为移动应用加上眼睛,谷歌收购法国图像识别创业公司 Moodstocks

简介: 毫无疑问,人工智能是当前科技行业最热门的概念,没有之一。为了保证自己在这「下一个万亿美元级」市场的优势,科技巨头们不会放过任何可能对自己有利的技术和人才。

Twitter 为图像识别技术以 1.5 亿美元收购了创业公司 Magic Pony 两周之后,谷歌也出手了,宣布收购法国图像识别创业公司 Moodstocks。交易将在未来数周内完成。

微信图片_20211126220658.jpg

据 Moodstocks 的网站和 LinkedIn 页面介绍,该公司成立于 2007 年,创始人为 Denis Brule 和 Cedric Deltheil,目前还是一家仅有数人的迷你公司。


TechCrunch 曾在 2010 年报道该公司在种子轮从欧洲投资者那里获得 50 万美元的资金。该公司专注于图像识别技术,「我们将移动设备变成能够识别真实世界物体的智能扫描器。」他们通过 SaaS(软件即服务)平台的形式(API+SDK)开放了自己的成果,任何移动应用开发者都可以使用他们的技术「为移动应用加上眼睛」。


该公司介绍,自 2012 年首次推出能在手机上实现图像识别功能的软件以来,经过两年半的发展,该公司的技术已经延伸到了对物理对象的识别。

Moodstocks 称目前全球已经有 2200 多位开发者在使用他们的服务,这些服务的数据缓存在带有 Moodstocks 自己的软件服务的客户端设备上。据该公司网站首页的公开信称,现有的客户可以继续使用 Moodstocks 的技术直到订阅期满。

其中还写道加入谷歌能让他们可以大规模部署他们的成果并「在谷歌内部开发出色的图像识别工具」。

但谷歌和这家小公司都没有公布双方交易的细节;不过谷歌可能会将这个团队作为自家的帮助手机理解周围世界的计算机视觉技术项目 Project Tango 的补充。该项目的目的是让移动设备不用借助外部设备就能实现空间定位,从而应用于室内定位、3D 地图测绘和增强现实等应用中。


毫无疑问,先进的对象识别技术必然能助力 Tango 实现这一愿景。此外,谷歌也可能会将 Moodstocks 的技术应用到谷歌已经推出的 Google Photos 应用中。

据 TechCrunch 介绍,谷歌之前还曾为了面部识别等图像技术收购过 JetPac 和 PittPatt 等创业公司。也曾在法国收购过另一家研究帮助提升智能手机性能的创业公司 FlexyCore。

识别真实世界中的物体和物体之间的关系一直是计算机视觉领域的「圣杯」,同时也是自主机器人所必备的技能。谷歌、IBM、亚马逊等科技巨头都在开发自己的计算机视觉和机器人技术,未来这一领域的技术和人才争夺可能还将愈来愈烈。

相关实践学习
基于函数计算实现AI推理
本场景基于函数计算建立一个TensorFlow Serverless AI推理平台。
相关文章
|
机器学习/深度学习 算法 测试技术
全球最大的图像识别数据库ImageNet不行了?谷歌DeepMind新方法提升精度
来自苏黎世谷歌大脑和DeepMind London的研究人员认为,世界上最受欢迎的图像数据库之一ImageNet需要改造。ImageNet是一个无与伦比的计算机视觉数据集,拥有超过1400万张标记图像。它是为对象识别研究而设计的,并按照WordNet的层次结构进行组织。层次结构的每个节点都由成百上千的图像描述,目前每个节点平均有超过500个图像。
408 0
全球最大的图像识别数据库ImageNet不行了?谷歌DeepMind新方法提升精度
|
测试技术 TensorFlow 算法框架/工具
|
机器学习/深度学习 人工智能 算法
|
2天前
|
机器学习/深度学习 人工智能 算法
海洋生物识别系统+图像识别+Python+人工智能课设+深度学习+卷积神经网络算法+TensorFlow
海洋生物识别系统。以Python作为主要编程语言,通过TensorFlow搭建ResNet50卷积神经网络算法,通过对22种常见的海洋生物('蛤蜊', '珊瑚', '螃蟹', '海豚', '鳗鱼', '水母', '龙虾', '海蛞蝓', '章鱼', '水獭', '企鹅', '河豚', '魔鬼鱼', '海胆', '海马', '海豹', '鲨鱼', '虾', '鱿鱼', '海星', '海龟', '鲸鱼')数据集进行训练,得到一个识别精度较高的模型文件,然后使用Django开发一个Web网页平台操作界面,实现用户上传一张海洋生物图片识别其名称。
34 7
海洋生物识别系统+图像识别+Python+人工智能课设+深度学习+卷积神经网络算法+TensorFlow
|
3天前
|
机器学习/深度学习 人工智能 算法
探索深度学习在图像识别中的应用
【6月更文挑战第21天】本文深入探讨了深度学习技术,特别是卷积神经网络(CNN)在图像识别领域的应用。文章首先介绍了深度学习的基础知识,然后详细解析了卷积神经网络的结构和工作原理,最后通过案例分析展示了深度学习在图像识别中的实际效果和潜力。
|
2天前
|
机器学习/深度学习 人工智能 算法
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
昆虫识别系统,使用Python作为主要开发语言。通过TensorFlow搭建ResNet50卷积神经网络算法(CNN)模型。通过对10种常见的昆虫图片数据集('蜜蜂', '甲虫', '蝴蝶', '蝉', '蜻蜓', '蚱蜢', '蛾', '蝎子', '蜗牛', '蜘蛛')进行训练,得到一个识别精度较高的H5格式模型文件,然后使用Django搭建Web网页端可视化操作界面,实现用户上传一张昆虫图片识别其名称。
42 7
【昆虫识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+机器学习+TensorFlow+ResNet50
|
3天前
|
机器学习/深度学习 人工智能 算法
【球类识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+TensorFlow
球类识别系统,本系统使用Python作为主要编程语言,基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集 '美式足球', '棒球', '篮球', '台球', '保龄球', '板球', '足球', '高尔夫球', '曲棍球', '冰球', '橄榄球', '羽毛球', '乒乓球', '网球', '排球'等15种常见的球类图像作为数据集,然后进行训练,最终得到一个识别精度较高的模型文件。再使用Django开发Web网页端可视化界面平台,实现用户上传一张球类图片识别其名称。
32 7
【球类识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+TensorFlow
|
2天前
|
机器学习/深度学习 人工智能 数据可视化
深度学习在图像识别中的应用与挑战
【6月更文挑战第22天】本文将深入探讨深度学习技术在图像识别领域的应用及其面临的挑战。首先,我们将介绍深度学习的基本概念和关键技术,然后详细解析其在图像识别中的具体应用,包括卷积神经网络(CNN)的工作原理和实例。最后,我们将讨论深度学习在图像识别领域面临的主要挑战,如过拟合、数据需求大和模型解释性差等问题,并提出可能的解决方案。

热门文章

最新文章