你为什么从Face++（旷视科技）离职? - 知乎837被浏览<strong class="NumberBoard-itemValue" title="3,740分享邀请回答70091 条评论分享收藏感谢收起Face++旷视科技C轮融资4.6亿美元分享：Face++旷视科技C轮融资4.6亿美元轮次其他轮融资金额4.6亿美元所属领域信息技术投资时间10月31日消息，中国人工智能公司旷视科技(Face++)已于今日正式完成4.6亿美元C轮融资，刷新此前由商汤科技保持的国内人工智能领域融资纪录。 据悉，本轮融资由 C1、C2 两轮构成，由中国国有资本风险投资基金(简称“国风投”)领投，蚂蚁金服、富士康集团联合领投，同时引入包括中俄战略投资基金、阳光保险集团、SK集团等新的投资者。 旷视科技(Face++)方面表示，完成本轮融资后，公司将进一步强化在金融安全、城市安防领域的全面发展，并将加快在城市综合大脑及手机智能领域的技术落地。旷视科技(Face++)CEO印奇表示，在赋能机器之眼的技术愿景下，构建城市大脑是旷视人未来的重要社会使命。投资方融资历史其他轮 中俄战略投资基金SK集团4.6亿美元C轮 1亿美元B轮 2500万美元A轮 金额未透露天使 2012-08金额未透露该领域的其他融资事件B轮1500万美元A+轮不详C轮不详其他轮不详A轮1.2亿人民币不详相关报道
该领域的创业项目该领域的投资人MORE
市场及媒体合作李小姐010 37.cn投稿邮箱.cn
投资界微信
(C)清科集团版权所有京ICP备号-2京公网安备32号在 Face++ 旷视科技工作是体验如何？ - 知乎87被浏览<strong class="NumberBoard-itemValue" title="分享邀请回答413 条评论分享收藏感谢收起旷视科技（face++）发布首款安防级智能摄像机
旷视科技（face++）发布首款安防级智能摄像机
&&& 传统的监控厂商都在忙着“互联网化”，海康发布了“萤石”系列家庭相机，另外一个巨头大华也不甘示弱地发布了“乐橙”家庭摄像机，与百度、360、小米等一起抢夺家庭摄像机。但是与此同时，一家看起来更互联网化的视觉技术公司――旷视科技(Face++)却反其道而行之，发布了一款面向ToB市场的智能安防摄像机――MegEyeC1。
&&& MegEyeC1被称为“世界上第一款能思考的智能摄像机”，能够在像机上一体化地实现“人脸检测、人脸追踪、人脸识别”。小编了解到，这背后的秘密在于这款相机在机身内增加了本地计算模块――一块英伟达TegraK1 GPU 芯片，号称拥有300GFlops（即每秒10亿次浮点运算）运算能力，使得在相机内部就可以做大量的运算，完全脱离服务器形成独立识别能力，这种一体化的设计好比让相机拥有一个强大的大脑。
&&& 在当前大多数互联网硬件秉承“轻前端、重云端”思想的背景下，推出MegEyeC1，小编也略有不解，因此采访了Face++团队的硬件负责人Jesson。他提到，未来的智能设备体系“端”上的智能和“云”上的智能都非常重要，前置计算可以带来一些核心的好处，处理云端难以解决的问题，满足安防行业的一个重要需求――实时响应。MegEye C1可以实现对“一手信息”的实时处理，这是原来的摄像机完全不能做到的。
&&& Jesson提到，现在的摄像机大部分都是为了让监控室里的人“看得更舒服”而设计的，很多图像处理并不适用于机器识别。举个例子，一般的摄像机都会有一个图像处理操作叫做“白平衡”，让画面不会过亮或者过暗，但这种图像处理技术有时候却会“好心办坏事”：当有一些逆光或者侧光出现时，画面整体被白平衡后，会使得里面的一些核心元素（例如人脸等信息）比较黑，导致算法性能降低。但正如人眼可以适应环境亮度的变化、识别出关键区域，由于在相机上就有计算能力，MegEyeC1可以智能分析出哪些区域是有价值的区域，在关键识别区进行智能曝光。
&&& 那么为什么名字叫做MegEyeC1，难道后续还有C2、C3、D1、D2吗？Face++的联合创始人兼CEO印奇解释道，MegEye未来会是一个系列，来解决不同场景中的“机器眼睛”的需求。而C1本身其实也是一个开放平台，TegraK1这个平台非常适合深度学习相关算法的部署，在C1上部署不同的算法就可以获得不同能力的相机，现在C1拥有的能力是旷视科技最擅长的人脸识别，未来C1还能够识别人、车等更多信息。
编 辑：初夏
余承东：华为荣耀已成为双品牌&未来将走独立品牌道路,6月30..
