Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >互链脉搏对话IPFS布道者董天一:继比特币、以太坊、EOS之后又一个区块链现象级应用

互链脉搏对话IPFS布道者董天一:继比特币、以太坊、EOS之后又一个区块链现象级应用

原创
作者头像
互链脉搏
发布于 2018-07-02 11:29:16
发布于 2018-07-02 11:29:16
8720
举报
文章被收录于专栏:区块链深度区块链深度

作者:互链脉搏 · 梁山花荣

公*号:HiveEcon,影响有影响力的人

在历经沸沸扬扬的超级节点竞选后,EOS热潮逐渐退却,但在业界,另一个被称为区块链中拜火教的IPFS正受到越来越多人的关注。

相较于来势汹汹的EOS,IPFS在区块链领域却要低调很多,其区块链项目FileCoin的价值也引起争议,但FileCoin项目却一直迟迟未能上线。IPFS主网与FileCoin目前进度如何?IPFS最终能够真正取代目前统治互联网的HTTP吗?FileCoin会成为继EOS之后的另一个区块链超级项目吗?

互链脉搏与IPFS/FileCoin的中国区布道者董天一展开了一场对话。董天一毕业于北京大学软件与微电子学院,曾担任甲骨文亚洲研发中心(中国)数据库开发工程师,现致力于IPFS/FileCoin在中国的技术推广。

以下是采访对话实录:

互链脉搏:IPFS是什么?为什么会和区块链结合?

董天一:首先IPFS是一个互联网技术,IPFS技术栈里面也没有使用到区块链技术。IPFS技术本身跟区块链是没有关系。但是技术的使用是另外一回事。我们知道IPFS解决的是数据存储与分发问题,将我们的硬盘使用libp2p连接起来,其实这跟web最初的目的是一致的。互联网需要这样的技术来帮我们更高效的存储与分发数据。

回到区块链,我们知道所有的区块链都有存储的需求,例如比特币,账本越来越大,运行一个比特币核心钱包的成本也越来越高。但比特币当前的交易速度只有6笔每秒,如果以后扩容成功,比特币的交易数据将更加快速的变大,所以数据存储与分发是区块链需要解决的问题之一,而IPFS恰好提供了这种功能,特别是将来FileCoin上线后,ipld模块允许不同的区块链数据进行转换和浏览。IPFS已经为区块链项目提供好了数据接口,IPFS将成为区块链的基础设施。

互链脉搏:IPFS主网是否已上线?IPFS与FileCoin是什么关系?

董天一:大家说的IPFS主网没有上线完全是一个误解,IPFS主网上线日期是 2015年5月5日,已经运行3年了,而且上面已经有很多应用。

中国现在大部分人都没有分清楚IPFS与FileCoin。IPFS是一个对标HTTP的协议,是互联网的基础设施,而FileCoin是建立在FileCoin之上的激励层。FileCoin才是基于IPFS的区块链项目,FileCoin实际上是一个共享经济的项目,它共享存储,共享网络带宽。

互链脉搏:FileCoin为什么会受到业界关注?FileCoin预计什么时候上线?

董天一:当前区块链项目值得期待的并不多,EOS作为热点已经过去,FileCoin提供了下一个热点的可能性,尤其是FileCoin与POW相比的挖矿需求,所带来的共享硬盘存储与共享带宽,对于相对应的实体经济有刺激作用。所以FileCoin成为了区块链行业里面非常值得期待的一个项目。

FileCoin上线目前并没有一个固定的日期。FileCoin虽然没有上线,但是我们从FileCoin的技术体系和经济体系中看到了它未来的巨大潜力和价值。当前区块链行业里面很少有落地的项目,FileCoin是目前少有的与实体经济相结合的区块链落地项目之一,它很有可能将成为继比特币、以太坊、EOS之后的又一个区块链落地项目。

图片来源于IPFS后花园
图片来源于IPFS后花园

互链脉搏:FileCoin项目目前进展到什么阶段?

