25、Image Synthesis and Editing with Stochastic Differential Equations论文链接：https://arxiv.org/pdf/2108.01073.pdf代码地址：https://github.com/ermongroup/SDEdit视频解读：https://youtu.be/xoEkSWJSm1khttps://colab.research.google.com/drive/1KkLS53PndXKQpPlS1iK-k1nRQYmlb4aO?usp=sharing26、Sketch Your Own GAN论文链接：https://arxiv.org/abs/2108.02774代码地址：https://github.com/PeterWang512/GANSketching视频解读：https://youtu.be/vz_wEQkTLk027、Tesla’s Autopilot Explained在今年8月的特斯拉AI日上，特斯拉AI总监Andrej Karpathy和其他人展示了特斯拉是如何通过八个摄像头采集图像，打造了基于视觉的自动驾驶系统。视频解读：https://youtu.be/DTHqgDqkIRw28、Styleclip: Text-driven manipulation of StyleGAN imagery论文链接：https://arxiv.org/abs/2103.17249代码地址：https://github.com/orpatashnik/StyleCLIP视频解读：https://youtu.be/RAXrwPskNsohttps://colab.research.google.com/github/orpatashnik/StyleCLIP/blob/main/notebooks/StyleCLIP_global.ipynb29、TimeLens: Event-based Video Frame Interpolation论文链接：http://rpg.ifi.uzh.ch/docs/CVPR21_Gehrig.pdf代码地址：https://github.com/uzh-rpg/rpg_timelens视频解读：https://youtu.be/HWA0yVXYRlk30、Diverse Generation from a Single Video Made Possible论文链接：https://arxiv.org/abs/2109.08591代码地址：https://nivha.github.io/vgpnn/视频解读：https://youtu.be/Uy8yKPEi1dg31、Skillful Precipitation Nowcasting using Deep Generative Models of Radar论文链接：https://www.nature.com/articles/s41586-021-03854-z代码地址：https://github.com/deepmind/deepmind-research/tree/master/nowcasting视频解读：https://youtu.be/dlSIq64psEY32、The Cocktail Fork Problem: Three-Stem Audio Separation for Real-World Soundtracks论文链接：https://arxiv.org/pdf/2110.09958.pdf代码地址：https://cocktail-fork.github.io/视频解读：https://youtu.be/Rpxufqt5r6I33、ADOP: Approximate Differentiable One-Pixel Point Rendering论文链接：https://arxiv.org/pdf/2110.06635.pdf代码地址：https://github.com/darglein/ADOP视频解读：https://youtu.be/Jfph7Vld_Nw34、(Style)CLIPDraw: Coupling Content and Style in Text-to-Drawing Synthesis CLIPDraw论文链接：https://arxiv.org/abs/2106.14843在线试用：https://colab.research.google.com/github/kvfrans/clipdraw/blob/main/clipdraw.ipynbStyleCLIPDraw论文链接：https://arxiv.org/abs/2111.03133在线试用：https://colab.research.google.com/github/pschaldenbrand/StyleCLIPDraw/blob/master/Style_ClipDraw.ipynb视频解读：https://youtu.be/5xzcIzHm8Wo35、SwinIR: Image restoration using swin transformer论文链接：https://arxiv.org/abs/2108.10257代码地址：https://github.com/JingyunLiang/SwinIR视频解读：https://youtu.be/GFm3RfrtDoUhttps://replicate.ai/jingyunliang/swinir36、EditGAN: High-Precision Semantic Image Editing论文链接：https://arxiv.org/abs/2111.03186代码地址：https://nv-tlabs.github.io/editGAN/视频解读：https://youtu.be/bus4OGyMQec37、CityNeRF: Building NeRF at City Scale论文链接：https://arxiv.org/pdf/2112.05504.pdf代码地址：https://city-super.github.io/citynerf/视频解读：https://youtu.be/swfx0bJMIlY38、ClipCap: CLIP Prefix for Image Captioning论文链接：https://arxiv.org/abs/2111.09734代码地址：https://github.com/rmokady/CLIP_prefix_caption视频解读：https://youtu.be/VQDrmuccWDo在线试用：https://colab.research.google.com/drive/1tuoAC5F4sC7qid56Z0ap-stR3rwdk0ZV?usp=sharing当然，博主在整理的过程中也不能保证完美。经网友提醒，这里可以手动添加一项突破性研究：「AlphaFold」。去年，谷歌旗下人工智能技术公司 DeepMind 宣布深度学习算法「Alphafold」破解了出现五十年之久的蛋白质分子折叠问题。2021年7月，AlphaFold 的论文正式发表在《Nature》杂志上。论文链接：https://www.nature.com/articles/s41586-021-03819-2这项研究被评为Nature年度技术突破，Alphafold 的缔造者之一 John Jumper 也被评为《Nature》2021 年度十大科学人物。DeepMind也已经将他们的预测结果免费开放给公众。

————————————装饰器模式都包含哪些核心角色呢？ 1. Component接口 在我们上面的例子中，Component接口相当于汽车接口，所有的被包装类、包装类，都继承于这个接口。2. ConcreteComponent类 ConcreteComponent类是被包装的实现类。在例子中，奔驰汽车、宝马汽车、特斯拉汽车都属于这3. Decorator抽象类 所有的包装类，都继承自Decorator抽象类，而Decorator类又实现了Component接口，这么做是为了实现多层嵌套包装。 4. ConcreteDecorator类 具体的包装类，用于扩充被包装类的功能，比如例子中的自动驾驶功能、飞行功能扩展。这四大核心角色的关系是怎样的呢？我们可以用装饰器模式的UML类图来表达： 首先是汽车接口，也就是Component这个角色，里面定义了run这个行为：public interface Car { void run(); } 接下来是各种汽车的实现类，也就是ConcreteComponent角色，不同的汽车对于run行为有着不同的实现：public class BenzCar implements Car{ @Override public void run() { System.out.println("奔驰开车了！"); } } public class BmwCar implements Car{ @Override public void run() { System.out.println("宝马开车了！"); } } public class TeslaCar implements Car{ @Override public void run() { System.out.println("特斯拉开车了！"); } }下面是装饰器的抽象类，也就是Decorator角色，这个角色包含了被装饰的成员对象：public class CarDecorator implements Car { protected Car decoratedCar; public CarDecorator(Car decoratedCar){ this.decoratedCar = decoratedCar; } public void run(){ decoratedCar.run(); } } 或许有人会觉得奇怪，为什么装饰器类也要实现Car接口呢？这正是装饰器模式的灵活之处。继承自Car接口，可以让每一个装饰器本身也可以被更外层的装饰器所包装，包装的方式就是把Car对象作为参数，传入到外层装饰器的构造函数当中。接下来是具体的装饰器实现类，也就是ConcreteDecorator角色。这些装饰器同样实现了run的行为，一方面会调用被包装对象的run方法，一方面会进行某些扩展操作（比如自动驾驶、飞行）：public class AutoCarDecorator extends CarDecorator { public AutoCarDecorator(Car decoratedCar){ super(decoratedCar); } @Override public void run(){ decoratedCar.run(); autoRun(); } private void autoRun(){ System.out.println("开启自动驾驶"); }} public class FlyCarDecorator extends CarDecorator { public FlyCarDecorator(Car decoratedCar){ super(decoratedCar); } @Override public void run(){ decoratedCar.run(); fly(); } private void fly(){ System.out.println("开启飞行汽车模式"); } }最后，是我们的客户端类。客户端类负责创建被包装对象和装饰者，并决定如何进行包装和执行：public class Client { public static void main(String[] args) { Car benzCar = new BenzCar(); Car bmwCar = new BmwCar(); Car teslaCar = new TeslaCar(); //创建自动驾驶的奔驰汽车 CarDecorator autoBenzCar = new AutoCarDecorator(benzCar); //创建飞行的、自动驾驶的宝马汽车 CarDecorator flyAutoBmwCar = new FlyCarDecorator(new AutoCarDecorator(bmwCar)); benzCar.run(); bmwCar.run(); teslaCar.run(); autoBenzCar.run(); flyAutoBmwCar.run(); } } 以输入流为例，为了满足不同输入场景，JDK设计了多种多样的输入流，包括ByteArrayInputStream、FileInputStream等等。这些输入流都继承自共同的抽象类：InputStream。与此同时，为了给这些输入流带来功能上的扩展，JDK设计了一个装饰器类，FilterInputStream。该类继承自InputStream，并且“组合”了InputStream成员对象。从FilterInputStream类派生出了许多装饰器子类，包括BufferedInputStream，DataInputStream等等，分别提供了输入流缓冲，以及从输入流读取Java基本数据类型等额外功能。