CCTIME推荐
CCTIME飞象网
CopyRight &
By CCTIME.COM
京ICP备号&& 京公网安备号
公司名称： 北京飞象互动文化传媒有限公司
未经书面许可，禁止转载、摘编、复制、镜像旷视科技孙剑首次公开发文：Face++与MSR的研发部门有什么异同？
[ 亿欧导读 ]
什么叫一个公司的研发部门本质呢?我认为有三个要素极其关键: 使命定位、人员组成和研发方式。人才是研发的生命线。创造一个良好的环境吸引人才，培养人才，留住人才是我们的第一优先级。
2016年，就我个人来讲，所做出的最重大抉择，就是在已经工作了十三年的（以下简称MSR），和一个成立不过几年的创业公司——Face++（以下简称Face++）之间，选择了后者，并且以首席科学家身份加入。当时我还住在西雅图，当真是“身未动，消息已远”，各种报道从国内外朋友圈向我强势袭来，让我体会到了媒体的力量。时至今日，我已搬回北京，在Face++上班近半年了，依然时常被问及：“过的怎么样?”，“Face++和MSR的研究部门一样吗?”，“Face++是如何开展研究工作的?......”等等。问题或大或小，但大多诸如此类。值此新年之际，我想把自己这半年来的观察与思考与大家分享一下，权且当作对各位关心的答谢。
接下来，我将围绕大家关注的一些典型问题，逐一说明: Face++与MSR的研发部门有什么异同?
就我的观察与体验，两家公司研发部门的本质是几乎没有差别的。 什么叫一个公司的研发部门本质呢?我认为有三个要素极其关键: 使命定位、人员组成和研发方式。坦白来讲，从这三点审视，我在两边看到了惊人的一致性，也就是说：
1、他们都同样有着既基于产品，又探索前沿技术的使命定位;
2、他们都同样聚集着一群追求极致：有Geek精神，且高自我驱动的精英;&
3、他们都用同样的套路推进研究工作确定问题：①实现、研究和理解既有方法&②进行持续改进或创新。
在这其中，最令人有现场触动感的还是“人”。举个最近让我感动的例子: 下面这张我在2016年最后一天发的朋友圈最好的诠释了Face++的核心价值观“追求、极致、简单、可靠”中的前两点。
当然，即便两边研究部门的本质相同，也必然会存在着不同之处， 毕竟每个公司都有其特定的文化与管理模式。当我身边的战友们从平均年龄三十多岁直降十岁的那一天突然来临时，我一方面感觉自己好像在瞬间迈入中老年的行列中（讲个梗:今天一名同事问我为什么把手机字体调的那么大），另一方面觉得自己充满了干劲，同 时还有一份沉甸甸的责任感。
Face++的研究部门在研究什么?