董天一:FileCoin的第一版白皮书是在2014年7月发布的,到现在已经快4年了,这项技术非常难。举例来说:现在比特币可以把全部的账本到本地进行数据验证,而FileCoin矿工是无法也没有必要把全网其他矿工存储的文件,下载到自己的电脑上进行验证,那么如何验证其他矿工存储的文件就是一个非常具有挑战性的问题。防作弊是整个FileCoin技术体系里面非常重要的一环。

目前FileCoin所有的技术障碍已经清除,现在剩下一些性能上需要优化的地方,例如提高检索市场的效率。但是已经不存在阻碍系统上线的问题了。目前很难预测上线时间,FileCoin是一个复杂的软件系统,需要遵守一般软件的开发原则和周期,我们都知道在软件开发中不预估的问题有很多,FileCoin也不例外。协议实验室并没有对外公开过上线时间,只有在FileCoin众筹的时候所签的saft协议里面保证了如果2022年7月不上线的话,就给退钱。现在不好预测什么时候,只能说期望今年能够上线吧。

互链脉搏:IPFS能否最终取代HTTP?如果是,那IPFS统治下的互联网世界是怎么样的?

董天一:我一向的观点是未来是不可预测的,IPFS是否最终能够取代http不得而知。从当前的技术条件下看IPFS是有潜力取代http的。IPFS目前已经成为http下的一个子网,并且这个子网正在以惊人的速度膨胀。当FileCoin上线后补充了IPFS缺失的激励层,IPFS网络会变的更加完善,性能也会优秀。预计会有大量的应用迁往IPFS子网。

IPFS取代http的过程绝不会一下子完成,而是慢慢取代的。取代的概率取决于IPFS+FileCoin提供的价值。未来可能会有三种情况:

1. IPFS子网成长超过了现有互联网,取代现有的web;

2. IPFS子网和http网络共存,IPFS对现有互联网提供补充;

3. IPFS技术不适合互联网的发展或者有一项新的技术诞生,IPFS会慢慢被遗忘。

我们可以畅想一下IPFS取代http后的网络世界:

1 .首先人类存储数据的方式发生了变化,海量的数据基于IPFS/FileCoin存储与分发,知识的传播速度和密度进一步提升,加速人类的知识进步;

2 .人类使用数据的方式发生变化,大量的数据在网络里面流动起来,逐步消除数据孤岛,世界进一步被数字化;

3 .从存储和网络上大幅降低互联网的成本,而这将惠及世界上每一个人——你,我,她。

互链脉搏:在IPFS上搭载DAPP和EOS和以太坊会有怎样的不同?

董天一:一般认为运行在分布式系统上的应用称为Dapp,现在大多指运行在区块链项目上面。运行在以太坊,EOS等区块链项目上的Dapp可以使用区块链的特性,例如数据不可更改,智能合约等特性。

IPFS本身并不是一个区块链项目,但是IPFS仍然是一个分布式协议。基于IPFS的Dapp无法使用区块链的特性(不考虑未来的FileCoin)。但是可以使用IPFS提供的快速数据分发(CDN)和数据存储功能。一定程度上也可以使用serverless特性。

互链脉搏:EOS为什么也会采用IPFS的储存系统?

董天一:EOS想解决的问题是大规模的分布式应用部署和运行问题,未来会对存储有更大需求。在目前看来,IPFS技术刚好拥有EOS所需要的数据存储与分发的解决方案,而其它类似FileCoin的项目仅仅解决的是数据存储问题,比如storj只解决了数据的存储,而没有解决数据的分发问题(其实它也可以接入IPFS网络提供存储)。

所以说当前不仅仅是EOS,其它区块链项目选择IPFS作为存储解决方案是顺理成章的事情。

互链脉搏:目前IPFS社群非常活跃,其社群成员构成是怎样的?

董天一:IPFS官方只有github开发者社群,没有其它的。到现在IPFS有一个官方论坛,FileCoin的官方论坛还没有启动(预计快启动了)。协议实验室没有任何微信群,没有任何电报群。在FileCoin上线前也不会有代币,官方当前比较反对炒币。协议实验室在社区建设上开发者社区走到了最前列,但是其他方面要落后很多,甚至几乎为零。

目前社区全是各地自发组织的,中国的全部都是自发组织。成员构成方面:

1 .github上的开发者社区,成员很活跃,参与代码贡献值已经多达1700多人。

2. 世界上其它国家目前我已知的大概有13个社区。

3. 中国的社区我一般分为四个部分:开发者社区,知识输出生态,矿机生态,一般社区。目前这几个方向都有人在做,而且也越来越多。

互链脉搏:很多人担心IPFS这种去中心化的文件系统会被各国政府封杀,您如何看待这个问题?