1.Kubernetes 中负责创建存储卷的组件是什么？A. PV ControllerB. AD ControllerC. Volume ControllerD. Disk Controller相关知识点： PV Controller 负责 provision/delete disk volume；AD Controller 负责 attach/detach disk volume正确答案： A2.Kubernetes 容器服务编排概念里 PVC 是什么？A. 持久化存储卷，用于长期保存数据B. 用户申请 Persistent Volume 的声明，通常包含Volume 大小、Volume 访问方法 (RWX,RWO,ROX)C. 定义了一个或一组共享网络和存储卷的容器，声明一个 PV，映射 PV 路径到容器正确答案： B3.Kubernetes 中块存储支持以下哪几种访问模式A. RWX(Read Write Many)B. RWO (Read Write Only)C. ROX (Read Only Many)D. WOX (Write Only Many)正确答案： B4.对延迟非常敏感的应用应该选用哪种 NAS 存储？A. 通用型 NASB. 极速型 NASC. 并行文件系统 CPFS相关知识点： 极速型 NAS 专门为延迟优化，基于高性能自研协议栈和网络栈 + 先进的底层分布式架构，实现百 us 级别的极致时延，满足延迟敏感型应用正确答案： B5.我现在有一个网站，页面文件存储在本地盘上，想上云改成弹性高可用的容器架构，把页面文件存储到 NAS 上，需要修改应用代码吗？A. 需要B. 不需要相关知识点： 应用访问 NAS 时，使用的 POSIX 接口与本地盘完全一致，不需要修改代码。但 NAS 的时延高于本地盘，可以考虑增加应用并发度，以及增加读写块大小正确答案： B6.关于容器持久化存储数据共享能力分析，下列描述错误的有：A. 块存储卷可以在跨主机的容器实例中访问B. 使用块存储，需要通过外部手段将需要更新的数据同步分发到跨主机容器中C. 一个文件存储挂载点可以同时被多个容器挂载，支持数据共享访问（读写），在文件系统中更新数据后，所有节点实时访问最新数据正确答案：A7.以下哪种容器应用场景不适合使用文件存储？A. 需要极致弹性的Web服务B. 海量自动驾驶素材需要共享存储处理并行任务，AI模型训练会不定期的使用其中部分数据，对性能要求很高C. 大量基因样本数据被采集存储，基因训练时需要告诉读取D. 超低延时访问要求的数据库正确答案： D8.如果容器应用在 NAS 文件系统里创建了一个文件，其它容器实例可以通过挂载相同的文件系统访问该文件吗？A. 可以B. 不可以相关知识点： NAS 可以支持最多一千台计算节点共享访问，但由于节点缓存的原因，文件的修改可能需要一分钟左右才能在其他节点上看到正确答案：A9.阿里云文件存储 NAS 通过哪种方式实现了低成本？A. 文件存储 CPFS 自动分层数据到文件存储 NASB. 文件存储 CPFS 自动分层数据到低频 NASC. 文件存储 NAS 自动分层数据到低频 NASD. 文件存储 NAS 自动分层数据到低频 OSS正确答案： C10.NAS 自动快照能定期自动清理？正确错误相关知识点： NAS 自动快照策略中，可以选择定期清理策略（比如 30 天清理），从而实现快照滚动正确答案： 错误11.Windows 容器通过 SMB 协议连接 NAS 时是否需要修改Windows节点注册表？正确错误正确答案：A12.Pod 迁移或扩容后，需要拷贝和同步 NAS 上面的数据。正确错误相关知识点： 文件存储 NAS 是共享存储，数据可以自动跟随 Pod，Pod 迁移或扩容后无需数据拷贝或同步正确答案：B13.通过 NAS 生命周期管理功能，能够降低最多 92% 的存储成本？正确错误相关知识点： 生命周期管理功能自动将冷数据沉降到低成本存储上，有效降低成本，并且应用仍可通过原路径透明访问沉降后的数据正确答案：A14.NAS 扩容是否需要重新挂载和重启业务？正确错误相关知识点： 文件存储 NAS 支持在线弹性扩容，扩容不需重新挂载和重启业务正确答案：B15.阿里云文件存储支持以下哪些接口？A. S3B. NFSC. iSCSID. SMB正确答案： B D16.Kubernetes 中文件存储支持以下哪几种访问模式A. RWX(Read Write Many)B. RWO (Read Write Only)C. ROX (Read Only Many)D. WOX (Write Only Many)正确答案： A B C17.弹性 Web 容器环境为什么使用阿里云文件存储 NAS？A. 高可用：基于文件存储 NAS 可以轻松搭建高可用容器应用，支持 Pod 自如迁移，数据自动跟随 PodB. 弹性：文件存储 NAS 支持动态扩容，根据业务规模选择最合适的容量C. 高性能：阿里云文件存储最高支持 0.3 毫秒访问延时D. 共享：所有容器实例可以实时访问最新数据，Web 应用程序文件集中发布，集中管理，无须分发正确答案： A B CD18.Kubernetes 推荐使用的 Out-of-tree Volume Plugin 类型，请选择所有正确的选项A. FlexVolumeB. GlusterFSC. Cinder DriveD. CSI正确答案： A D19.NAS 支持哪些安全功能？A. 快照B. 备份C. 加密D. 权限组相关知识点： NAS 支持丰富的安全功能，包括快照、备份、加密和权限组配置正确答案： ABCD20.NAS 支持哪几种容器存储访问模式？A. RWOB. ROXC. RWX相关知识点： 作为共享文件系统，NAS 支持所有访问模式正确答案： ABC

客户关键词我国历史最悠久的合资车企之一百万级汽车年产量千万级用户量2020年全球车联网相关恶意攻击超过280万余次，攻击者通过网络攻击手段可以控制车辆行驶，也可以利用软件漏洞操控智能网联汽车。据国家工业信息安全发展研究中心调研显示，过去5年间，针对智能汽车的攻击次数增长了20倍，其中近30%的攻击涉及车辆控制。另一方面，一辆智能网联汽车每天至少收集10TB的数据，不仅数量极大，而且涉及驾乘人员的出行轨迹、习惯、语音、视频等等，一旦遭受攻就击会泄露个人隐私。车联网逐渐成为汽车产业与云计算、大数据、信息通信网络和人工智能技术等深度融合的新业态。在汽车行业有关数字化应用的攻击中，越来越多瞄准云端大数据、人工智能和自动驾驶系统。车联网生态安全迫在眉睫。“车联万物”技术架构车联网的技术特点是V2X（vehicle-to-everything），这一技术架构下，智能汽车数据应用场景众多，数据类型广、变化速率快。该企业用户在智能网联汽车的技术路线规划中，不仅关注到了车内智能管理，同时非常注重车与云平台、车与车、车与路、车与人等全方位网络链接体系与安全管理。该车联网企业业务生态示意图通过阿里巴巴的互联网汽车解决方案——斑马智行，实现智能汽车系统与应用端和云端的双向互联：车端数据采集与操控：多种形态的传感器装置，每日产生大量数据记录、传输和存储行为；车机系统集智联控车、语音、导航、娱乐等功能于一身，同时构建了统一的客户账号体系，无论客户在车机、手机APP、小程序等渠道都可以一键登录，账号互通；云端服务加持：车辆管理、信息服务、呼叫中心等服务上云，旅途记录、远程车辆控制、车辆报警、道路救援等功能依靠云服务自动化数据处理、存储、传输与触发，便捷车辆使用体验；APP与数字钥匙双应用：APP打通了车机和手机的信息交互，通过4G网络与云平台的信息联动，实现便捷无感的在线寻车、无钥匙进入、远程控车等功能。联网而“智”or联网而“滞”？滞后的安全管理正在成为整个车联网产业发展的最大掣肘。伴随汽车网联化，网络攻击威胁加速向车端、车联网平台蔓延，汽车智能功能越丰富，相应的攻击面也越多，车联网安全正逐步走向实战化对抗阶段；更重要的是，由于车联网安全涉及到车端、APP端（钥匙）、传输网络和云端，不同象限间边界模糊且技术跨度大，所传输的数据可靠性、机密性要求很高，安全建设很难一蹴而就。挑战1. 数据安全问题突出对于用户而言，出行轨迹、驾驶习惯、行为、影象等属于个人隐私，理应受到妥善保管；对国家而言，车辆行驶中获得的道路高精度测绘数据，与国防等领域息息相关，数据泄露甚至可能危害社会和国家安全；挑战2. 攻击面持续扩大全球范围内近两年知名的智能汽车安全事件都与攻击有关，云计算与大数据背景下，缺乏有效的针对云端、传输网络和智能系统的安全评估，因重大安全漏洞造成的入侵时有发生；挑战3. V2X生态安全建设滞后车联网应用安全建设尚处在萌芽阶段，防护能力相对单薄。对于云上安全防护来说，存在大量非标业务端口，使得公有云安全防护存在风险点；对于车辆控制系统来说，攻击者可以通过入侵车辆，伪造红绿灯信息来控制自动驾驶车辆，影响驾驶安全。“智能网联汽车生产企业要加强整车网络安全架构设计。加强网络设施和网络系统资产管理，合理划分网络安全域，加强访问控制管理，做好网络边界安全防护，采取防范木马病毒和网络攻击、网络侵入等危害车联网安全行为的技术措施；建立车联网身份认证和安全信任机制，强化车载通信设备、路侧通信设备、服务平台等安全通信能力，采取身份认证、加密传输等必要的技术措施，防范通信信息伪造、数据篡改、重放攻击等安全风险，保障车与车、车与路、车与云、车与设备等场景通信安全。”​              ——《工业和信息化部关于加强车联网网络安全和数据安全工作的通知》2021年9月，工信部对车联网安全的工作通知进一步明确了主机厂从网络侧和数据侧加强车联网整体安全架构设计的要求，也为进一步应对车联网安全挑战指明了方向。阿里云车联网安全方案：云-网-端一体化联防阿里云安全对改企业车联网业务进行全面评估，针对车端、APP端、云端和网端的安全防护进行整合，共同探索出了一套车联网安全解决方案。云、网侧加强对流量的监测、清洗和访问控制，同时关注数据在采集、存储、传输和加工各环节的安全加密；端侧以账户和身份管理为抓手，全面打通并实现人、车、设备、应用间的安全评估和安全加固。方案架构阿里云车联网安全云-网-端一体解决方案1、云端安全：通过DDOS、WAF、防火墙、云安全中心，提供车联网云端服务系统的纵深防御；通过数字证书管理、存储加密保证身份认证与存储加密；数据安全中心通过对收集数据的敏感数据识别、数据脱敏，并对数据异常操作和行为进行监控；账户集中管理平台实现对内部人员账号的集中管理，并对用户跨平台服务进行统一身份识别；2、通信安全：保证数据通信的安全性，采用加密传输方式避免传输数据被监听；3、端侧安全：车端-通过安全风险评估服务对车机的传感器、接口、通信协议等进行测试；提供网络边界安全网关，对车机数据上传进行可靠的传输链路，并对数据通信进行攻击防护能力；依托斑马智行对车载服务生态能力，保证车载系统搭载的各类型应用的安全性；移动端-通过APP安全合规与加固，保证APP获取数据的合规性，并提供漏洞扫描及加固能力，保证APP安全；钥匙端-提供密钥证书和身份认证管理，并对通信协议进行加密。方案优势全面覆盖云网车三端：通过云安全生态拉通解决技术跨度大造成的安全评估和管理壁垒， 阿里云提供针对云端、传输端、车机端、APP端（钥匙端）的安全防护方案，将车联网安全跨设备、跨业务来进行防护，保证其安全管理的完整性；针对车联网数据通信特点：针对车联网双向通信和加密要求，提供灵活、独立的安全防护手段；支持多种车机协议，云端插件式工具包方便车载设备的私有化协议/非标端口快速接入；支持TLS双向认证机制，加强车辆接入的数据源安全。共建车联网安全场景：与达摩院合作对车联网进行安全场景分析，如AI视觉、自动驾驶等前沿技术应用，在场景研发与运营的同时原生融入安全能力，车机侧高德、支付宝、淘宝等应用安全集成入车，DevSecOps实现车联网安全场景共建。客户价值高可用应对出行高峰：车联网系统云端安全策略支持弹性扩展、平滑扩容，毫秒级响应轻松应对车辆出行和数据上传高峰期对云平台的安全压力；细粒度攻击面收敛：移动端、云端、车机、接口等维度细粒度安全评估，累计发现并修复漏洞40+，互联网出口攻击面收敛100%；数据安全合规：在研发、测试、运营等不同环节，通过APP隐私合规、车机安全渗透与加固、云端数据安全防护与审计，提升大众车联网数据安全防护水位；安全感知更可控：对车机安全事件集中收集，对车辆日常和重大活动保障期间发生的网络攻击、非法拆机等信息进行统一监控，安全态势全面可视。

