1. ARCore與ARKit

> 基於OpenCV實現的Android移動埠紅包AR
演算法的主要思路首先是通過人臉檢測尋找到人臉區域，一旦找到之後就會使用跟蹤演算法對人臉部位進行跟蹤、人臉檢測演算法可以選擇Face++或者opencv自帶的演算法，然後對下部區域進行嘴脣檢測，找到之後，選擇不同光照下的嘴脣影象，提取ROI。

  Google增強現實(AR)工具“ARCore”，Apple產品“ARKit” 。ARCore將利用Java，OpenGL和Unreal and Unity 3D遊戲引擎，承諾提供所有的構建模組和API來構建沉浸式的AR體驗，ARCore可以讓開發者跟蹤手機的位置和方向以及檢測水平表面。Google已確認，具備Tango那樣深度感測能力的手機將為定義為ARCore相容裝置。

  在開發和執行ARCore應用之前呢，我們需要安裝Android Studio2.3或者更高版本，Android SDK 7.0或者更高版本。

ARCore 的三大功能：
1.運動跟蹤：使用手機攝像頭觀察房間中的特徵點和 IMU 感測器資料。ARCore 在移動時確定手機的位置和方向（姿勢）。 虛擬物件保持準確放置。
2.環境理解：將 AR 物體放置在地板或桌子上這是很常見的動作。ARCore 可以基於運動跟蹤的相同特徵點來檢測水平表面。
3.光估計： ARCore 觀察環境中的環境光，開發人員可以以與周圍環境相匹配的方式點燃虛擬物件，使其外觀更加逼真。

  ARCore Github 地址：https://github.com/google-ar

  Google AR 新的實驗 Demo：https://experiments.withgoogle.com/ar

GitHub 地址：https://github.com/artoolkit/artoolkit5
官方網站地址：https://artoolkit.org/download-artoolkit-sdk
OpenCV-Marker-less-AR- https://github.com/takmin/OpenCV-Marker-less-AR

arcore-android-sdk- https://github.com/jason0539/arcore-android-sdk

 -- OpenCV和AR技術:
AR Develop Demo- https://github.com/linglongxin24/ARDevelopDemo
OpenCV-Marker-less-AR- https://github.com/takmin/OpenCV-Marker-less-AR

Android-AR-Kit- https://github.com/haseman/Android-AR-Kit

    OpenGL程式設計指南+第七版,看檢視那一章，一定要把頂點變換流水線搞懂。因為這是圖形學最最基礎的東西了。其中OpenCV和OpenGL有兩個矩陣變換。分別是：OpenCV下的攝像機內參矩陣K與OpenGL頂點變換的投影矩陣，OpenCV下的攝像機外參矩陣[R|t]與OpenGL頂點變換的模型檢視矩陣 。Camera（OpenCV）自動對焦和觸控對焦的實現.Android手機端的關於人臉識別的增強現實應用。使用OpenCV做增強現實必須要有OpenGL。
OpenCV-Marker-less-AR- https://github.com/takmin/OpenCV-Marker-less-AR
opencv-markerless-AR-Mobile(iOS/Android)- https://github.com/meiroo/opencv-markerless-AR-Mobile
Mastering OpenCV- https://github.com/MasteringOpenCV/code

2. AI，深度學習

 阿里智慧對話互動技術實踐與創新- http://blog.csdn.net/qq_40027052/article/details/78672907
 跨境獵頭。AI人才 AI工程師、AI產品經理及AI部門管理層
  商品知識圖譜在阿里巴巴前端導購、平臺治理和智慧問答上應用。
  阿里知識圖譜以商品、 標準產品、 標準品牌、 標準條碼、標準分類為核心，綜合應用實體識別、實體鏈指和語義分析技術，整合關聯例如輿情、百科、國家行業標準等多域資料，建設百億級別的三元組，從而形成巨大的知識網。基於這個巨大的知識網路我們來提升消費者購物體驗，同時降低消費者判斷的成本。
  現在關注的技術領域主要與知識圖譜相關，例如商品大資料、推理引擎、知識挖掘、資訊提取、知識表示等。
  可以從文字挖掘和知識表示與推理其中一個領域去探索，當然這其中有涉及很多機器學習的基礎知識。最好的學習方法還是實踐，在專案實踐中去學習。知識圖譜方向招聘一般具備文字挖掘、知識表示與推理、圖挖掘一個領域的技能就好。