董天一:IPFS在设计之初是考虑了监管,单独对于IPFS节点来讲,每一个IPFS节点就相当于一个服务器,提供文件的存储和访问。节点的拥有者有完整的权限控制节点的内容,默认情况下,节点不会自动下载数据,节点的拥有者只存储自己感兴趣的那部分数据,并且可以随时删除数据。原则是:谁的节点,谁负责。

对于FileCoin来讲,情况不太一样,数据一般不会完整的存储到同一个节点,并且数据存储是有加密的。这种情况下矿工是无法查看到完整的数据内容。数据的归属是用户,矿工是存储提供者,并不拥有数据本身。原则是:谁存储,谁负责。

IPFS的p2p传输方式的确给监管带来了困难。技术都是一个双刃剑。这个问题不太好描述,如果IPFS技术提供的副作用大于的带来正向作用,这项技术会慢慢被弃用,遗忘。如果带来的正向作用很大,会慢慢的普及。互联网一定是朝着更加开放的趋势发展,而不是更加的封闭。所以从长期来看,技术会推动互联网更加的开放。IPFS是这个进程里面的一个技术而已,他提供的巨大价值空间,会促使尽可能的使用新技术带来的价值,抑制新技术带来的副作用。世界最终会适应新技术的存在的。

互链脉搏:IPFS储存的文件是否具有不可篡改性,如果储存虚假信息,并大规模传播怎么办?

董天一:首先说“不可篡改”,这是来自于区块链的概念。IPFS不是区块链,所以这个概念跟区块链的不可篡改并不是一回事。IPFS使用的是哈希寻址,存储的是不可变内容,不是“不可篡改”,实际上IPFS的节点内容是可以随意删除和修改的。

准确来讲是,IPFS的相对不可删除。如果一个内容传播到了很多节点,这些节点不删除这个内容,该内容就是一直存在于IPFS网络上面。这跟现在的BT网络和Web互联网是一样的。而真正的“不可篡改”是像以太坊那样,写到上面的靠算力保证的“不可篡改”,是很难删除的,这并不是IPFS的特性。

最后,对于虚假内容大大规模传播,现在的网络怎么解决,未来IPFS上就会怎么解决。只是现在的网络是中心化的更容易解决,而IPFS更加的分布式,难度会增加。

互链脉搏:IPFS会否也会慢慢中心化,包括矿场节点越来越集中?如果是这样,那其风险是什么?

董天一:对于IPFS来说,其核心采用的是BitTorrent架构。一般不会也没必要中心化。这跟现在BT是一样的,上面并没有经济体系。

对于FileCoin来讲,FileCoin协议并没有限制一个节点放多少硬盘,可以随便放任意数量的硬盘。但是我们知道FileCoin建立在IPFS网络上面,对于一个区域(或许是数学区域)来讲都是有需求上限的。也就是说,对于这个区域,你放的硬盘再多,也不会增加收益。矿工会按照经济规律做事情,所以FileCoin的协议虽然没有限制,但是集中和中心化不利于矿工的收益。所以FileCoin协议理论上来讲是一个更加分散的去中心化的协议。

互链脉搏:您是什么时候注意到IPFS这个技术的,并且为什么决定投入其中?

董天一:注意到这个技术应该是2016年,在github上发现的。最开始并没有跟进,后来工作上不忙的时候就在官方网站看了一下他们的论文。我觉得是一个很有意思技术,那个时候IPFS已经上线了,下载测试了。后来就越来越觉得这是个好的技术,于是联系协议实验室,帮他们做一些技术推广工作和翻译工作。投入其中没有特别的原因,最初纯粹是个人爱好。

互链脉搏:很多人都自称是IPFS的布道者,如何鉴别谁是真的,或者如何鉴别其水平?

董天一: IPFS+FileCoin系统比较复杂,目前能说明白的人不太多。大家要多看一些文章,多了解一下。首先要弄明白IPFS和FileCoin区别和联系。如果连他自己都没弄白IPFS和FileCoin是两套体系,那基本不用浪费时间了。

互链脉搏:您有没有参与IPFS的应用开发?方便介绍一下吗?

董天一:现在有2个项目在开发。不过精力有点跟不上,所以也没有,还是等以后做的差不多了再详细介绍!