InfoQ 获悉，4 月 28 日，小马智行率先取得北京市智能网联汽车政策先行区首批“无人化示范应用道路测试”通知书，获准向公众提供“主驾位无安全员、副驾有安全员”的自动驾驶出行服务（Robotaxi）。北京成为国内首个开启乘用车无人化运营试点的城市，也为自动驾驶无人化测试后续发展提供政策创新及支持。取得许可后，小马智行获准在北京市亦庄经开区 60 平方公里核心区内开展无人化 Robotaxi，这意味着北京市民将有机会通过现有的 PonyPilot+ App 呼叫到一台主驾无人的自动驾驶车辆，去往亦庄的多个地铁站口，公园、体育中心等公共设施，以及重点商圈和住宅小区。当主驾无安全员的自动驾驶车辆随机接单时，乘客可通过手机 App 收到专属提示。行驶过程中，乘客可通过 App 远程联系客服，处理可能的突发问题及需求。小马智行联合创始人兼 CEO 彭军表示：“无人化载人示范应用的颁发是行业从无人化道路测试向无人化商业化试点过渡的关键政策节点，同时承载行业意义和技术意义。首批获得无人化示范应用许可，小马智行再次走在自动驾驶技术以及商业化发展的最前沿，为今后自动驾驶技术更为广泛的市场应用打下坚实基础。”本次示范应用管理实施细则为北京自动驾驶无人化测试推出了更为全面、详细的测试要求，并突破性将测试范围从原先的 20 平方公里扩至 60 平方公里，纳入更为丰富、复杂的城区道路场景，使得小马智行能够更快推动无人化领域的技术攻坚，打通商业模式的核心节点。去年 10 月 15 日，小马智行取得北京市智能网联汽车政策先行区的无人化道路测试许可，可在无保护左转、多车道通行、临时施工、沙尘、雨水等多种场景进行无人化测试。这些技术积累是小马智行取得本阶段示范应用许可的基础，使得小马智行顺利完成无人化示范应用测试技术规范中针对载人场景的封闭场地测试、网络安全测试下共 10 个新增检测项目，并通过专家评审。“开启无人化测试以来，小马智行正从多个关键技术指标落实技术无人化，保证系统在处理各类复杂场景时的稳定性和技术质量，并且为少见的长尾场景做足冗余预案，为下一阶段的量产之路打下扎实基础。”小马智行联合创始人兼 CTO 楼天城说。小马智行已在北京、广州等多个城市开启主驾“去安全员”的无人化测试，逐步扩大测试范围、时段及车辆规模。其中，小马智行已在广州向特邀用户开放体验主驾位无人的 Robotaxi，目前已完成近千次行程订单，目的在于收集乘坐反馈，从而快速反哺技术研发和服务升级。截至 2022 年 4 月，小马智行在全国已累计完成 20 万公里自动驾驶无人化测试里程，对无人化场景进行了多重技术验证及迭代，提升在系统冗余设计、远程辅助平台研发、极端场景处理应对机制、车队运营管理等环节的能力。北京市智能网联汽车政策先行区于 2021 年 4 月成立，开创性发布了多项政策。据悉，小马智行已先后取得先行区的首批自动驾驶乘用车与卡车测试牌照，首批自动驾驶乘用车和卡车高速路测许可，首批自动驾驶无人化测试许可，以及今日颁发的首批自动驾驶无人化示范应用许可。

4 月 26 日，2022 华为全球分析师大会在深圳举办。如今，距离华为受到美国第一轮制裁已经过去快 3 年，或许是华为开始习惯“战时状态”，又或者大家对于华为的处境已经见惯不怪，外界对于华为的关注点已经不那么执着于“制裁”、“芯片”相关的话题。回顾前两年，华为全球分析师大会开幕式演讲的主题分别是“跨过时艰，向未来”、“乱云飞渡仍从容”，彼时华为的生存状态、手机业务、芯片供应等等都是需要其花大力气去不断沟通和解释的议题。今年，华为轮值董事长胡厚崑的演讲主题为“持续创新，共建绿色智能世界”。“创新”是他在演讲一开始就提及的话题：“在华为，谈到创新，我们首先想到的是顶尖人才。我们希望用世界级的难题，吸引世界级的人才，来共同迎接挑战，推动科学和技术上的进步。”他同时介绍说，“昨天，华为再次面向全球招募天才少年，不分国籍、不分专业、也不限院校，只要对未来有梦想，相信自己有能力，就大胆加入华为。华为提供的是世界上最难的课题、强大的平台以及足够的资源，支持天才们去探索。”大会上，胡厚崑还打趣道，召集令最后还有一行字提到了“5 倍薪酬”，那就会有人问这个 5 倍到底是什么意思，到底是 5 倍于几？他表示，没有基数就说明充满了想象空间，引发现场一阵哄笑。除了不遗余力地吸纳全球人才、持续强化创新能力，胡厚崑表示，华为走向未来的关键还有“牢牢抓住千行百业数字化、智能化发展以及人类社会低碳化发展的两个大机遇”。事实上，华为还处在“求生存”阶段，同时我们可以看到的是，面对复杂多变的环境，华为始终在调整，并持续探索更多的可能性。华为轮值董事长胡厚崑如何有质量地活下来胡厚崑强调，面向未来，华为正采取积极的业务举措，不断增强产业韧性，有质量地活下来。但什么是有质量地活下来？如何才能达到这个目的？3 月 28 日，华为公布2021年年报，经营数据直观地反映了残酷的现实：华为在 2021 年的总销售额约为 6368 亿元人民币，同比 2020 年（8913 亿）减少了 28.6%。这是过去十年里，华为首次出现营收负增长。而在会后的媒体问答环节，胡厚崑坦言，华为过去面临的困难在今年没有减少，而且外界环境的变化又带来更多的困难，比如说地缘冲突、全球疫情还没消失、全球性通胀正在到来、大宗商品的涨价、有可能出现的汇率波动……这些都是在经营环境中今年遇到的严峻挑战。在这种情况下，华为该如何提高活下来的质量，胡厚崑分享了关于“生存质量”的 3 点思考。他表示，第一个“生存质量”是保障给客户提供的产品和解决方案的质量。产品和解决方案的竞争力不能下降，服务的连续性不能出问题，华为在这方面会采取大量的措施。“在当前的情况下，我们更关注客户的声音。所以这几年我们在客户满意度管理上投入比过去更多的资源，希望能够随时知道客户遇到的问题。现在整个大环境是这样，华为有困难其实客户也是有困难的，需要跟客户一起随时发现困难、解决问题。”第二个“生存质量”则体现在公司的稳健运营，稳健运营里有两个需要特别关注的要点：（1）整个公司当前要特别关注交易的质量，管理好交易质量，对于一些低质量的交易会选择放弃；（2）华为现在整体业务组合相比过去更多元化。在聚焦大 ICT 领域且相对多元化的业务组合之下，华为要求每一个业务单元扎扎实实地做好稳健经营。同时，现在业务的结构会比过去更多样一些，华为也要求每个业务本身都要聚焦、都要实现有质量地发展，如果不能实现有质量地发展最终就要面临被关闭的局面。第三个“生存质量”便是本次大会被反复强调的创新，面向未来，华为要持续地进行创新投入。“我们会继续在人才上进行投入，提供足够的资金和资源的保障，在创新路径上进行优化，通过这些措施使得我们今天的投入能够让未来的发展更有质量。”元宇宙：越热闹的炒作期越要冷静本次大会上，胡厚崑还对最近大热的元宇宙发表了看法。他直言，从全球来看，现阶段元宇宙还处在一个炒作期。当然，任何一个新的技术概念等，在引入市场的时候都会经过这样的阶段，并强调道，华为是一个科技公司，越是在这种热热闹闹的炒作阶段越要冷静，“我们要做的是透过现在的喧嚣，尽可能地努力去抓住它背后的本质。抓住了这些本质以后，我们就能够更好地去做好准备。”至于元宇宙的本质是什么，胡厚崑进一步谈到：“第一，我觉得元宇宙的本质是融合，这个融合意味着物理世界和数字世界的融合。这也意味着物理世界的数字化以及数字世界的现实化。”他举例说，物理世界的数字化，通过 3D 建模仿真、数字孪生、虚实融合等技术，其实是有可能在数字世界里帮我们找到物理世界的优化方案。另外，在数字世界里用更低成本、更高效的方式，帮我们对物理世界的运行方式进行优化，比如说我们可以想象未来自动驾驶的仿真训练、智能工厂的仿真化以及智慧城市的数字孪生等，都有可能是融合方式的体现。其次，胡厚崑认为元宇宙未来的价值不仅仅是在 To C 这一侧，To B 这一侧的价值有可能会更大。“我个人认为，元宇宙未来的发展在 To B 侧的价值应该得到足够的重视。谈到华为的技术策略，我觉得现在可能说一个完整的策略还为时尚早，但是对我们这样的一个技术公司来说，我们需要冷静去判断它未来的发展，一步一步去做好准备。而且我相信，因为华为聚焦的技术范畴是比较宽的，元宇宙今后不管从联接、到计算、到云，甚至到终端方面，可能都有很多我们可以做的事。”华为常务董事、ICT 基础设施业务管理委员会主任汪涛也表示，元宇宙很可能还处于产业的炒作期。不过，他从技术角度分享了华为产业各方面围绕“元宇宙”做的布局，这些布局是为了在元宇宙到来之际，华为能联合产业界来共同推动建设一个真正的、沉浸式的、互动的虚拟数字世界。“通常来说，大家说的元宇宙可能涉及到一个七层的模型，其实这个七层的模型包括了基础设施、终端、去中心化服务，还有空间计算、创作平台、应用平台和内容。对华为来说，华为是围绕着我们长期聚焦的 ICT 基础设施、云服务和智能终端，为元宇宙的发展做出我们的贡献。”汪涛介绍道。“首先，在基础设施层，元宇宙的发展需要数字世界和物理世界充分的融合，这样一来，它对实时交互的时延、对通信的上下行带宽都会提出更高的要求，大量的渲染也需要更大的算力、更多样性的算力。比如我们提议定义的 5.5G，以及重定义计算架构等，某种程度上也是为了元宇宙的到来做好准备。在终端层，华为主要是在手机、眼镜、穿戴设备，包括触感设备等多个方面进行研发和投入。比如说我们打造了 XR 硬件，以及 3D 空间音视频等这样的解决方案，以及面向城市级 AR 场景的河图，这些都取得了很大的进展。在应用和创造平台上，我们主要是基于华为云进行规划和布局，刚才胡总在演讲中提到了华为云MetaStudio，其实它就是构建一个数字内容的生产线，为数字世界源源不断的创造更有创意的内容，这也是我们将来支撑元宇宙发展的一个很好的解决方案。”面向未来的 10 个问题和挑战去年，华为在分析师大会上发布了迈向智能世界 2030 的九大技术挑战与研究方向，今年，华为战略研究院院长周红分享了面向未来的探索和思考。周红在演讲中提到：“我们现在对于未来的所有想象可能都是保守的，我们只有大胆提出假设、大胆提出愿景，敢于打破既有理论与技术瓶颈的条条框框，才能大踏步前行。”为此，周红提出了面向未来的 10 个问题和挑战：机器如何认知世界，能不能建立适合机器理解世界的模型？如何理解人体的生理学模型，八大子系统的运行机制，以及人的意图和智能？新的感知和控制能力，脑机、肌机接口、3D 显示、虚拟触觉、嗅觉、味觉；如何连续、无感知地测量人的血压、血糖和心电，强人工智能帮助发明化学药、生物药和疫苗；发展以应用为中心，面向价值与体验的高效率、自动化和智能化软件；接近和扩展香农极限，实现区域级和全球级的高效、高性能连接；创造高适应性与高效率的计算模式，非冯·诺伊曼计算架构与非传统部件，发展可解释和可调试 AI；通过智能计算发明新的分子、催化剂和器件；发展超越传统 CMOS 制造的技术，达到更低成本、更高的效率；发展出安全、高效的能源转换和储能，提供按需服务。

9. 第九章 神经网络：学习（Neural Network：learning）9.1 代价函数9.2 反向传播算法（Backpropagation algorithm，BP）9.3 反向传播直觉9.4 实现注意：展开参数矩阵展开成长向量实现。9.5 梯度检测（Gradient checking） 9.6 随机初始化（Random initialization）9.7 组合到一起 9.8 无人驾驶（Autonomous driving example）可以使用多个神经网络的集成学习组成自动驾驶系统。10. 应用机器学习（Advice for applying machine learning）10.1 决定下一步做什么debug学习算法。问题描述：假设已经实现正则化线性回归算法预测房价。然后，当在新的数据上进行测试时，发现它的预测结果十分不准确，接下来应该做什么？获取更多的数据尝试更少的特征尝试获取更多特征尝试添加特征的多项式组合尝试减小λ \lambdaλ尝试增大λ \lambdaλ为了选择出要使用哪种策略来提升机器学习算法的性能，需要使用机器学习诊断（Machine learning diagnostic）来进行决策。诊断：一个你可以运行的测试，以了解学习算法正在/不在工作，并获得关于如何最好地改善其性能的指导。这个工作会花费大量的时间，但很值得。10.2 评估假设（Evaluating a hypothesis）10.3 模型选择和训练，验证，测试集（Model selection and training/validation/test sets）10.4 诊断偏差与方差（Diagnosing bias vs. variance） 10.5 正则化和偏差/方差（Regularization and bais/variance）10.6 学习曲线（Learning curves）10.7 接下来做什么（回顾本章开始的例子）问题描述：假设已经实现正则化线性回归算法预测房价。然后，当在新的数据上进行测试时，发现它的预测结果十分不准确，接下来应该做什么？获取更多的数据——高方差尝试更少的特征——高方差尝试获取更多特征——高偏差尝试添加特征的多项式组合——高偏差尝试减小λ \lambdaλ——高偏差尝试增大λ \lambdaλ——高方差神经网络和过拟合：小型神经网络更少的参数更可能欠拟合计算简单大型神经网络更多的参数更可能过拟合（可以使用正则化处理）计算复杂11. 第十一章 机器学习系统设计（Machine learning system design）11.1 确定优先级：垃圾邮件分类示例特征x xx：选择100个单词作为垃圾邮件和非垃圾邮件的关键词。注意：在实际应用中，常常选择在训练集中最常出现的n nn（10000到50000）个词作为关键词，而不是手动选择。问题：有各种方法提升性能，如何选择比较困难？11.2 误差分析（Error analysis）帮助解决在各种提升性能的方法中进行选择。推荐方法迅速实现一个简单的算法，并且在验证集上进行测试绘制学习曲线，去决策是否去获取更多的数据或者特征等等误差分析：手动检查你的算法出错的例子（在交叉验证集中）。看看你是否发现它在哪些类型的例子上有任何系统性的趋势犯错误。用一个数字去直观的体现算法性能是重要的误差分析应该在验证集上进行11.3 不对称性分类的误差评估（Error metrics for skewed classes） 11.4 权衡查准率和查全率（Trading off precision and recall）11.5 机器学习数据“不是谁有最好的算法就能获胜。而是谁拥有最多的数据”。“It’s not who has the best algorithm that wins. It’s who has the most data." ——[Banko and Brill, 2001]海量数据是合理的。假设特征x ∈ R n + 1 x \in {R^{n + 1}}x∈R n+1 已经提供了足够的信息，可以去准确的预测出标签y yy。判断这一点：给出这样的特征输入x xx，人类专家是否可以给出正确的输出。学习算法可以使用更多的参数（如：逻辑回归，许多特征的线性回归，更多隐含层的神经网络）。使用更多的训练数据，不易过拟合。

