案有效擴(kuò)展到 60 多個(gè)應(yīng)用程序（包含新合作伙伴的應(yīng)用程序）。客戶無需增加額外的成本，使用他們現(xiàn)有的 HyperWorks 許可證便可調(diào)用這些第三方應(yīng)用程序。客戶可享受無可比擬的靈活性與訪問權(quán)限，從而實(shí)現(xiàn)軟件利用率、生產(chǎn)效率和 ROI 的最大化。欲了解關(guān)于 Altair 合作伙伴聯(lián)盟的詳細(xì)信息，請?jiān)L問www.altairalliance.com.
關(guān)于金屬成型研究公司 (MFRC)
MFRC 長期以來一直致力于開發(fā)金屬成型仿真軟件 Advisor for metal Forming process Design Experts（簡稱 AFDEX）。該軟件基于剛-彈/熱/粘塑性有限元法，內(nèi)嵌智能網(wǎng)格重劃技術(shù)。
展開 Qt Insight智能用戶分析工具介紹
提高產(chǎn)品ROI
Qt Insight能幫您確定需要投資的關(guān)鍵要素，使ROI分析比以往更加準(zhǔn)確。它還可以通過真實(shí)的設(shè)備和應(yīng)用交互，直觀地識別出客戶痛點(diǎn)和問題。
Qt Insight如何運(yùn)作
Qt Insight作為應(yīng)用或開發(fā)平臺的一部分，向您提供真實(shí)的產(chǎn)品使用分析。借助它，您可以了解客戶痛點(diǎn)，分析性能，為您的業(yè)務(wù)制定切實(shí)有據(jù)的開發(fā)計(jì)劃。
Qt Tracker Library的無縫數(shù)據(jù)傳輸
Qt Tracker Library通過安全通信通道定期與Qt Insight分析云端共享原始事件信息。
用于深入分析的綜合指標(biāo)
通過Qt的云服務(wù)，Qt Insight使用元數(shù)據(jù)來豐富信息，并整合數(shù)據(jù)以做進(jìn)一步分析。報(bào)告范圍包括以下指標(biāo)：最常用的交互/功能、UI視圖利用率、用戶數(shù)量（現(xiàn)有/新）、會(huì)話時(shí)長、用戶行為（工作日/時(shí)間）、用戶位置、設(shè)備類型和應(yīng)用程序軟件版本。
數(shù)據(jù)可視化和分析的強(qiáng)大工具
Qt Insight Console應(yīng)用程序是可視化、過濾和導(dǎo)出信息的工具。用戶可以使用一組預(yù)先配置的圖表創(chuàng)建自己的儀表板。他們還可以應(yīng)用各種過濾器來深入研究數(shù)據(jù)。
Qt Insight價(jià)值
對于開發(fā)者：通過快速識別應(yīng)用或設(shè)備中的死代碼，開發(fā)者可以淘汰失效的元素或進(jìn)一步開發(fā)流行的組件。
對于設(shè)計(jì)師：通過對創(chuàng)新設(shè)計(jì)、元素以及UI路徑進(jìn)行A/B測試，設(shè)計(jì)師可以根據(jù)真實(shí)的使用數(shù)據(jù)優(yōu)化用戶體驗(yàn)。
對于市場營銷人員：通過利用用戶流量跟蹤，市場營銷人員可以發(fā)現(xiàn)高價(jià)值客戶，了解何時(shí)進(jìn)行追加銷售，并提高用戶的生命周期價(jià)值。
對于產(chǎn)品負(fù)責(zé)人：當(dāng)功能采用分析和開發(fā)計(jì)劃更加簡單明了，產(chǎn)品負(fù)責(zé)人可以減少研究分析時(shí)間，做出更明智的決策。
展開 
逆有限元相關(guān)文章，有否有朋友一起開發(fā)？
Roy, M. Gherlone, C. Surace, A. Tessler
Full-Field Strain Reconstruction Using Uniaxial Strain Measurements: Application to Damage Detection
Applied Sciences, vol. 11(4): 1681, 2021.
A. Kefal, A. Tessler
Delamination Damage Identification in Composite Shell Structures based on Inverse Finite Element Method and Refined Zigzag Theory
Paper presented at the 8th International Conference on Marine Structures (MARSTRUCT2021), Trondheim, Norway.
2020
R. Roy, A. Tessler, C. Surace, M. Gherlone
Shape Sensing of Plate Structures Using the Inverse Finite Element Method: Investigation of Efficient Strain–Sensor Patterns
Sensors, vol. 20(24):7049, 2020.