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
丰田研究院:自监督单目图像深度估计,数据和代码已开源
计算机视觉是人工智能的一个领域,它使计算机能够表示视觉世界。由于神经网络可以从数据中学习如何做出准确的预测,深度学习已经彻底改变了这个领域。最近的进展有望使汽车更加安全,通过自动驾驶车辆增加自由时间,以及为残疾人和我们迅速老龄化的全球人口提供机器人援助。
McGL
2021/05/28
1.6K0
丰田研究院:自监督单目图像深度估计,数据和代码已开源
单目深度估计方法综述
深度估计,就是获取图像中场景里的每个点到相机的距离信息,这种距离信息组成的图我们称之为深度图,英文叫Depth map。
3D视觉工坊
2021/12/01
2.9K0
单目深度估计方法综述
单目图像和稀疏雷达数据深度估计
标题:Depth Estimation from Monocular Images and Sparse Radar Data
3D视觉工坊
2020/11/19
1.4K0
单目图像和稀疏雷达数据深度估计
AAAI-2024 | Mono3DVG:首个基于单目RGB图像实现3D Visual Grounding的方法
本文分享论文Mono3DVG: 3D Visual Grounding in Monocular Images,该论文已被 AAAI 2024 接收,数据集和代码已开源。
CV君
2024/01/23
7060
AAAI-2024 | Mono3DVG:首个基于单目RGB图像实现3D Visual Grounding的方法
计算机视觉最新进展概览(2021年7月4日到2021年7月10日)
1、Faster-LTN: a neuro-symbolic, end-to-end object detection architecture 图像对象之间的语义关系的检测是图像解释的基本挑战之一。 神经符号技术,如逻辑张量网络(LTNs),允许结合语义知识表示和推理的能力,有效地学习典型的神经网络的例子。 我们在这里提出Faster-LTN,一种由卷积主干和LTN组成的目标检测器。 据我们所知,这是在端到端训练设置中结合这两种框架的第一次尝试。 这个体系结构是通过优化一个有根据的理论来训练的,这个理论以逻辑公理的形式将标记的实例与先验知识结合起来。 实验对比表明,与传统的Faster R-CNN架构相比,该架构具有竞争力的性能。 2、Semi-supervised Learning for Dense Object Detection in Retail Scenes 零售场景的每幅图像通常包含密集的高数量的目标。 标准的目标检测技术使用完全监督的训练方法。 这是非常昂贵的,因为注释一个大型密集的零售目标检测数据集需要比标准数据集多一个数量级的工作。 因此,我们提出了半监督学习来有效地利用零售领域中大量的未标记数据。 我们采用一种流行的自监督方法,即噪声学生最初提出的目标分类的任务,密集的目标检测。 我们表明,使用无标记数据与嘈杂的学生训练方法,我们可以提高在密集的零售场景中精确检测目标的技术水平。 我们还表明,随着未标记数据数量的增加,模型的性能也会增加。 3、On Model Calibration for Long-Tailed Object Detection and Instance Segmentation 普通的目标检测模型和实例分割模型在长尾设置中存在检测频繁目标的严重偏差。 现有的方法主要在训练期间解决这个问题,例如,通过重新抽样或重新加权。 在本文中,我们调查了一个很大程度上被忽视的方法——置信度的后处理校准。 我们提出了NorCal,归一化校准用于长尾目标检测和实例分割,这是一种简单而直接的方法,通过训练样本大小重新衡量每个类的预测分数。 我们表明,单独处理后台类和对每个建议的类上的分数进行规范化是实现卓越性能的关键。 在LVIS数据集上,NorCal可以有效地改进几乎所有的基线模型,不仅在罕见类上,而且在普通类和频繁类上。 最后,我们进行了广泛的分析和消融研究,以提供我们方法的各种建模选择和机制的见解。 4、Neighbor-Vote: Improving Monocular 3D Object Detection through Neighbor Distance Voting 随着摄像头在自动驾驶等新的应用领域的不断应用,对单目图像进行三维目标检测成为视觉场景理解的重要任务。 单眼三维目标检测的最新进展主要依赖于“伪激光雷达”生成,即进行单眼深度估计并将二维像素点提升为伪三维点。 