Introduction顾名思义，通过姿势估计，我们尝试从图像中推断出物体或人的姿势。这涉及识别和定位身体上的关键点。由于身体的小关节、遮挡和缺乏上下文、旋转和方向，关键点的识别是一项非常具有挑战性的任务。在本文其余部分将主要关注人体姿势估计的情况下，膝盖、肘部、肩部和手腕等主要关节代表这些关键点。在分类方面，姿态估计器可以分为以下几类：维度（2D 与 3D）单姿势和多姿势（检测一个或多个物体）方法论（基于关键点与基于实例）我们可以使用 2D 姿态估计器预测图像或视频帧中关键点的 2D 位置，而 3D 姿态估计器通过在预测中添加深度将图像中的对象转换为 3D 对象。显然，使用 3D 更具挑战性。单姿态估计器通常以检测和跟踪一个人或物体为目标，而多姿态估计方法检测和跟踪多个人或物体。就方法论而言，广义上讲，我们发现模型尝试检测特定关键点的所有实例，然后尝试将关键点分组为骨架。基于实例的姿态估计器首先使用对象检测器来检测对象的实例，然后估计每个裁剪区域内的关键点。在文献中，这也通常称为自下而上与自上而下的方法。自上而下的方法包括在图像上应用人物检测器，对于每个检测到的人，使用单人姿势估计器进行关键点推断。如果您的人物检测器失败，那么您的姿势估计也会失败。此外，所需的处理量与人数成正比。自下而上受这些缺点的影响较小，但将关键点检测候选与个人关联起来，仍然具有挑战性。 DeepPose在本文中，作者首次将深度神经网络 (DNN) 应用于人体姿势估计挑战。下面，我们找到了所使用的架构。使用输入图像，可以回归每个身体关节及其位置。通过将原始的初始姿态估计传递给此类 DNN 的级联，可以进一步完善联合预测，从而实现 SOTA 结果。 Deep(er) Cut使用 DeepCut，图像中未知人数的姿态估计问题被重新表述为优化问题。问题是：在图像中创建一组所有候选身体部位，从中选择一个子集。从这个子集中，对每个身体部位（例如，手臂、腿和头）进行分类将同一个人的身体部位聚集在一起。然后通过将其建模为整数线性规划问题来解决这 3 个问题。为了找到图像中的所有身体部位，使用了 Fast R-CNN 的改编版本（AFR-CNN）。具体来说，适应性包括用可变形部件模型 (DPM) 替换选择性搜索建议生成并改变检测大小以允许 DPM 捕获更多上下文。欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。从 70 年代的研究开始，他们处理对视觉对象进行一些描述的问题，如何在实际照片中找到这个对象？在真正的工程形式中，一个对象是由一组以可变形配置排列的部件组成的。通过以可变形配置排列的部件集合来表示人类。然后分别对每个零件的外观进行建模。一对零件由弹簧表示以引入必要的变形能力。怀疑使用 DPM 可能不是最理想的（确实如此），而是训练了基于 VGG 的密集 CNN 构建。然后将身体部位的检测重新表述为多标签分类。该模型为每个候选输出一个部分概率得分图。此外，与其他分割任务类似，使用步幅为 8 的扩张卷积来进行更精细的部分定位。DeeperCut 基于 DeepCut 的 Dense-CNN，但使用 ResNet 骨干网代替。与 VGG 主干类似，32px 的原始步长太大了。然而，由于内存限制，使用空洞算法是不可行的。通过移除最后一层来调整 ResNet 架构，减少第一个卷积层的步幅以防止下采样。在第 5 次卷积中，所有 3x3 卷积都添加了空洞。层和反卷积层用于上采样。DeeperCut 还受益于更大的感受野来推断附近其他部分的位置。这种见解称为图像条件成对项，可以计算部件的成对概率。成对part-to-part预测：通过计算每对的成本，回归的偏移量和角度用作特征来训练逻辑回归，从而产生成对概率 DeepCut 为图像中的所有候选身体部位解决了一个 ILP 实例，DeeperCut 提出了一种增量 3 阶段优化，其中：ILP 解决了头肩问题肘部/手腕被添加到第 1 阶段的解决方案中，并重新优化了 ILP将剩余的身体部位添加到第 2 阶段的解决方案中，并重新优化 ILP 用于人体姿态估计的卷积网络和图形模型的联合训练在本文中，检测pipeline由卷积网络和马尔可夫随机场 (MRF) 组成。与之前类似，ConvNet 架构用于身体部位定位。架构如下图所示：Multi-Resolution Sliding-Window With Overlapping Receptive Fields该架构通过使用滑动窗口方法处理输入图像，从而产生表示每个关节位置可能性的像素热图。有 2 个重叠的多分辨率字段，一个是 64x64 输入（上卷积），另一个是下采样到 64x64 的 128x128 输入，从而将更多“上下文”输入到下卷积路径中。然后在传入网络之前使用局部对比度归一化 (LCN) 对两者进行归一化。作者提到，使用重叠场的主要优势在于能够以相对较低的权重增加看到图像的更大部分。 此外，通过使用 LCN，两个窗口之间的重叠光谱内容最小。由于这需要相当大的计算能力，因此模型进行了改进，如下所示。保留了多分辨率（下 ConvNet）和滑动窗口（上 ConvNet）的概念。高上下文和低分辨率输入需要比滑动窗口模型的步长一半。因此，需要处理 4 个下采样图像。滑动窗口的特征图被复制，其中添加和交错低分辨率特征图，导致输出热图低于输入。Part-Detector 将输出许多解剖学上不正确的姿势，因为没有对身体关键点的隐式约束进行建模。通过使用高级空间模型在连接互连和姿势的解剖一致性方面创建约束，巧妙地解决了这一问题。该空间模型被表述为 MRF 模型。通过首先训练一个部分检测器并重用产生的热图输出来训练空间模型，我们能够训练一个 MRF，它将在图模型中制定联合依赖关系。最后，在统一模型（Part-Detector + Spatial Model）上进行微调和反向传播。 使用卷积网络的高效对象定位基于前面提到的工作，这项研究实现了一个多分辨率的 ConvNet 来估计图像小区域内的联合偏移位置。下面，我们找到了架构，并且很容易看到与之前讨论的架构的相似之处。此外，还添加了一个 Spatial Dropout 层。发现由于特征图中的强空间相关性，应用标准 dropout 并不能防止过度拟合。解决方案是删除整个一维特征图，以促进特征图之间的独立性。与之前类似，（粗）热图被传递到 MRF，它将过滤掉解剖学上不可行的姿势。下一步是恢复由于池化而丢失的空间信息。这是通过使用另一个 ConvNet 来细化粗热图的结果来实现的。 卷积姿势机器卷积姿势机器 (Convolutional Pose Machines--CPM) 继承并建立在姿势机器 (PM) 架构上，该架构将来自身体部位和不同尺度的丰富空间交互整合到一个模块化和顺序框架中。正如我们将看到的，CPM 通过利用卷积架构进一步提升 PM，该架构学习图像和空间上下文的特征表示。正如我们在下面看到的，PM 是一种顺序预测算法，它模拟消息传递的机制来预测每个身体部位的置信度。基本原理是每个身体部位的估计置信度在每个阶段迭代提高。消息传递可以理解为一个概率分类序列，其中预测器（无论是哪种类型的多类分类器）的输出成为下一个预测器的输入。Architecture of a 1 Stage Pose Machine (a) and a 2 Stage Pose Machine (b)在每个阶段，分类器根据先前分类器的输出和图像的特征，为每个身体部位以置信度预测位置。然后，对于每个阶段，都会对预测进行细化。最后，我们可以观察到，对于每个图像，通过以不同的比例重用图像来创建分层表示。在第 1 级，如图像中所见，对整个模型进行粗略表示，而第 2 级表示身体部位的组成，最后第 3 级，即最精细的表示，由关键点周围的区域构成。在所有层次结构级别上训练每个阶段的单个多类预测器。这意味着训练每个预测器以从特征向量输出每个关键点的一组置信度，特征向量可以来自任何层次级别。在 (a) 行下方，我们可以观察如何通过连接位置 z 中的置信度分数来构建每个身体部位的置信度之间的空间相关性，从而生成矢量化补丁。为了获得远程交互，应用非极大值抑制来获得每个关键点/身体部位的峰值列表（高置信度位置），从中可以计算极坐标中的偏移量。用 CNN 替换预测和特征提取部分，然后产生我们的 CPM，一个端到端的架构。Architecture of the Pose Machine (a & b) and Convolutional Pose Machine (c & d) 该架构的第一阶段基于输入图像从不断增长的感受野中创建特征图。随后的阶段将使用输入图像和前一阶段的特征图来细化每个身体部位的预测。使用中间损失层可以防止梯度在训练过程中消失。正如论文中所述，后续预测器可以利用先前的特征图作为某些部分应该在哪里的强线索，从而有助于消除错误的估计。通过逐渐增加感受野，该模型可以学习在特征图中结合上下文信息，从而使其能够学习身体部位的复杂关系，而无需对任何表示人体的图形模型进行建模。 堆积沙漏网络由于需要在每个尺度上捕获信息，因此开发了一种新颖的 CNN 架构，其中处理所有尺度的特征以捕获人体的空间关系。局部信息对于识别身体部位是必要的，而解剖学理解在不同的尺度上得到更好的识别。 Architecture of an hourglass module 在上图中，我们可以立即看出自下而上和自上而下处理的对称分区。这种类型的架构之前讨论过语义分割，只是它被称为 conv-deconv 或encoder-decoder架构。通常，一组卷积和最大池化层处理输入特征。在每个最大池化层之后，我们将网络分支出来，并将另一组卷积和最大池化层应用于原始特征输入。在上图中，每个块由一组卷积和最大池化层组成。 conv层的精确配置非常灵活。从 ResNets 的成功来看，作者最终在每个块中实现了一个残差模块。一旦达到最低分辨率，就会启动解码器或自上而下的方法，其中网络有效地组合了不同尺度的特征。最后，在图像中不可见，应用两个 1x1 卷积来生成一组热图，其中每个热图预测关键点存在的概率。通过创建一系列沙漏模块，其中一个的输出馈送另一个的输入，获得了一种重新评估特征和高阶空间关系的机制。与以前类似，它提供了具有中间损失函数的关键。按原样，损失（或监督）只能在上采样阶段之后提供。因此，无法在更大的全局环境中重新评估这些特征。这意味着，如果我们希望网络改进预测，这些预测不仅必须是局部尺度的，而且必须具有更大的尺度，以使预测能够在更大的图像上下文中相关联。下面，我们可以观察到提出的解决方案：在生成的热图上应用损失的中间监督过程概述（蓝色） 生成中间热图，对其应用损失，然后使用 1x1 conv 将这些热图重新映射到特征，并将它们与先前沙漏模块输出的特征相结合。训练是在 8 个沙漏模块的序列上完成的，其中彼此不共享权重。在热图上使用均方损失，每个模块使用相同的损失函数和基本事实。 OpenPoseOpenPose 也是第一个用于实时关键点检测的开源库，是一种改进的 CMUPose。在 CMUPose 中，提出了第一个使用部件亲和域 (Part Affinity Fields--PAF) 的自底向上姿态估计器。给定输入图像，表示关键点出现在每个像素上的概率的热图是，并生成部分亲和力的向量场。 两者都是由下面观察到的 2 分支多级 CNN 产生的。输入图像通过微调 VGG 的前 10 层，从中生成特征图 F。然后将此特征图 F 用作每个分支的第一阶段的输入。分支 1（顶部分支）预测关键点的置信度图，而分支 2 预测部分亲和力字段。通过连接来自两个分支的先前预测和特征图 F 来细化置信度图和亲和力字段。在阶段结束时，L2 损失应用于估计和真实值之间。