在众多场合下问，这个问题是被提及次数最多的。为什么会有这样的疑问呢，我想不外乎两方面的思考，一是想知道公司具体研究哪些领域，长期课题与目标是什么，二是想了解一家创业公司里的研 发部门，到底能不能推进真正意义上的研究工作，还是打着研究的旗号做着产品开发。
这里还隐含着一个认识上的误区，就是在我们公司被广泛称为Face++之后，越来越多的人误以为Face++嘛，只是在做人脸技术。人脸，目前确实是一个商业前景广阔，玩法花样不断翻新的应用。但是，Face++从创立第一天就聚焦在的三大应用领域之——计算机视觉，是以一系列视觉识别（人脸、人、物体、文 字、场景、行为等）问题为中心，研发核心算法，打造能落地的产 品。 消除了这样一个误区，你会比较好理解，为什么Face++要用 “Power Human with AI”作为使命，用“人工智能技术造福大众”，来发愿。毕竟公司的全名是叫旷视(英文叫megvii, 取自mega vision） ，也就是大的视觉。
回到问题本身，目前我们主要在集中研究四个视觉理解核心问题（见下图）：图像分类、物体检测、语义分割和序列学习。研究的技术路线是彻彻底底的深度学习：
1、使用深度;
2、尽最大可能使用端到端（end-to-end）学习。Face++应该说是这波儿人工智能创业公司当中最早研究并应用深度学习的。
图像分类是最基础的问题
这个问题自身就有广泛的应用（例如人脸识别和场景分类），也是研究其他问题的根基。深度学习的出现使得我们从以往的特征设计走向了网络结构设计，这里包含很多对问题的深刻理解、实践中总结的经验和原理、优化算法的探索、和对下一步技术发展的判断。 我们的研发部门里有一个专门的小组负责研究如何训练最好的基础神经网络，并沿着以下三个子问题深入：
1、针对不同计算复杂度下设计最优的神经网络;
2、针对不同计算平台的实际要求，来设计最高效的网络;
3、针对不同问题设计最合适的网络。
另外对神经网络模型的压缩和低比特化表示也是我们研究的重点之 一。
物体识别是解决感知图像中哪里有什么物体的问题
典型的应用包括手机上的人脸检测， 无人车中的车辆/行人/交通标志的检测，视频分析中的各类物体检测。这个问题是图像理解中研究内容最丰富的核心问题，也是一个非常复杂的感知智能问题。
我们关心的若干子问题是:
1、如何有效地解决遮挡问题。这个问题对人来说好像是很容易的， 但其实涉及到了人脑中对不可见部分自动做联想和补充的能力，已经部分属于人类的认知智能能力范畴；
2、如何有效的利用图像或视频的上下文（context）信息或我们的常识（common sense）。上下文和常识对我们避免一些明显错误和小物体检测十分重要。目前的物体对小物体检测的性能非常不理想，和人眼的能力差距还是非常大的。如果我们单独把小物体从图像中裁剪出来，人也很难识别。但是当小物体放回整副图像中，人却做得非常出色。
我个人认为对这个两个子问题的深入研究真的可以对理解认知智能提供有意义指导，甚至是突破。
语义分割就是对每个像素分类，这是一个更为精细的分类任务。
比如说把识别出来的人体分割成具体部位，把人脸分割成五官，把场景分成蓝天、建筑、道路和物体等。目前在这个问题上统治性的方法是Berkeley在2014年提出的全卷积网络（FCN）。这个方法使得神经网络具有了有强大的结构化输出能力，进而将深度学习有效地推进到很多中期和初期视觉理解（例如立体匹配和光流计算）问题上。我当年博士论文就是在研究初期视觉中的立体匹配问题，十几年后的方法发生了根本性的变化，当年是想也不敢想的。我们研发部门的一名实习生在最近的CVPR投稿中设计了一个简单有效的FCN模型，在公开评测集上取得了非常好的效果。（顺便插个广告 ，Face++一直面向全国招收实习生、兼职或全职均可，欢迎来我司 对众多有意思、有难度的视觉理解问题进行深入理解和有效解决。 ）
序列学习是最有趣的问题，它的形式多样，可以输入一个序列(视频或音频)进行分类，也可以针对一副图像输出一个描述性的文字序列，或输入输出都是序列(例如识别图像中的多行文字)。
解决这三类问题的算法在Face++的产品中都有应用。目前解决这个问题的主流方法是递归神经网络（RNN），也是现在在语音识别和自然语言处理中的大杀器。由于人的智能本质是在实时的“处理”连续 不断感知到的信号流，这使得序列学习成为当下的最热的研究方向 之一。尤其是最近引入外部记忆读写机制和执行单元的RNN，让我 看到了解决人工智能不少难题的一丝曙光。Face++的研究员们也正在这方面积极思考，积极实践。
我们在Face++旷视科技如何开展研究? 推进研究部门的工作，核心是培养人做事的能力，并给予最好的。