P. Savino, F. Tondolo, M. Gherlone, A.
展開 自動(dòng)駕駛之點(diǎn)云與圖像融合綜述
5A）基于2D的序列模型
所謂基于2D的序列模型，就是首先對圖片進(jìn)行2D檢測/分割，生成ROI區(qū)域，然后將ROI投影到3D空間中（將圖像上的邊界框投影到點(diǎn)云上，形成三維ROI空間；將點(diǎn)云投影到圖像平面上，形成帶有點(diǎn)向的2D語義點(diǎn)云）。
結(jié)果級：
就是將2D的ROI來限制點(diǎn)云的搜索空間，這樣可以顯著減少計(jì)算量，提高運(yùn)行時(shí)間。如FPointNes《Frustum pointnets for 3d object detection from rgb-d data》（將圖像生成的2D邊界框投影到3D空間中，然后將產(chǎn)生的投影送入到PointNet中進(jìn)行3D檢測）、《A general pipeline for 3d detection of vehicles》（利用基于模型擬合的方法過濾掉不必要的背景點(diǎn)，然后將過濾后的點(diǎn)送入網(wǎng)絡(luò)中進(jìn)行回歸）、RoarNet（利用《3d bounding box estimation using deep learning and geometry》將每個(gè)2Dbbox生成多個(gè)3D圓柱，然后利用PointNet的head去進(jìn)行處理，并最終細(xì)化）。
上述方法都需要假設(shè)每個(gè)ROI區(qū)域內(nèi)只包含一個(gè)感興趣的對象，對于擁擠的場景或者行人等不太適用。所以需要有改進(jìn)版。解決方案就是用二維語義分割和region-wise seed proposal with point-wise seed proposals替代2D檢測器，如IPOD就是類似的方法，首先采用二維語義分割來過濾出背景點(diǎn)，留下的前景點(diǎn)云保留了上下文信息和細(xì)粒度的位置，然后送入到PointNet++中用于特征提取和bbox的預(yù)測，這里提出了PointsIoU來加速訓(xùn)練和推理。
展開 Acta Mater. 馬氏體沉淀強(qiáng)化不銹鋼中納米相析出演變機(jī)理及其強(qiáng)化行為
【圖文解讀】
圖一 力學(xué)性能
顯微硬度、抗拉強(qiáng)度和沖擊韌性隨時(shí)效時(shí)間的變化曲線
圖二 時(shí)效1 h
（a）Cu、Ni、Mn、Si、Cr和Nb空間分布；(b) Cu、Ni和Mn的NND統(tǒng)計(jì)
圖三 時(shí)效8 h
（a）Cu、Ni、Mn、Si、C人以及Nb空間分布；(b) 10% Cu等濃度面分布；(c)富Cu相的剖面成分分布
圖四 時(shí)效32 h
(a) Cu、Ni、Mn、Si、Cr和Nb空間分布;（b）10% Cu和15%Ni+Mn+Si等濃度面分布；(c) 富Cu相剖面成分分布；(d) ROI-1紅色箭頭方向原子一維濃度分布
圖五 時(shí)效100 h
(a) Cu、Ni、Mn、Si、Cr和Nb空間分布;（b）10% Cu和15%Ni+Mn+Si等濃度面分布；(c) 富Cu相剖面成分分布；(d) 圖c中富Cu相紅色箭頭方向原子一維濃度分布
圖六 時(shí)效200 h
(a) Cu、Ni、Mn、Si、Cr和Nb空間分布;（b）10% Cu和15%Ni+Mn+Si等濃度面分布；(c) 圖b中ROI-1\2\3富Cu相與NMSN相原子一維濃度分布
圖七 富Cr區(qū)APT表征和統(tǒng)計(jì)
(a) 時(shí)效32h、100h和200h,Cr的NND統(tǒng)計(jì)；(b) 45%Cr等濃度分布以及剖面分成分布；(c) 富Cr區(qū)的“振幅”和“波長”統(tǒng)計(jì)
圖八 HRTEM表征
(a)(b)非孿晶9R富Cu
展開 【技術(shù)解析】什么是主動(dòng)鏡頭對準(zhǔn)技術(shù)（Active Alignment)?
X和Y軸方向偏移會(huì)使圖像和焦點(diǎn)遠(yuǎn)離感興趣區(qū)域(ROI)。繞Z軸傾斜會(huì)移動(dòng)ROI，但焦點(diǎn)仍停留在中心。繞X或Y軸傾斜會(huì)造成圖像出現(xiàn)矩形失真，相應(yīng)邊緣更加模糊。當(dāng)然，實(shí)際應(yīng)用中可能出現(xiàn)三種形式的疊加效果。
精確鏡頭對準(zhǔn)對
醫(yī)療類成像設(shè)備至關(guān)重要
No.1
牙科掃描儀
牙科掃描儀用于基于患者口腔內(nèi)部模具制作三維模型。掃描過程借助2-4臺相機(jī)進(jìn)行，拍攝牙齒和牙齦上的投影線圖案圖像。最終生成一個(gè)支持CAD重建的點(diǎn)云數(shù)據(jù)集。在掃描過程中，會(huì)拍攝多張圖像。主動(dòng)鏡頭對準(zhǔn)技術(shù)提高了合并不同圖像數(shù)據(jù)時(shí)的成功率。此外，它還可確保同一系列不同掃描儀間的輸出畫質(zhì)一致。
No.2
眼 科
眼科醫(yī)生使用3D鏡頭測量功能，根據(jù)患者個(gè)人面部輪廓進(jìn)行配鏡。首先在患者臉部正前方架設(shè)兩臺相機(jī)，分別覆蓋左右眼的光路。這兩個(gè)圖像/視頻流拼接在一起，獲得所有重要測量結(jié)果，從而針對患者進(jìn)行個(gè)性化調(diào)整鏡框和鏡片。在這一應(yīng)用中，主動(dòng)鏡頭對準(zhǔn)功能有助于精確拼接圖像，并節(jié)省測量系統(tǒng)生產(chǎn)過程的質(zhì)檢工作。
No.3
PCR檢測設(shè)備
自新冠疫情大流行以來，聚合酶鏈?zhǔn)椒磻?yīng)(PCR)在全球廣為人知。與在其他病毒檢測中一樣，PCR同樣是檢測SARS-CoV-2的黃金標(biāo)準(zhǔn)。流程通常如下：將制備好的樣品裝入孔板，用相機(jī)或傳感器檢測每一份樣品的熒光活動(dòng)（見下方“倒置”圖像）。
展開 