正如之前经常看到的，置信度图是 2D 热图，表达了关键点存在于给定像素的信念。部分亲和字段是二维矢量字段，它编码从肢体的一个部分到另一部分的方向。这种特征表示的优势在于它保留了肢体支撑区域的位置和方向信息。执行非最大抑制，我们获得一组候选身体部位位置。然后可以将其中的每一个分配给几个人。使用线积分计算来量化沿曲线的场对亲和场的影响，身体部位与人类相匹配。在 CMUPose 工作的基础上，OpenPose 仅利用 PAF 进行姿势估计任务，从而消除了身体部位的置信度。下面，我们可以观察到 PAF 首先被编码，它代表了部分到部分的关联，然后被输入到 CNN 中以推断检测置信度图。Architecture of multi-stage OpenPose通过用 3 个连续的 3x3 内核替换 7x7 卷积层来增加网络深度，这些内核输出连接。在计算方面，处理减半，因为不再需要在每个阶段细化 PAF 和置信度图。相反，首先将 PAF 细化并传递到下一阶段，然后再细化置信度图。如果处理 PAF，则可以推断出身体部位的位置，但反之则不然。 (Higher)HRNet讨论了一种新颖的架构，其中从高到低分辨率的子网络是并行连接的，而不是像大多数现有解决方案那样串联连接，这些解决方案保持高分辨率表示。HRNet architecture 通过跨子网络的多尺度融合获得丰富的高分辨率特征，使得每个从高到低的分辨率表示从其他并行表示接收信息。 下采样通过使用跨步卷积发生，而上采样通过 1x1 卷积和最近邻上采样发生。热图从主要的高分辨率分支回归。基于这项初步工作，Higher HRNet 解决了 2 个主要挑战：如何在不牺牲大人物的推理性能的情况下提高小人物的推理性能？如何生成高分辨率热图用于小人物的关键点检测？ 使用 HRNet 作为主干，HigherHRNet（下图）添加了一个反卷积模块，其中热图是从更高分辨率的特征图预测的。stem是 2 个 3x3 conv 层的序列，将分辨率降低四分之一，然后输入通过 HRNet 主干。4x4 反卷积层，然后是 BatchNorm 和 ReLU，将特征和预测热图作为输入，并生成两倍于输入大小的特征图。在 de-conv 层之后添加残差块 (4) 以细化高分辨率特征图。最后，通过使用双线性插值对低分辨率特征图进行上采样来聚合特征金字塔的热图，并通过对所有热图求平均值来获得最终预测。 PifPafPifPaf 的开发目标是估计城市环境中拥挤人群中的人体姿势，使其适用于自动驾驶汽车、送货机器人等。下面，我们观察到 ResNet 主干与 2 个头一起使用：部分强度场 (Part Intensity Field--PIF) 预测关键点的位置、大小及其置信度，而部分关联场 (Part Association Field--PAF) 预测关键点之间的关联。PifPaf Architecture 更具体地说，PIF 输出一个置信度，一个向量分量指向最近的关键点，具有扩展因子和比例。如下所示，置信度图非常粗糙。因此，通过将其与生成更高分辨率置信图的矢量场融合，可以改进该置信图的定位。然后可以从这个领域学习关节的尺度或空间范围。这种规模和上述传播有助于提高不同体型的人的姿势估计性能。Left: confidence map, Middle: vector field, Right: fused confidence map 通过尝试连接一对关键点关联，使用 PAF 将关节位置自下而上连接成姿势。这 19 个关联的示例是：左脚踝到左膝左臀到右臀鼻子到右眼AF 关联左肩和左髋 对于给定的特征图，在每个位置，关键点关联的两个向量的原点被 PAF 预测为置信度（左上图）。高于 0.5 的关联置信度显示在右侧。 最后，解码器获取两个字段（PIF 和 PAF）并将它们转换为一组代表人体骨骼的坐标 (17)。贪心算法通过降低置信度来创建所有关键点类型的优先级队列。这些点用作候选（种子），它们从队列中弹出，并在 PAF 字段的帮助下添加到其他关节的连接。由于当前和下一个关键点之间可能发生双重连接，因此对 PAS 关联进行评分。最后，对每个关键点类型应用非最大抑制来生成人体骨骼。 DirectPose提出了第一个多人姿势估计器，其中关键点注释用于端到端的训练，而对于推理，该模型能够将输入映射到每个单独实例的关键点，而无需进行任何框检测。基于无锚物体检测的出现，它立即回归目标边界框的两个角，研究人员解决了这种检测技术是否可用于检测关键点的问题。基本原理是检测任务可以重新表述为具有 2 个以上角点的特殊边界框。他们证明它表现不佳，主要是因为只有一个特征向量用于回归所有关键点。他们通过使用一个用于关键点检测的输出分支扩展全卷积单阶段对象检测 (FCOS) 架构来解决这一挑战。FCOS Architecture FCOS 以每像素的方式重新制定目标检测任务。与语义分割类似，FCOS 将输入图像上的像素视为训练样本，而不是基于锚的检测器中的锚框。落入边界框基本事实的像素被认为是积极的，并获得以下内容：基本事实的类标签一个 4D 向量，表示从该位置到边界框四个边的距离，用作该位置的回归目标 使用特征金字塔网络 (FPN) 可确保对不同尺度的对象大小具有更好的鲁棒性。由主干 (ResNet50) 生成的特征图后跟 1x1 卷积。特征层P3、P4、P5、P6和P7的步长分别为8、16、32、64和128。除P6和P7外，各自的横向连接和自上而下的路径通过加法合并。多级预测还处理两个不同大小的不同边界框相互重叠的可能性。FCOS 使用以下阈值限制不同特征图级别的回归：0、64、128、256、512 和所有特征级别（P3 到 P7）的无穷大。这些阈值表示特征级别 Pn 需要回归的最大距离。如果仍然出现重叠的边界框，则选择最小的边界框。由于不同的特征级别回归不同的尺寸范围，因此需要不同的头部。最后，由于远离对象中心的许多低质量的预测边界框，作者引入了中心度的概念。这个头部根据边界框的 4 个边的位置预测归一化距离。DirectPose 将关键点视为具有 K 个角点的非常特殊的边界框。然而，在他们的实验中，由于特征与预测的关键点之间缺乏对齐，观察到了较差的性能。这是因为许多关键点远离特征向量的感受野中心。随着输入信号越来越偏离感受野的中心，特征对该输入的响应强度逐渐衰减。因此，提出了关键点对齐模块（Keypoint Align Module--KPAM）。以一个 256 通道的特征图作为输入，KPAM 会密集地滑动这个特征图。定位器，顾名思义，定位特征向量预测关键点实例的位置的索引，特征样本从中采样长度为 256 的特征向量。对于第 n 个关键点，第 n 个卷积层将作为输入第 n 个特征向量并将预测相对于采样特征向量位置的坐标。通过对来自 Locator 和来自 KPAlign 的 K 个偏移量求和，我们获得需要重新缩放以匹配原始特征图的坐标。最后使用了一个小的调整，其中始终存在于一个区域（鼻子、眼睛和耳朵）中的关键点被分组并使用相同的特征向量。最后，我们可以看到 KPAM 如何替换前面提到的 FCOS 架构的边界框模块。我们确实观察到一个额外的热图分支，它被用作辅助任务/损失，使基于回归的任务更加可行。 DirectPose Architecture Conclusion显然，估计姿态的任务是相当大的挑战。 一再证明自下而上的方法优于自上而下的方法，但需要将关键点与人相关联。 这种生成最终实例感知关键点的分组或组装过程可以使用启发式、人体骨骼建模（图形结构）和/或堆叠置信度图来完成。此外，当认为未知数量的人可以出现在图像上的任何地方和任何比例时，复杂性就会爆炸。人机交互、关节和当然遮挡使关键点组装过程变得复杂。姿势估计在人机交互、动作识别、监视、图片理解、威胁预测、机器人、AR 和 VR、动画和游戏等领域有重要应用。

视频监控中的多目标跟踪(MTT)是一项重要而富有挑战性的任务，由于其在各个领域的潜在应用而引起了研究人员的广泛关注。多目标跟踪任务需要在每帧中单独定位目标，这仍然是一个巨大的挑战，因为目标的外观会立即发生变化，并且会出现极端的遮挡。除此之外，多目标跟踪框架需要执行多个任务，即目标检测、轨迹估计、帧间关联和重新识别。已经提出了各种方法，并做出了一些假设，以将问题约束在特定问题的上下文中。本文对利用深度学习表征能力的MTT模型进行了综述。多目标跟踪分为目标检测和跟踪两个主要任务。为了区分组内对象，MTT算法将唯一ID与在特定时间内保持特定于该对象的每个检测到的对象相关联。然后利用这些ID来生成被跟踪对象的运动轨迹。目标检测的精度决定了目标跟踪系统的有效性。MTT模型的精度受比例变化、频繁的id切换、旋转、光照变化等因素的影响很大。图1显示了MTT算法的输出。此外，多目标跟踪系统中存在背景杂波、后移、航迹初始化和终止等复杂任务。为了克服这些问题，研究人员利用深度神经网络，提出了多种策略。 MTT算法的分类根据对象的初始化方式，MOT实现可分为基于检测(DBT)或无检测跟踪(Detection free tracking, DFT)。然而，MTT模型是围绕基于检测的训练进行标准化的，其中检测(识别帧中的对象)是作为预跟踪步骤来检索的。由于DBT中需要一个目标检测器来识别目标，因此性能在很大程度上取决于检测器的质量，因此选择一个检测框架是至关重要的。 无检测跟踪(DFT)检测器的输出通常被用作跟踪器的输入，跟踪器的输出被提供给运动预测算法，该算法预测物体在接下来的几秒钟内将移动到哪里。然而，在无检测跟踪中，情况并非如此。基于DFT的模型要求必须在第一帧中手动初始化固定数量的对象，然后必须在随后的帧中对这些对象进行定位。DFT是一项困难的任务，因为关于要跟踪的对象的信息有限，而且这些信息不清楚。结果，初始边界框仅与背景中的感兴趣对象近似，并且对象的外观可能随着时间的推移而急剧改变。 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。在线跟踪(Online tracking)在线跟踪算法，也称为顺序跟踪，根据过去和现在的信息生成对当前帧的预测。这种类型的算法以分步方式处理帧。在一些应用中，例如自动驾驶和机器人导航，这些信息是必不可少的。 批次跟踪(Batch tracking)为了确定给定帧中的对象身份，批次跟踪(离线跟踪)技术使用前一帧的信息。它们经常使用全局数据，从而提高了跟踪质量；但是，由于计算和内存的限制，并不总是能够一次处理所有帧。 深度学习算法大多数算法共有的主要步骤如下：目标检测(Object Detection)阶段：通过分析输入帧，使用边界框在一系列帧中定位目标。运动预测(Motion Prediction)阶段：分析检测以提取外观、运动或交互特征。亲和度(Affinity)计算阶段：将提取的特征用于检测对之间的相似度/距离计算。关联(Association)阶段：通过向对应于相同目标的检测提供相同的ID，在关联中利用相似性/距离度量。 检测阶段检测阶段主要用的是目标检测中的一些算法。YOLO单卷积神经网络在一次评价中直接从全图中预测多个bounding boxes和类概率，在全图上训练并直接优化检测性能，同时学习目标的泛化表示。然而，YOLO对边界框预测施加了严格的空间约束，限制了模型可以预测的相邻项目的数量。成群出现的小物件，如鸟类，对于此模型也同样有问题。faster R-CNN，一个由全深度CNN组成的单一统一对象识别网络，提高了检测的准确性和效率，同时减少了计算开销。该模型集成了一种在区域方案微调之间交替的训练方法，使得统一的、基于深度学习的目标识别系统能够以接近实时的帧率运行，然后在保持固定目标的同时微调目标检测。在某些监视画面中，遮挡是十分频繁，以至于不可能像在人类的情况下那样检测对象的整个形状。为了解决这个问题，Khan等人提出了经过训练仅检测头部位置的时间一致性模型(temporal consistency model)。同样，一些技术也被探索到只跟踪头部位置，而不是整个身体形状。Bewley在EL29上提出了framework SORT，以利用基于CNN的检测的力量，在MOT前景中，它在速度和准确性方面都取得了同类最好的性能，它专注于帧到帧的预测和关联。通过将从聚合信道特征(Aggregated Channel Features, ACF)获得的检测替换为Faster RCNN计算的检测，基于卡尔曼滤波器和匈牙利算法的体系结构，它变得能够被评为性能最好的。在某些情况下，CNN在检测步骤中被用于构建目标边界框之外的其他目的。对于多目标(如汽车)的跟踪，结合鲁棒检测和二分类器的新策略，对于多车辆的鲁棒和精确识别，Min提出了升级的ViBe。当ViBe算法被用来识别汽车时，CNN用它来消除假阳性。它能有效地抑制动态噪声，并能快速去除鬼影和物体的残留阴影。 运动预测(Motion Prediction)阶段深度模型用于研究诸如时间和空间注意图或时间顺序之类的MOT特征时，性能可以得到改善。一些基于端到端深度学习的模型，不仅可以提取外观描述符的特征，还可以提取运动信息的特征。Wang等人提出了最早在MOT管道中应用DL的方法之一。该系统充分利用了单目标跟踪器的优点，在不影响计算能力的前提下解决了由于遮挡造成的漂移问题；为了提高提取特征，网络采用了两层堆叠的编码器，然后利用支持向量机计算亲和度。