但单目图像深度估计精度不高,导致伪激光雷达点在目标内不可避免地发生位置偏移。 因此,预测的边界框位置不准确,形状变形。 在本文中,我们提出了一种新的邻域投票方法,结合邻域预测来改善严重变形的伪激光雷达点云的目标检测。 具体来说,物体周围的每个特征点形成各自的预测,然后通过投票实现“共识”。 这样可以有效地将邻居预测与局部预测相结合,实现更准确的三维检测。 为了进一步放大前景感兴趣区域(foreground region of interest, ROI)伪激光雷达点与背景点之间的差异,我们还将二维前景像素的ROI预测得分编码为相应的伪激光雷达点。 我们在KITTI基准上进行了大量的实验,以验证我们提出的方法的优点。 我们的鸟瞰图检测结果在很大程度上超过了最先进的性能,特别是“硬”水平检测。 5、VIN: Voxel-based Implicit Network for Joint 3D Object Detection and Segmentation for Lidars 提出了一种统一的神经网络结构用于三维目标检测和点云分割。 我们利用丰富的监督,从检测和分割标签,而不是只使用其中之一。 此外,基于隐式函数在三维场景和物体理解中的广泛应用,提出了一种基于单级目标检测器的扩展方法。 扩展分支以目标检测模块的最终特征图为输入,生成隐式函数,为每个点对应体素中心生成语义分布。 我们在一个大型户外数据集nuScenes-lidarseg上演示了我们的结构的性能。 我们的解决方案在三维目标检测和点云分割方面取得了与先进方法相竞争的结果,与目标检测解决方案相比,我们的附加计算负荷很小。 实验结果表明,该方法具有较好的弱监督语义切分能力。
狼啸风云
2021/07/14
9390
基于整合IMU运动动力学的无监督单目深度估计
虽然近年来无监督单目深度学习取得了很大的进展,但仍然存在一些基本问题。首先,目前的方法存在尺度模糊性问题,因为反推过程对于深度和平移来说相当于任意尺度因子。其次,光度误差对照明变化和移动物体敏感。此外,尽管在无监督学习框架下已经为光度误差图引入了不确定性,但自我运动的不确定性度量仍然是重要的。在2022 ECCV论文"Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular Depth Estimation by Integrating IMU Motion Dynamics",作者提出了一种感知框架,通过集成视觉和IMU来进行真实尺度估计,算法已经开源。
BBuf
2022/09/28
9870
基于整合IMU运动动力学的无监督单目深度估计
60项基于深度学习的SLAM顶会开源方案汇总(上篇)
深度学习结合SLAM是近年来很热门的研究方向,也因此诞生了很多开源方案。笔者最近在阅读SLAM综述论文“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence”,该综述参考了255篇SLAM领域的顶会顶刊论文,并且涵盖了VO、建图、特征提取、定位、描述子提取、BA优化、回环、数据集等多个方向,非常全面。也因此,笔者一直想整理下文章中出现的开源项目,用于在后续工作中进行对比。
3D视觉工坊
2023/04/29
1.6K0
60项基于深度学习的SLAM顶会开源方案汇总(上篇)
点云分割训练哪家强?监督,弱监督,无监督还是半监督?
近年来,自动驾驶领域的各项下游任务基本上都要求了对场景的语义理解,比如自动驾驶车辆要能够理解哪个是路面、哪个是交通灯、哪个是行人、哪个是树木,因此点云分割的作用就不言而喻。
3D视觉工坊
2023/04/29
9940
点云分割训练哪家强?监督,弱监督,无监督还是半监督?
基于深度学习的单目深度估计综述
文章:Monocular Depth Estimation Based On Deep Learning: An Overview
3D视觉工坊
2020/12/11
2.7K0
基于深度学习的单目深度估计综述
SLAM综述(3)-视觉与惯导,视觉与深度学习SLAM
视觉SLAM的稳定性是一项技术挑战。因为基于单目的视觉SLAM需要初始化、尺度的不确定性和尺度漂移等问题[1]。尽管立体相机和RGB-D相机可以解决初始化和缩放的问题,但也存在一些不容忽视的问题,如运动速度快、视角小、计算量大、遮挡、特征丢失、动态场景和光照变换等。针对以上这些问题传感器的融合方案逐渐流行起来,IMU与相机融合的视觉里程计成为研究热点。
点云PCL博主
2020/05/19
3K0
thinktwice:用于端到端自动驾驶的可扩展解码器(已开源)
