0
五到十年前，要问科技圈什么产品最火，肯定是「智能手机」，给手机赋予「智能」的概念是从功能机过度的一个结果，经过多年发展，渐渐手机已经摆脱了「智能」的名号，在大众的印象中，「智能」已经成为了手机的标配。
「智能手机」到「手机」的蜕变，正是科技发展中所有技术的一个缩影，当一个技术真正普及，不再是一个稀罕物，成为一个无所不在的东西，那么这项技术就变成了水、电一样的基础设施。目前火热的人工智能，也正在这个蜕变的过程之中，然而如何更快的转变，也是业界正在探讨的问题。
我们的目标就是AI计算机视觉技术成为水和电一样的生活必需品。
这是阅面科技CEO赵京雷在刚刚举办的发布会上所说的话。
11月1日上午，阅面科技在深圳大中华举办了一场发布会携手英特尔 Movidius，推出了跨模态人脸识别引擎 Uniface、繁星 AI 芯片视觉模块。这次发布会的主题，简明扼要来说，就是阅面想用极低的门槛和成本，把计算机视觉推向大众。
随着人工智能行业的日益火爆，市场也正在逐渐转变，比如最近大热的iPhone X也让业界产生了对人脸识别的浓厚兴趣，目前业界也有不少巨头和技术团队在进行人脸识别技术的研发，从媒体曝光度来看，人脸识别应用十分广泛，市场火热，但从技术层面来说，人脸识别技术依旧存在着许多难以攻克技术难题与门槛，核心算法就是其中之一。
今年7月份，雷锋网专访了阅面科技算法总监童志军，对今年阅面科技获得FDDB和LFW两个人脸识别比赛双料冠军所公布的技术突破进行了讨论，雷锋网在专访中了解到，阅面科技在FDDB上提交的全新检测算法突破了小尺寸、模糊和动态人脸检测的极限，而在LFW数据集也达到了99.82%±0.0007人脸验证精度的高水平。
在深度学习、计算机视觉核心算法领域，阅面科技此前的技术积累还是不错的。通过长时间在核心算法领域的探索，阅面在此次发布会上推出了其自主研发的业内首个跨模态人脸识别引擎 UniFace。
据赵京雷介绍，与目前主流算法不同的是，UniFace打破了不同Sensor，不同环境，不同场景，不同领域人脸特征表达的限制，例如同一张注册照片能在可见光、红外、3D三种不同的Sensor中进行识别，做到真正以FaceID为连通的人脸识别体系。
具体来说，大部分的人脸识别引擎都是基于可见光进行人脸的识别监测，而UniFace做了「跨传感器集成」，除了可见光之外，还能够兼容红外、3D识别，这种多传感器组合除了能够大大的提高准确率，还能扩展不同场景的应用。
昨天雷锋网在报道中提到了「边缘计算」的火热，计算力向终端靠近似乎是目前AI落地到大众应用的一个趋势，赵京雷说，UniFace 跨模态人脸识别引擎能够凭借卷积神经网络让前端方案拥有更加强大的处理能力，执行图像的计算和分析任务，并实现前端和云端的联动以及知识的迁移，提高整体的识别效率，真正做到以 FaceID 为连通的人脸识别体系。
「无硬件，不AI」
赵京雷在发布会现场几乎吼一般的强调了他的这一观点。
赵京雷表示，硬件是人工智能的重要载体，而在AI要想成为水和电一样的基础设施的过程中，推广和普及需要满足成本低、功耗低等条件才行。
为了解决这些问题，阅面科技将其核心算法成果UniFace集成了一块AI芯片视觉模块，这就是开篇我们所说的那块「繁星AI芯片」，这块AI芯片视觉模块由Sensor＋ISP＋VPU＋嵌入式深度学习视觉算法组成，能从芯片端智能输出结构化数据。在模块设计上，阅面科技也使用了常规的38mmX38mm的尺寸，此举也是为了保障模块能够做到即插即用、方便便携，模块还支持多种数据输出接口，方便集成，能够降低开发智能视觉产品的技术成本。
为了能够搭载适用于不同场景算法的应用，阅面科技的这块AI芯片视觉模块能够支持不同场景的算法IP：包括人脸识别模块、数据采集模块、人机交互模块。
雷锋网也向阅面科技了解了三个模块的能力：
人脸识别模块：通过宽动态Sensor获取图像或视频流，分析图像或视频流中的人脸图像进行检测和识别，输出结构化数据，可同时追踪和抓拍30人，抓取最清晰、角度最好的人脸，抓拍率99%，误检率小于0.5%，抓拍重复率低于10%。同时，支持2万人内的完全本地人脸识别。支持本地特征提取后传云端，满足大于2万人的人脸识别场景。
数据采集模块：获取并分析图像或视频流中的人头和人脸信息，进行人数、人群属性以及轨迹分析。可实时记录15人运动轨迹及运动方向，可进行进出指定区域的人数统计，准确率达95%。在本次发布会现场，阅面科技还发布了其基于数据采集模块研发的智能客群分析摄像机——阅客。利用繁星的本地计算能力，阅客可以轻松进行实时客流计数、会员/熟客管理、轨迹管理等功能，商家能实时掌握顾客属性和行为。
阅客
人机交互模块：检测识别图像或视频流中的手势、人脸、人体，并转化为指令使得机器做出正确响应。毫秒级检测及追踪速度，响应迅速，支持掌、拳、V字手型、伸掌、握拳、挥手等多种手势操控，高鲁棒性的人脸及人体检测追踪运算。
值得关注的是，阅面科技的AI芯片视觉模块还在功耗上进行了一定的优化，本地深度学习处理功耗仅为 0.5W，整体高峰功耗小于 2.5W。
「实时动态」、「低功耗」和「低成本」是阅面科技在推广自己AI技术时的理念，而这些特点正是AI在普通消费品上赋能所需要的。
在发布会后的采访中，赵京雷也谈及选择消费级产品市场作为切入点的原因：基于公有云的AI开放服务市场，未来是BAT等巨头的展出，在这个领域创业公司优势不大，而视觉在垂直领域的应用，尽管前景广阔，但是在数据采集等方面已经不是技术能够解决的事情，目前也有很多大公司在做。而视觉算法在消费级市场的应用目前看起来空间更广阔，未来会有爆发性的增长。
这次的视觉模块也是在这一市场的进发，未来借助低成本的AI技术，助力行业的成熟，这也是阅面科技在其中的考量。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