目标的可见性图被学习，然后被用来推断空间注意图，该空间注意图随后被用来对特征进行加权。此外，可见性贴图还可用于估计遮挡状态。这就是所谓的时间注意过程。最常用的基于CNN的方法可进一步分为：用于特征提取的经典CNN和siamese CNN。 经典CNNKim等人声称多假设跟踪(Multiple Hypotheses Tracking, MHT)技术与现有的视觉跟踪视角是兼容的。现代基于检测的跟踪技术的进步和用于物体外观的高效特征表示的发展为MHT过程提供了新的可能性。他们通过整合一个正则化的最小二乘框架来改进MHT，该框架用于在线训练每个跟踪目标的外观模型。Wojke等人提出了对SORT的改进，虽然在高帧率下获得了较好的精度和精度，但产生了相对较多的单位移位。Wojke等人通过整合外观运动信息对其进行了改进，通过将关联度量替换为卷积神经网络(CNN)，克服了这个问题。卷积神经网络经过训练，可以在大规模的行人重识别数据集中区分行人。与SORT相比，升级的跟踪系统有效地将身份翻转的次数从1423次减少到781次。这减少了约45%，在保持实时速度的同时实现了具有竞争力的性能。 Siamese CNNSiamese CNN已经被证明在MOT中很有用，因为跟踪阶段的特征学习的目的是确定检测和跟踪之间的相似性。Leal-taxe等人提出了一种两阶段匹配检测方法的策略，为行人跟踪中的目标关联挑战提供了新的视角。在这种情况下，他们将CNN的概念应用到多人跟踪中，并提出学习两个检测是否属于同一轨迹的判断，以避免手动设计特征进行数据关联。模型的学习框架分为两个阶段。CNN在Siamese 结构中进行预训练，以测量两个大小相等的图像区域的相似性，然后将CNN与收集到的特征进行合并以产生预测。通过将跟踪问题描述为线性规划，并将深度特征和运动信息与梯度增强方法相结合，它们很好地解决了跟踪问题。 亲和度(Affinity)计算阶段虽然一些实现使用深度学习模型来立即生成亲和度分数，而不需要特征之间的显式距离度量，但仍然有其他方法通过对CNN获得的特征应用一些距离度量来计算跟踪和检测之间的亲和度。米兰等人解决了神经网络环境中数据关联和轨迹估计的难题。在线MOT任务中跟踪目标的状态估计采用由观测预测和更新组成的递归贝叶斯滤波器，该模型扩展了RNN对该过程进行建模，将目标状态、现有观测及其对应的匹配矩阵以及存在前景作为输入输入到网络中。该模型输出目标的预测状态和更新结果，以及判断目标是否终止的存在概率，取得了较好的跟踪效果。Chen等人建议计算采样粒子和跟踪目标之间的亲和力，而不是计算目标和探测器之间的亲和力。取而代之的是，使用与被跟踪对象不一致的检测来创建新的轨迹并恢复丢失的对象。尽管它是一个在线监测算法，但在发表时，它能够在MOT15上获得最好的结果，既使用公共检测，也使用私人检测。 跟踪/关联阶段在一些MTT模型中已经使用深度学习来改进关联步骤。Ma等人在扩大Siamese跟踪器网络时，采用了双向GRU来决定在何处终止跟踪器。对于每一次检测，网络提取轨迹特征并将其发送到双向GRU网络，双向GRU网络的输出在欧几里德空间中短暂汇集以提供轨迹的整体特征。在跟踪过程中，根据双向GRU输出之间的局部距离，生成子轨，然后将其拆分成小的子轨；最后，考虑到时间池全局方面的相似性，将这些子轨重新连接到长轨迹。在MOT16数据集上，此方法获得的结果与最新SOTA水平相当。勒恩等人提出了一种使用多个深层RL(强化学习) 智能体完成关联任务的协同实现方案。预测网络和决策网络是该模型的两个关键组成部分。利用最新的跟踪轨迹，CNN被用作预测网络，并被训练以预测新帧中的目标运动。 其它方法除了基于以上四个步骤的模型，还存在一些其它的方法。Jiang等人利用Deep RL代理完成了bounding boxes回归，提高了跟踪算法的效率；采用VGG-16CNN进行外观提取，提取的特征保存并使用目标最近10次运动的历史记录，然后集成网络预测bounding boxes运动、缩放以及终止动作等多种备选结果之一。在MOT15数据集上，在几种最先进的MOT算法上使用这种bounding boxes回归方法，提高了2到7个绝对MoTA点，使其在公共检测方法中名列前茅。Xiang等人部署MetricNet进行行人跟踪，将亲和力模型与贝叶斯滤波器得到的轨迹估计相结合。利用VGG-16CNN对目标进行再识别训练，提取特征并进行bounding boxes回归，运动模型分为两部分，一部分以轨迹坐标作为输入，另一部分结合检测框进行贝叶斯滤波，并在MOT16和MOT15上输出目标的更新位置，该算法在在线方法中分别获得了最好的和次佳的得分。无模型单目标跟踪(model free single object tacking) SOT算法的最新进展极大地推动了SOT在多目标跟踪(MOT)中的应用，以提高恢复能力并减少对外部检测器的依赖。另一方面，SOT算法通常被设计成将目标与其周围环境区分开来，当目标在空间上与类似的伪像混合时，它们经常会遇到问题，就像在MOT中看到的那样。Chu等人提出了一种模型来解决鲁棒性和消除对外部检测器的依赖问题。他们在算法中使用了三种不同的CNN实现了一个模型。集成PafNet以区分背景和跟踪对象。该部分对跟踪目标进行区分，另一个集成的CNN是卷积层，它决定了跟踪模型是否需要刷新。使用支持向量机分类器和匈牙利技术，使用非关联检测来从目标遮挡中恢复。该算法在MOT15和MOT16数据集上进行了测试，第一种方法产生了最好的总体结果，第二种方法产生了在线方法中最好的结果。 评估指标最相关的是Classical metrics 和 CLEAR MOT metrics。Classical metrics指出了算法可能遇到的缺陷，如多目标跟踪(MT)轨迹、多丢失(ML)轨迹、ID切换等。CLEAR MOT metrics有MOTA(多对象跟踪精度)和MOTP(多对象跟踪精度)。MOTA将假阳性、假阴性和失配率合并为单个值，从而产生总体良好的跟踪性能。尽管有一些缺陷和抱怨，但这是迄今为止使用最广泛的评估方法。MOTP描述了使用边界框重叠和/或距离测量来跟踪对象的精确度。 基准数据集基准数据集包括 MOTChallenger、KITTI、UADETRAC。MOTChallest数据集是目前可用的最大、最完整的行人跟踪数据集，为训练深度模型提供了更多的数据。MOT15是最初的MOT挑战数据集，它的特点是视频具有一系列属性，模型需要更好地推广这些属性才能获得好的结果。MOT16和MOT19是其他修改版本。 基准结果如下为Gioele等人列出在MOT ChallengeMOT15数据集和MOT16数据集上测试的公开结果，这些数据集记录自相应的出版物，以便对本工作中提到的方法之间的结果进行清晰的比较。由于检测质量对性能有影响，因此将研究结果分为基于公共检测的模型和基于私有检测的模型。这些方法分为两类：在线和离线。发布的参考文档的年份、其操作模式、MOTA、MOTP、IDF1、主要跟踪(MT)和主要丢失(ML)指标，以百分比表示；假阳性(FP)、假阴性(FN)、ID开关(IDS)和碎片(Frag)的绝对数；以每秒帧数(Hz)表示的算法速度。对于每个度量，向上的箭头(↑)表示更高的分数，而向下的箭头(↓)表示相反的分数。在运行相同模式(批处理/在线)的模型中强调最佳性能，并且每个统计数据都以粗体突出显示。我们只在表2和表3中列出了从本综述中访问的模型获得的结果。在现实中，使用深度学习和具有在线处理模式的模型产生了最大的结果。然而，这可能是更加重视建立在线方法的结果，这在MOT深度学习研究社区中变得越来越流行。大量的碎片化是在线方法中经常出现的问题，这在MOTA得分中没有反映出来。当遮挡或探测丢失时，在线算法不会向前看，不会重新识别丢失的目标，也不会插入视频中丢失的轨迹片段。 结论本文对利用深度学习解决MTT问题的方法进行了简要的探索。这项研究讨论了使用深度学习来解决MTT问题的四个步骤中的每一个步骤的解决方案，使SOTA的MOT技术的总数达到n。对MOT算法的评估，包括评估措施和来自可访问数据集的基准结果，进行了简要的讨论。单对象跟踪器最近受益于将深度模型引入全局图优化算法，从而产生了高性能的在线跟踪器；另一方面，批处理技术受益于将深度模型引入全局图优化算法。

第一章 行业概况印制电路板（Printed Circuit Board，PCB）作为一种基础的电子元器件广泛应用于各种电子及相关产品。PCB出现之前电路中的电子元器件均由电线直连，该方法简单直观，但电子元器件数量增加使得直连复杂程度和制造成本迅速提升，事实上超过一定数目的电子元器件相互直连几乎无法实现。PCB通过在绝缘基材上加金属材料作导线的方法，大大降低了复杂电路的实现难度和制作成本，因此PCB出现后，迅速在电子元器件的互连中占据主导地位。广义的PCB产业包括从电路设计、制造检测到元器件组装的全过程，狭义的PCB产业则特指制造检测环节。PCB的制造品质直接影响最终电子产品的功能和可靠性，因此PCB是电子信息产业中基础且重要的子行业。一块完整的PCB板通常由线路与图形、介电层、导通孔、防焊油墨、丝印、表面处理层等构成，不同部件发挥的不同的作用。得益于数字货币等新下游领域强力拉动，2017年PCB行业结束连续两年下滑态势，全球PCB市场规模同比增长8.6%，达到588亿美元，预计2022年PCB市场规模将达688亿美元，2017~2022期间CAAGR为3.2%。图 2007~2022年全球PCB产值及增长率资料来源：资产信息网 千际投行 Prismark及行业调研产品结构看，多层板市场占比虽从2000年的53.4%下降至2016年的38.1%，但依然是产值最大的细分市场；HDI板占比提升最快，从2000年的5%上涨至16年的14%。图 2000（左）与2017（右）PCB细分产品占比资料来源：资产信息网 千际投行 Prismark及行业调研从2000年开始，中国PCB产业始终保持较高的增长速度，产值占全球的比重不断增加，总体产值在2006年超过日本成为全球第一。2017年，我国PCB行业产值达297.3亿美元，同比增长9.6%。预计未来几年中国PCB市场仍能保持3%以上的增长速度。图 2007-2022 年国内PCB产值及增长率资料来源：资产信息网 千际投行 Prismark及行业调研国内PCB产品结构正在逐步发生优化，其中传统产品单/双面板及多层板的销售占比正在逐步降低，高技术含量、高附加值的HDI板、封装基板、挠性板等产品销售占比则不断提高。 根据Prismark数据，2016年，国内硬板、复合板的市场占比分别为13.0%、3.7%，而4层板、6层板及8至16层板的市场占比分别为19.1%、13.5%和10.4%，IC载板、18层及以上高层板销量占比较小，分别仅为2.7%和1.2%。HDI板和柔性板的市场占比分别为 16.5%、17.1%。过去几十年来，全球PCB格局经历了几次明显的产业中心转移。上世纪80年代，美国主导全球PCB市场，其PCB产值占全球总产值的比例达30%-40%。进入90年代后，日本企业突破了新的PCB技术从而取得领先优势。同时在日本国内电子行业需求快速增长的拉动下，日本PCB产值快速增长，一举超过美国成为新的制造中心。从2001年开始，西方国家和日本迫于环保政策和成本增长的压力，其PCB产值不断收缩，台湾PCB市场开始迅速崛起，出现了一批如健鼎、欣兴和臻鼎等全球巨头，开启台湾PCB黄金时期。由于中国大陆劳动力成本低廉、内需市场巨大且具备完善的产业配套资源，中国PCB市场与台湾几乎一起崛起，到2005年，中国大陆产值超越日本，首次成为全球最大的PCB生产基地。2010-2011年，美国、欧洲和日本的PCB产值明显衰退，占全球PCB总产值的比例亦迅速下降，此期间中国大陆和台湾地区产值持续增加。从2011年起，除美国、欧洲和日本的产值继续衰退外，台湾地区产值也出现衰退现象。至此，全球主要国家/地区的PCB产值均向中国大陆转移。图 PCB世界市场分布情况资料来源：资产信息网 千际投行 平安证券2017年全球产值1亿美元以上的企业共115家，百强总产值581.8亿美元；2017年，中国内资在全球百强中的数量持续上升，已达46家；台湾（25）；日本（21），中国内资在全球百强中的总产值（123.8亿美元，年增长率达20.4%，为各国家/地区最高）和日本已很接近（125.5亿），预计2018年中国内资总产值将超越日本；中国企业上榜企业数量为46家，占21.3%，市场份额仅次于中国台湾的33.3%和日本的21.6%。表 全球百强企业按国家/地区分布数据（单位：百万美元）资料来源：资产信息网 千际投行 NT Information由于下游应用领域广泛，PCB产业受下游单一行业影响小，全球PCB行业主要随宏观经济波动以及电子信息产业的整体发展状况而变化。2008年至2016年PCB产业总产值增长率与全球GDP增长率高度正相关，呈现出周期性的发展规律。从更长时间周期看，全球PCB行业呈现波动上升趋势，每个上升阶段的增速、市场结构和主要驱动因素都有所差异。1980~1990年阶段全球PCB市场规模以12.7%的年增速快速扩大，PCB技术上由单层向双层及多层发展，主要驱动力来自电子信息产业的迅猛发展，日本PCB产业在该阶段快速发展。