题目:Think Twice before Driving: Towards Scalable Decoders for End-to-End Autonomous Driving
BBuf
2023/08/22
3730
thinktwice:用于端到端自动驾驶的可扩展解码器(已开源)
单目深度估计思路
2. 之后在2016年,Laina依靠更深层次的网络和一个“novel”的逆卷积结构再加上一个"novel"的loss来得到结果。其实我认为这篇文章的贡献点不是很大,主要是pretrain的ResNet-50帮了很大的忙。这个方法被他们组改进然后用到了之后CVPR2017用来重建SLAM的文章中。
3D视觉工坊
2020/11/19
7930
单目深度估计思路
单摄像头+深度学习实现伪激光雷达,代码已开源
上次介绍了双目摄像头如何估计深度的方案。老板表示两个摄像头还是有点贵呀,只用一个能不能做?嗯,没问题!
McGL
2020/09/27
1.2K0
【计算摄影】先拍照后对焦,浅析基于深度估计的景深编辑与背景虚化
大家好,这是专栏《计算摄影》的第四篇文章,这一个专栏来自于计算机科学与摄影艺术的交叉学科。今天我们讨论的问题是关于深度估计和景深编辑。
用户1508658
2020/11/19
1.3K0
【计算摄影】先拍照后对焦,浅析基于深度估计的景深编辑与背景虚化
动态场景的无监督单目深度图学习 (附FB和华盛顿大学SIGGRAPH论文)
来源丨https://zhuanlan.zhihu.com/p/273038523
3D视觉工坊
2020/11/11
1.1K0
动态场景的无监督单目深度图学习 (附FB和华盛顿大学SIGGRAPH论文)
ICCV2023 室内场景自监督单目深度估计
本文方法是一种自监督的单目深度估计框架,名为GasMono,专门设计用于室内场景。本方法通过应用多视图几何的方式解决了室内场景中帧间大旋转和低纹理导致自监督深度估计困难的挑战。GasMono首先利用多视图几何方法获取粗糙的相机姿态,然后通过旋转和平移/尺度优化来进一步优化这些姿态。为了减轻低纹理的影响,该框架将视觉Transformer与迭代式自蒸馏机制相结合。通过在多个数据集上进行实验,展示了GasMono框架在室内自监督单目深度估计方面的最先进性能。
BBuf
2023/10/26
9670
ICCV2023 室内场景自监督单目深度估计
最新综述:基于深度学习方式的单目物体姿态估计与跟踪
原文:Deep Learning on Monocular Object Pose Detection and Tracking: A Comprehensive Overview
计算机视觉
2021/07/05
1.3K0
基于深度学习的单目深度估计综述
深度估计是计算机视觉领域的一个基础性问题,其可以应用在机器人导航、增强现实、三维重建、自动驾驶等领域。而目前大部分深度估计都是基于二维RGB图像到RBG-D图像的转化估计,主要包括从图像明暗、不同视角、光度、纹理信息等获取场景深度形状的Shape from X方法,还有结合SFM(Structure from motion)和SLAM(Simultaneous Localization And Mapping)等方式预测相机位姿的算法。其中虽然有很多设备可以直接获取深度,但是设备造价昂贵。也可以利用双目进行深度估计,但是由于双目图像需要利用立体匹配进行像素点对应和视差计算,所以计算复杂度也较高,尤其是对于低纹理场景的匹配效果不好。而单目深度估计则相对成本更低,更容易普及。
计算机视觉
2021/03/17
2K0
基于深度学习的单目深度估计综述
8 篇论文深入学习深度估计:深度预测;自我运动学习;观看冰雪奇缘了解移动人物深度
原文标题:Research Guide for Depth Estimation with Deep Learning
AI科技评论
2019/10/31
2.3K0
8 篇论文深入学习深度估计:深度预测;自我运动学习;观看冰雪奇缘了解移动人物深度
谷歌AI:根据视频生成深度图,效果堪比激光雷达
目前自动驾驶的核心技术是LiDAR(激光雷达),一种运用雷达原理,采用光和激光作为主要传感器的汽车视觉系统。LiDAR传感器赋予了自动驾驶汽车能够看到周边环境的“双眼”,激光雷达技术越先进,视觉感知的精准程度越高,这是自动驾驶得以实现的底层技术基础。
新智元
2019/05/08
1.3K0
谷歌AI:根据视频生成深度图,效果堪比激光雷达
推荐阅读
相关推荐
丰田研究院:自监督单目图像深度估计,数据和代码已开源
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档