培养什么人才。人才是研发的生命线。创造一个良好的环境吸引人才，培养人才，留住人才是我们的第一优先级。信息学竞赛 （NOI/IOI）和大学生程序设计竞赛（ACM/ICPC）的选手们构成了研究部 门的第一批战士。我们后续更多的战士来自五湖四海，拥有相当不同的背景：既有以前做视觉的，也有以前做机器学习的，既有研究基本问题的，也有专注特定应用的。一个多样性的环境也使得我们看问题的角度更全面。在这样的基因下，我们大致将人才向两个方向培养：研究科学家，和全栈人工智能工程师。研究科学家主要聚焦在算法上，寻求对问题的本质解，我们的培养目标是成为能独挡一面领域专家；全栈人工智能工程师是我们内部的叫法，目的是培养即能上九天揽月（算法设计和训练），又能下五洋捉鳖（算法的 工程化，研究问题和方式系统化）的全能战士，他们既能做research，又懂system，能建系统、造轮子。针对目前AI发展的趋势 ，我们需要大量的全能人才来将AI “+” 到不同的行业上，解决实际问题。这就对人才提出了更高的要求。我们相信即便没有AI背景的工程师，在这里工作1-2年后就能成为独当一面的人才。
怎么做事。有了一帮志同道合的小伙伴们，就要围绕这上面介绍的四个视觉理解核心问题开展研究、并将研究成果应用在具体的视觉识别场景中。Face++的研发团队扁平化，每个研究小组由2-4人组成，聚焦一个课题。课题可以是短期的，例如对已经应用的某个产品线上的算法的改进；课题也可以是长期的，例如持续提升识别的精度和性能。 我们的每个研究员都可以在不同的课题之间自由切换 ，这样能最大程度发挥个人的长处和积极性，同时也让大家有机会短时间了解更多的问题，有更丰富的经历，能更快的成长。套用现在深度学习的精髓，每个人的学习也需要输入大数据。
研发环境。做深度学习研究需要一个非常高效的训练引擎/平台和充沛的计算资源。Face++内部使用了近两年的“MegBrain”是一个全自主研发的训练引擎，它与目前流行的TensorFlow（Google一年前发布）设计相似，同属基于Computing Graph的新一代训练引擎。为 什么非要自研系统呢?公司研究深度学习开展得非常早，当时还没有很好用的系统，并且MegBrain在同时满足灵活性及精简性的基础 上，能最大限度提升工作效率。目前在AI创业公司中完全使用自研 深度学习训练引擎的，可能只有Face++。
除了核心引擎，我们的体系结构组还搭建了一个强大的深度学习平台Brain++来管理我们庞大的GPU集群，来完成从数据标注和管理、 模型训练、GPU集群中心化管理、到产品化发布的“一条龙”自动化 流程，从而使得我们的研发人员将宝贵的精力集中在问题上。这也使得来Face++的实习生非常容易上手，即便对深度学习系统零基础，一套简单的教程读过后2-3个星期就可以开始思考问题了。这些系统能够建立得益于我们团队内部的有不少“全栈人工智能工程师”，他们不仅是深度学习方面的专家，更是系统和分布式计算方面的专家。
最后针对深度学习很大程度上得益于大规模训练数据，我们还设有专门的团队负责标注工具开发和完成大量数据标注任务。以前读书时开玩笑的一个讲法是“没有不好的算法，只有不好的数据”，Data is King。
5月25日，相约北京·千禧酒店，与安防行业大咖共话安防AI创新！呈献一场安防行业千人盛宴。
在这里，安防巨头厂商海康、大华、宇视将阐述安防产品AI创新；CV新秀商汤、旷视、依图、云从、云天励飞、快商通将介绍创企如何抢占市场建立壁垒；投资机构真格、明势、IDG、高榕将共谈最受资本青睐的公司当具有哪些特质；还有中科院权威专家，将带来AI以及各种生物识别的最前沿科技。
仅剩10张门票，了解大会详情及抢票请戳：
本文系投稿稿件，作者：孙剑；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。
快来扫描二维码，参与话题讨论吧！
微信扫码登录
发送验证码
发送验证码
发送验证码
如果你遇到下面的问题
我在注册/找回密码的过程中无法收到手机短信消
我先前用E-mail注册过亿欧网但是现在没有办法通过它登录，我想找回账号
其他问题导致我无法成功的登录/注册
账号密码登录
关联已有账户
曾经使用手机注册过亿欧网账户的用户
创建并关联新账户
曾用微信登录亿欧网但没有用手机注册过亿欧的用户
没有注册过亿欧网的新用户
先前使用邮箱注册亿欧网的老用户，请点击这里进入特别通道
填写个人信息
扫描二维码，下载亿欧客户端
Android & iOS
亿欧公众号
小程序-亿欧plus