1992~2000年阶段，全球进入互联网1.0时代，IT产业是该阶段PCB行业发展核心驱动力， HDI、FPC等技术发展也推动PCB行业更好满足IT产业需求，行业复合增速7.1%，该阶段韩国、台湾PCB产业的全球市场份额逐年上升。2000年互联网泡沫破灭使行业连续两年负增长，2002年到2010年行业波动增长，08年金融危机造成全球需求明显下降，复合增速降低至2.1%，该阶段产业向中国转移的趋势明显，全球各地区PCB产业发展日趋分化。在智能手机等消费电子行业驱动下，2010~2020年行业进入另一段平稳增长期，该阶段复合增速约1.3%。目前PCB主要下游行业包括通信、计算机、消费电子、半导体、汽车、工业、医疗、航空航天等，从2017年的PCB按应用占比看，通信和计算机市场份额均超过20%；消费电子、半导体、汽车紧随其后，占比在9-14%之间；工业、医疗、航天航空等市场份额占比更小一些，处于2%-5%区间。上述行业的需求变化直接影响PCB行业增速。图 全球PCB行业按应用占比资料来源：资产信息网 千际投行 Prismark及行业调研第二章 商业模式和技术发展2.1 产业链价值链PCB上游原材料包括铜箔、树脂、玻纤布、木浆、油墨、铜球等，其中铜箔、树脂和玻纤布是三大主要原材料；中游制造是指通过蚀刻等工艺将覆铜板制作成PCB板的过程；下游则是通信、计算机等各类PCB的应用。图 PCB板产业链示意图资料来源：资产信息网 千际投行 搜狐上游原材料PCB的主要原料为覆铜板（Copper Clad Laminat，简称CCL），约占生产成本的40%。覆铜板的主要材料为铜箔，占其成本的比重约为30%~50%，对覆铜板价格产生重要影响。玻纤布是覆铜板的第二大原材料，由玻纤纱纺织而成，在覆铜板中起到增加强度、绝缘的作用，占覆铜板的成本约为25%~40%。合成树脂是覆铜板的重要原材料，具有较好的力学性能、电性能和黏结性能，在覆铜板中起粘合作用，占覆铜板成本约为15%。中游CCL和PCB板制造覆铜板是以电子级玻璃纤维布或木浆纸等补强材料为基材，浸以树脂，经烘干处理后，制成半固化状态的粘结片，然后敷上铜箔，经特殊的热压工艺制成的。覆铜板行业资金需求量较大，产能集中度较高，规模足够大的CCL企业对上下游均有较强议价能力。经过数十年的市场化竞争，全球已形成相对集中和稳定的CCL供应格局，前三家市场份额约为33.6%，前十家市场份额约为72.5%。通过图形电镀、蚀刻等步骤对CCL进行加工，获得最终的PCB产品。相对覆铜板行业，全球PCB产业集中度较低，前三家市场份额约为15%，前十家市场份额约为26%。下游应用PCB广泛应用于计算机、通信、消费电子、工控医疗、军事、半导体和汽车等行业，几乎涉及所有电子信息产品。其中，计算机、通信和消费电子是三大主要应用领域，占据了PCB行业产值的70%左右。2.2 商业模式PCB的生产具有较强的定制化特点，产品往往需要按照客户的技术特点和设计要求进行量身定制。因此，PCB行业在原材料采购、产品的生产和销售方面都形成了行业特有的经营模式。采购模式PCB行业对于原材料的采购通常是结合订单情况进行按需采购，原材料的采购具有采购频率高的特点，在按需采购的基础上企业为了保证产品按时交付，也会对一些通用的原材料（如覆铜板）进行一定量的备货。PCB厂商一般会选择多家合格供应商进行长期合作，避免对单一供应商的过度依赖。下游客户通常会向PCB厂商提供覆铜板合格供应商名录供PCB厂商从中选择或是由双方协商确定覆铜板合格供应商，覆铜板采购具有一定指定采购的特点。生产模式PCB产品采取“按单生产”的模式，根据接单模式，一般分为两类，批量订单和小批量多品种订单。批量订单的排产和生产周期一般在10-15天左右；小批量多品种订单的排产和生产周期则更短。消费电子、能源、电源等行业通常以批量订单为主。销售模式PCB厂商一般采用向下游客户直接销售为主、通过贸易代理为辅的销售模式。企业一般先与下游终端客户签订框架性买卖合同和质量协议，约定产品类型、技术指标、质量标准、交货模式和结算方式等，在合同期内根据客户订单组织生产和销售。在交付方式上，分为寄售和直接交货两种模式。寄售模式下，企业根据客户需求进行生产并将货物运送至客户指定仓库，客户领用货物后，货物的所有权转移至客户。2.3 技术发展在PCB的技术发展方面，随着我国科技的进步，当前以导通孔微小化、导线精细化、积层多层板和集成组件板为主导的新一代PCB产品已经逐渐发展和成熟。同时，以激光技术、等离子技术和纳米技术等为代表加工与生产的新一代PCB材料与产品也已出现。因此，该等新技术、新工艺将推动PCB产品全面向高密度化、集成组件的方向发展。在PCB的产品发展方面，虽然我国已经成为全球最大生产基地，但高端PCB生产技术仍与欧美和日本存在一些差距。当前，日本集中在高阶HDI板、封装基板、高层挠性板等高端产品领域；美国则以应用于军事、航空和通信等高科技领域的高端多层板为主；韩国和中国台湾以附加值较高的封装基板和HDI板为主。目前中国大陆大部分PCB厂商仍然以生产普通PCB产品为主，产品附加值较低、产品制造技术和工艺水平不高。因此当前，已经有一批中国大陆领先企业开始了高端产品研发和生产线建造，未来，高端产品也将成我国PCB行业的产品发展主要方向。印制电路板是一个市场细分复杂的行业，不同的印制电路板虽有一些共同的基本工艺，但更重要的是根据基材厚度和材质、要求的线宽和线距大小、精度、PCB的结构、生产规模、装连工艺及客户指定需求等，结合生产企业的特色工艺和服务各种类型客户的经验，确定不同的生产工艺和设备，进行定制化的生产和服务。另一方面，PCB产品类型丰富繁杂，刚性板、柔性板、HDI等虽然在工艺上有共通点，但是在具体生产中，各类型产品都有自己一套独立的生产体系，这也往往是一些中小厂商集中生产某个类型PCB产品的原因，无法达到大型厂商可以满足下游客户“一站式采购”的水平。随着电子产品日益朝智能化、轻薄化、精密化方向发展，其对于PCB产品的技术先进性及稳定性要求日益提高，这意味着生产企业必须拥有先进的生产设备、精湛的生产工艺及不断创新的生产技术，进入PCB行业的技术壁垒亦将日益提高。2.4 政策监管鉴于PCB在电子信息产业中的重要地位，近年来我国政府和行业主管部门推出了一系列相关产业政策和法律法规，具体如下：表 PCB行业相关法律法规资料来源：资产信息网 千际投行 搜狐PCB行业由于高污染排放问题一直受到各国环保政策的严厉监管。这也是发达国家产能向发展中国家转移的重要因素之一。随着我国环保法规日益完善和严格，2017年以来环保政策对PCB行业影响明显增加。2017年12月，为了保证昆山市河流的国省考断面的水质达到国家下达的年度考核要求，江苏省昆山市政府对270家工业企业自2017年12月25日起至 2018 年1月10日期间实施全面停产。此次停产所涉及到的PCB产业链企业：柔性电路板企业6家，硬质电路板企业47家。此次停产的PCB企业仅限于昆山地区，总产能约2090万平方米/年，总产值约120亿元（按每平米600元均价估算），占2017年大陆地区总产值1761亿元的约6.7%。除了上述环保行政命令，自2018年1月1日起施行的《环保税》则从法律上明确了PCB厂将要根据其排污、排气的具体情况增交税收，其中废水、废气排放费用增加3-5倍，甚至更多。除了对既有PCB厂限制废水排放，国内部分地区已经开始严控废物处理许可审核，这将明显影响各PCB厂扩产计划和节奏。比如2018年8月初，深圳市人居委员会发布关于《关于不再受理严控废物处理行政许可事项申请的通告》，通告表示严控废物名录和严控废物处理行政许可事项正式取消，不再受理严控废物处理许可事项申请。第三章 行业估值、定价机制和全球龙头企业3.1 行业综合财务分析 根据综合财务指标来看，电路板行业的营业收入和行业净利润呈现逐年递增的趋势。行业毛利率和净利率呈现先降低后升高的趋势，在2015年达到最低点。行业ROE与ROA趋势类似。从行业估值和历史比较来看，电路板的估值普遍比A股高，总体趋势呈现估值先升高后降低的状态。单季度营收同比行业历史比较与全部A股趋势较为一致。图 综合财务分析资料来源：资产信息网 千际投行 Wind图 行业估值和历史比较资料来源：资产信息网 千际投行 Wind图 单季度营收同比行业历史比较资料来源：资产信息网 千际投行 Wind图 单季度净利同比行业历史比较资料来源：资产信息网 千际投行 Wind图 单季度净利率行业历史比较资料来源：资产信息网 千际投行 Wind表 以鹏鼎控股为例的主营结构分析资料来源：资产信息网 千际投行 Wind表 中国上市行业公司估值对比资料来源：资产信息网 千际投行 Wind电路板行业估值方法可以选择市盈率估值法、PEG估值法、市净率估值法、市现率、P/S市销率估值法、EV/Sales市售率估值法、RNAV重估净资产估值法、EV/EBITDA估值法、DDM估值法、DCF现金流折现估值法、NAV净资产价值估值法等。3.2 行业发展1956年，我国开始PCB研制工作。60年代，批量生产单面板，小批量生产双面校并开始研制多层板。70年代，由于受当时历史条件的限制，印制板技术发展缓慢，使得整个生产技术落后于国外先进水平。80年代，从国外引进了先进水平的单面、双面、多层印制板生产线，提高了我国印制板的生产技术水平进入90年代，香港和台湾地区以及日本等外国印制板生产厂商纷纷来我国合资和独资设厂，使我国印制板产量和技术突飞猛进。2002年，成为第三大PCB产出国。2003年，PCB产值和进出口额均超过60亿美元，首度超越美国，成为世界第二大PCB产出国，产值的比例也由2000年的8.54%提升到15.30%，提升了近1倍。2006年中国已经取代日本，成为全球产值最大的PCB生产基地和技术发展最活跃的国家。近年来，我国PCB产业保持着20%左右的高速增长，远远高于全球PCB行业的增长速度。3.3 驱动因子（1）新能源汽车助力PCB快速发展PCB在汽车电子中应用广泛，动力控制系统、安全控制系统、车身电子系统、娱乐通讯这四大系统中均有涉及，因此对于PCB的要求是多元化的，量大价低的产品与高可靠性的需求并存。新能源汽车：新能源汽车的整车控制器（VCU）、电机控制器（MCU）和电池管理系统（BMS）所带来的单车PCB价值提升超过2000元，大幅超出智能化、轻量化所带来的提升幅度。自动驾驶：自动驾驶的商业化，也将为车用PCB开辟广阔空间；随着自动驾驶技术的发展，不同程度的ADAS应用正在渗透，这也将为车用PCB开辟广阔成长空间。因此，在汽车电子趋势、新能源汽车快速发展和自动驾驶技术逐步完善的趋势下，汽车电子领域PCB需求将迎来释放期。（2）5G技术发展促进PCB技术进步5G高频技术对电路提出更高要求。工作频率在1GHz以上的射频电路一般被称为高频电路，移动通信从2G到3G、4G过程中，通信频段从800MHz发展至2.5GHz，5G时代，通信频段将进一步提升。PCB板在5G射频方面将搭载天线振子、滤波器等器件。为解决高频高速的需求，以及应对毫米波穿透力差、衰减速度快的问题，5G通信设备对PCB的性能要求有以下三点：1）低传输损失；2）低传输延迟；3）高特性阻抗的精度控制。满足高频应用环境的基板材料称为高频覆铜板。主要有介电常数（Dk）和介电损耗因子（Df）两个指标来衡量高频覆铜板材料的性能。Dk和Df越小越稳定，高频高速基材的性能越好。此外，射频板方面，PCB板面积更大，层数更多，需要基材有更高耐热（Tg，高温模量保持率）以及更严格的厚度公差。3.4 行业风险分析和风险管理表 常见行业风险因子资料来源：资产信息网 千际投行本行业常见的风险如下：宏观经济及下游市场波动带来的风险印制电路板是电子信息产品的关键电子互连件和各电子零件装载的基板，其下游为电子信息制造业，最终产品广泛应用于生产生活的各个领域，受单一行业或领域的波动影响较小，但与整个社会经济景气程度相关性较大，受宏观经济周期性波动影响明显。近年来，我国已逐渐成为全球印制电路板的主要生产和消费基地，我国印制电路板行业受全球宏观经济环境变化的影响亦日趋明显。公司印制电路板产品多元，下游应用领域较广，在一定程度上分散了个别下游领域波动的影响，但若整体宏观经济明显下滑造成下游需求整体萎缩，PCB产业的发展速度可能出现放缓或下滑，从而对PCB企业经营造成不利影响。原材料价格波动风险2020年下半年以来，上游主要原材料价格迎来新一轮涨价周期。由于新冠肺炎疫情的影响，国外铜矿停工，开工不足，再加上全球宽松货币政策的影响，大宗金属铜价快速上涨。印制电路板生产所需的原材料占成本的比重较高，主要原材料包括覆铜板、铜箔、半固化片、铜球等，其中覆铜板、铜箔、铜球的价格主要受铜价波动影响。由于产成品中原材料所占比重较大，如果原材料供应量和价格出现较大的波动，将会对PCB企业整体的毛利率及盈利能力带来负面影响。市场竞争加剧风险根据Prismark统计，截至2019年，全球约有2，800家PCB企业，中国大陆PCB生产制造企业超2，000家，2019年占据全球总产值53.70%的市场份额，行业的市场集中度较低， PCB生产企业的市场竞争充分。PCB企业如果不能根据行业发展趋势、客户需求变化、技术进步及时进行技术和业务模式创新以提高公司竞争实力，及时推出有竞争力的高技术高附加值产品，则公司存在因市场竞争而导致经营业绩下滑或被竞争对手超越的风险。新冠肺炎疫情风险2021年全球疫情防控依然严峻，对全球范围内的宏观经济及电子产业造成下滑的风险依然存在。PCB企业需加强与客户充分沟通，提前制定应急预案，共同应对疫情可能带来的不利影响。汇率波动风险PCB企业若有出口产品，则可能面对汇率波动风险。近年来，受中美贸易摩擦等宏观因素影响、全球新冠肺炎疫情等国际局势影响，人民币兑美元汇率有所波动。若未来人民币汇率波动变大，则汇兑损益对PCB企业的盈利能力造成的影响有可能加大。3.5 竞争分析市场竞争环境——基于波特五力模型分析资料来源：资产信息网 千际投行 平安证券（1）同业竞争者威胁在我国印刷电路板行业内，企业分高、中、低三个层面，中高端有外资、港资，台资、少数国有企业主导，国内企业处于资金和技术劣势。低端指运作不规范的小厂，由于设备、环保方面投资少，反而形成成本优势。中端层面形成厂家密集态势，两头夹击，竞争更加激烈。因此，在现有竞争者竞争方面，大量有实力的外资企业的进入加剧了市场的竞争，中国印制电路板市场现有竞争者竞争较为激烈。（2）替代品威胁分析所谓替代品是指在功能上实现对另一产品替换的其它产品，它对原来被替代者的威胁主要来自于对市场和消费者的争夺，也就在于对方是否具有盈利能力，其产品在质量和功能方面用户的满意程度如何以及用户转向替代品的难易程度。印刷电路板在大量电子产品中得到广泛的应用，目前尚没有能够替代印刷电路板的成熟技术和产品。PCB的基本制作工艺“减成法”近几十年一直没发生重大的改变：即采用网版印刷的方式将金属蚀刻从而得到PCB，这就是印刷电路板这一名称的由来。由于这种制作工艺不够环保，产生的废水、废气比较多，目前已经有不少机构开始研发和传统电路板制作方法根本不同的其他工艺，如喷墨电路板、光刻电路板等。爱普生发明的“喷墨技术”PCB，是用液态金属代替墨水将其从打印头喷出，把必要的材料喷涂到必要的位置，形成金属薄膜。应用“液体成膜技术”，就能够把晶片上的电路图样像用打印机打印图画一样描绘出来。与传统的“照相平板技术”相比，基于喷墨技术的电路板生产工艺有着诸多优势：由于电路只在需要的地方成型，因此可以大量节省原料；因为整个过程是一个干处理工艺，所以不会产生废液；生产步骤的减少使得能耗降低；而且此种工艺还非常适应高混合、小批量生产，以及多层结构生产的要求。更值得一提的是，基于喷墨技术的整个处理流程是一个环保、低环境负荷的生产过程。限于成本，这种电路板目前还远不能量产；但在环保问题日益严重情况下，这是一种发展趋势（3）需求方威胁分析购买者(下游)议价能力方面，计算机、消费电子、通讯设备、汽车电子、航空航天等领域对印制电路板的需求较大，印制电路板制造企业相对其议价能力较强。（4）供求方威胁分析受上游原材料价格上升的影响，供应商有上涨的动力以保持盈利，PCB的供应商的集中度比较高，议价能力比较强。覆铜板、铜箔、半固化片、化学药水、阳极铜/锡/镍、干膜、油墨等产品是PCB生产所需的主要原材料。原材料成本占成本的比例分别为66%。近年来，由于石油及有色金属价格的大幅上涨，原材料成本有较大的增加。覆铜板占整个PCB生产成本约40%，对PCB的成本影响最大，规模大的PCB公司会与覆铜板厂签订长期合同，减少原材料价格波动的影响（5）潜在进入者威胁潜在进入者是影响行业竞争强度和盈利性的又一关键要素，他会带来新的生产能力，要求一定的市场份额。而在如今的PCB市场，任何新的组织的进入都会对原有造成威胁，这种威胁主要体现在对下游市场需求量的争夺和对上游市场资源的分流上。PCB行业对于技术的要求较高，并且也有较高的人才壁垒和认证壁垒，所以潜在进入者威胁适中偏小。基于SWOT模型分析资料来源：资产信息网 千际投行 平安证券（1）优势产业政策的扶持。国家层面：国务院扶持中小企业政策措施会陆续出台。中小企业加快转型升级，引导有潜质的企业进入新兴战略性产业。解决融资难，探索推进中小企业直接融资。引导中小企业在境内外上市。提升中小企业的经营素质，使其向专业化，市场化，国际化方向发展。行业层面：尽管目前国内外面临复杂多变的经济环境，全球PCB需求没有呈现大幅提升的迹象，预计2011年中国PCB是微增长之年。但中国PCB产业已处于新一轮景气周期的态势没有改变。中国PCB产业将在调整中稳固发展，并实现“125”规划2015年到达2300亿元的目标。下游产业的持续快速增长。我国信息电子产业的快速发展为印刷电路板行业的快速发展提供了良好的市场环境。电子通讯设备、电子计算机、家用电器等电子产品产量的持续增长为印刷电路板行业的快速增长提供了强劲动力。此外，3G 牌照发放将引发大规模电信投资，并带动对服务器、存储、网络设备的大量需求。根据中国信息产业部的预测，2006和2007年中国大陆电信固定资产投资规模增长率将分别达到10.53%、14.29%。（2）劣势产品同质性高，高端板比重低，成本转嫁能力弱。激烈的价格竞争，各公司无法把成本上升因素转嫁给用户，只能靠自身因素去消化，在材料成本不断上升的情况下，PCB价格不会出现大的变化，而一旦材料成本下降，激烈的竞争使价格下降。本土企业产品规模结构和关键技术不足。中小型和民营厂商的生产能力和技术水平都在低级产品。（3）机会下游需求带来发展动力。美国、欧洲等主要生产国减产或产品结构调整带来的市场空间国际产业转移带来新的技术和管理。近年来电子信息产业高速发展，出口增长40-45%之间，PCB产业却落后于整体电子信息产业的增长幅度，多层板和HDI板的产量更远远落后于市场，需大量依赖进口，PCB产业还有很大的发展空间。各厂商要寻找高毛利的细分市场、产品，转型到高阶产品，以软板、软硬结合板、厚铜板、光电的XY控制板、TFT面板的source板、汽车板、内存板、内存模块板、10层以上 PCB板，有更多的机会。（4）威胁原材料和能源价格上涨的压力。印刷电路板生产所需的主要原料包括覆铜板、铜箔、半固化片、化学药水、阳极铜/锡/镍、干膜、油墨等，此外，印刷电路板的生产还需要消耗电力能源。近年来，贵金属以及石油、煤等基础能源价格的大幅上涨也使得印刷电路板行业覆铜板、铜箔等主要原材料和能源的价格均有较大幅度的上升，这给印刷电路板生产企业带来一定的成本压力。下游产业的价格压力。目前我国印刷电路板行业的市场竞争程度较高，单个厂商的规模不大，定价能力有限。而随着下游产业产能的扩张和竞争的加剧，下游产业中的价格竞争日益激烈，控制产品成本是众多厂商关注的重点。在这种情况下，下游产业的成本压力可能部分传递到印刷电路板行业，印刷电路板价格提高的障碍较大。3.6 中国企业重要参与者印制电路板(PCB)是电子产品的关键电子互联件，被誉为“电子产品之母”。我国印制电路板行业的领先企业有：鹏鼎控股(002938)、东山精密(002384)、健鼎科技(3044.TW)、深南电路(002916)、华通电脑(2313.TW)、建滔集团(00148.HK)、紫翔电子、欣兴电子(3037.TW)、沪电股份(002463)、景旺电子(603228)、奥特斯中国、胜宏科技(300476)等。深南电路[002916.SZ]国内目前最领先的PCB厂商是深南电路，世界排名21，司业务覆盖 1 级到 3 级封装产业链环节，产品定位中高端，所生产的背板、高速多层板、多功能金属基板、厚铜板、高频微波板、刚挠结合板、封装基板等产品技术含量高。目前，深南电路已成为领先的无线基站射频功放 PCB 供应商、亚太地区主要的航空航天用 PCB 供应商、国 内领先的处理器芯片封装基板供应商。制造的硅麦克风微机电系统封装基板大 量应用于苹果和三星等智能手机中，全球市场占有率超过 30%。鹏鼎控股[002938.SZ]鹏鼎控股(深圳)股份有限公司从事各类印制电路板的设计、研发、制造与销售业务。主要产品通讯用板、消费电子及计算机用板以及其他用板等，并广泛应用于手机、网络设备、平板电脑、可穿戴设备、笔记本电脑、服务器/储存器及汽车电子等下游产品。公司2017年-2018年连续两年位列全球第一大PCB生产企业，根据Prismark2020年2月对全球PCB企业营收的预估，公司2019年继续保持全球第一。东山精密 [002384.SZ]东山精密集团，全球杰出的高科技、成长型企业，“致力于为智能互联世界制造技术卓越的核心器件”，专注于通信设备、精密金属结构件、LED技术及电子电路领域解决方案，以科技智慧，为客户提供富有创新力的高科技产品和高品质服务，助客户取得成功。2016年，公司收购了在纳斯达克上市的柔性线路板和装配全球行业排名第五的企业美国维信（MFLEX），并购完成后经营业绩得到提升。2018年7月，公司完成了对印刷电路板企业Multek的收购。3.7 全球重要竞争者科休半导体[COHU.O]Cohu， Inc.加州法律下成立于1947年，在同一年作为Kalbfell Lab公司并开始积极的运营。 该公司是全球半导体制造商和测试分包商使用的半导体测试和检测处理器，微机电系统（MEMS）测试模块，测试接触器和散热子系统的领先供应商。 他们开发，制造，销售和维修一系列能够处理各种集成电路和发光二极管（LED）的设备。 处理程序是机电系统，用于自动测试和检查半导体制造过程后端的集成电路和LED，以确定诸如微处理器，逻辑，模拟，存储器或混合信号设备等半导体设备的质量和性能。 大多数处理程序使用拾放，重力进给，转塔或带内测试技术。 设备类型，测试并行性，散热要求和信号接口要求通常决定适当的处理方法。科磊 [KLAC.O]科磊公司成立于1997年4月。公司是过程控制领域的全球领导者，同时也是一家为多个行业提供工艺支持解决方案的供应商，包括半导体、印刷电路板（PCB）和显示器。公司为晶圆和分划板、集成电路（“IC”或“芯片”）、封装、发光二极管、功率器件、化合物半导体器件、微电子机械系统、数据存储、印刷电路板、平板和柔性面板显示器以及一般材料研究提供解决方案，以及提供合同和全面的安装和维护服务。TTM科技[TTMI.O]TTM Technologies, Inc. 成立于1998年，是一家全球领先的是需要求严格的以及技术复杂的印刷电路板(PCB)产品和底板总成（电子元件密集的印刷电路板）供应商，公司是复杂电子产品的基地。公司为客户提供及时上市和先进的技术产品，并通过最终批量生产提供从工程设计支持到原型开发的一站式生产方案。第四章 未来展望（1）产业重心持续向中国大陆转移2000年以后，伴随着全球电子信息产业从发达国家向新兴经济体迁移，作为其基础产业的PCB行业也向中国大陆、东南亚等亚洲地区集中。2000年至2016年，美洲、欧洲和日本PCB产值在全球的占比不断下降，分别由2000年的26%、16%和29%降至2016年的5%、4%和10%；与此同时，中国大陆PCB产值全球占有率则不断攀升，由2000年的8%迅猛增加至2016年的50%，预计未来5年复合增速3.7%，超过全球平均增速，将继续成为增长最快的PCB主要生产国。图 PCB细分地区市场份额变化情况资料来源：资产信息网 千际投行 Prismark及行业调研（2）细分产品增长速度明显分化，高附加值产品占比逐渐提升PCB行业整体已进入成熟期，但各细分产品所处的产业生命周期阶段有所不同。最早应用的单/双面板已经明显进入衰退期；多层板、SMT双面板也开始进入成熟期，是目前市场上的主流产品；刚挠复合板、IC载板、HDI多层板、十层以上高阶多层板仍处于行业成长期；更新一代的SLP板、大电流高功率板、埋置元件PCB、高频高速PCB等还处于行业萌芽期。各细分产品增速分化使得PCB行业内部结构变化明显。HDI板从2000年的20.74亿美元增长至2016年的76.83亿美元（CAAGR为8.5%），2017年同比增长16.7%，预计17~22年增长率为4.0%。挠性板从2000年的34.5亿美元增长至2016年的109.01亿美元（CAAGR为7.5%），2017年同比增长14.9%，预计17~22年增长率为3.5%。技术较低的单/双面板和多层板在2000到2016年处于负增长状态，预计17年到22年这两个细分领域的增速也会低于PCB市场总体增速。（3）行业集中度不断提升近年来PCB行业集中度无论全球还是国内都提升明显。据Prismark统计，全球前五大PCB厂商的市场份额从2006年的10.80%已增长到2017年的23.09%。PCB行业企业“大型化、集中化”的发展趋势，一方面是因为本行业资金需求大、技术要求高及业内竞争激烈，另一原因是下游终端产品更新换代加速、品牌集中度日益提高。（4）内资企业发展很快，龙头厂商在规模和技术上较国际知名企业仍有较大提升空间中国大陆目前市场份额占比虽然已经超过50%，但其中很大一部分产值由台资、韩资等企业贡献。2017全球的PCB增长8.6%，中国大陆的增速是9.6%，实际上内资公司的增长率超过13%。由于增速较快，中资公司市场份额迅速从13年的15.9%提升到2017年的18.3%。虽然内资企业发展很快，但目前规模和技术较国际知名企业仍有较大差距，2017年产值前20名榜单中台资企业占据8席，还有6家日本企业、3家韩国企业和2家美国企业，表明行业话语权还是掌握在台湾、日本和美国PCB厂家手里。中国企业仅深南电路上榜，排名19。