 -- 談及AI 走進億萬家庭。劉慶峰主要提到四個方面：教育，醫療，司法，公益。
AI以後會替代一些工作：
1、只要是簡單、重複性的技能，未來都可以被機器大幅度替代的。
2、你需要學習、訓練得到的，而不是依靠你的天分的技能，未來也會被人工智慧所替代。

AI 新技術革命將如何重塑就業和全球化格局？深度解讀 UN 報告（上篇）- http://geek.csdn.net/news/detail/244983
對話系統（對話機器人）本質上是通過機器學習和人工智慧等技術讓機器理解人的語言。
無視計算機的物理特性就是一種自大。用Mike Acton的話來說：“軟體並不是平臺，硬體才是平臺”。軟體相關人員至少要學習一點計算機架構和電氣工程知識才是明智的。消費級量子計算機的出現將會改變軟體工程的一切。

機器學習

-- AI演算法學習筆記- https://github.com/zsysuper/AI_Notes
CNN的導火索，用MLP做影象分類識別,BP神經網路演算法

3. 新產品

IOT VR等，增強VR/AR和AI領域研發投入，搭建更強大Android技術平臺，AR/VR/MR；VR橫向擴充套件到汽車、遊戲、教育領域等
下一個適合Android的螢幕是什麼呢？就是汽車；基於Android的車載資訊娛樂系統的概念產品等；物聯網產品
5G相對於4G，不僅僅是頻寬提高了，更重要的是可接入的裝置型別大大增加了。

4. 機器學習

5. 短視訊和直播，多媒體

2018年多媒體開發生態的熱點：AI，P2P，WebAssembly。

對視訊編解碼的未來發展方向，基於塊的混合編碼，畫質評定新方法，以及創新思維。

  -- 在不太遠的未來幾年內，視訊技術的發展方向大致有三類：
1）基礎技術的突破，如 H.266、AVS3、AV1 等下一代標準，以及最近的熱點研究方向——基於深度學習的視訊影象壓縮，壓縮效率將進一步提高；
2）現有視訊產品的體驗提升，繼續向著高質量、低頻寬 / 儲存空間、低功耗的方向發展；
3）新的產品形態不斷出現，比如 3D、VR 甚至光場等沉浸式的視訊通話。

--------- 大資料分析，區塊鏈分析，人工智慧分析？
> 大資料分析
  大資料分析普遍存在的方法理論有哪些呢？1. 視覺化分析。2. 資料探勘演算法。大資料分析的理論核心就是資料探勘演算法，各種資料探勘的演算法基於不同的資料型別和格式才能更加科學的呈現出資料本身具備的特點。3. 預測性分析。4. 語義引擎。5.資料質量和資料管理。6.資料儲存，資料倉庫。
  大資料分析是指對規模巨大的資料進行分析。大資料可以概括為4個V， 資料量大(Volume)、速度快(Velocity)、型別多(Variety)、價值（Value）。
  大資料作為時下最火熱的IT行業的詞彙，隨之而來的資料倉庫、資料安全、資料分析、資料探勘等等圍繞大資料的商業價值的利用逐漸成為行業人士爭相追捧的利潤焦點。
  大資料通常是和雲端計算、資料探勘、機器學習密不可分的。大資料的分析主要涉及到以下的四個方面[2]：資料管理和結構支撐、開發模型和評測、視覺化和使用者介面、商業模型。

 資料的多樣性[2]：如何去應對始終呈增長趨勢的資料。尤其是當資料以非結構化的形式產生的時候，如何從大量該型別的資料中快速有效的讀取出使用者所需要的資料。如何從流式資料中聚集並讀取資料中的潛在關聯性。
 資料的儲存：如何從非結構化的資料中快速提取並存儲重要的資訊？如何優化儲存的結構，使得儲存在其中的資料能夠被高效率的檢索？現存的檔案系統能否有效的滿足大資料分析所要求的效能？
 資料的整合：需要新的協議和介面來滿足不同形態和不同來源的資料。
 資料處理和資源管理：需要設計出應用於流式資料的最優模型。需要設計出協同檔案系統達到最高效能的處理引擎。

 資料分析其實可以分為兩種：一種類似產品經理、一種偏向資料探勘，類似產品經理向更加註重業務，對業務能力要求比較高；資料探勘向更加註重技術，對演算法程式碼能力要求比較高。

按照資料分析入門的標準來寫：
 1. SQL（資料庫），我們都知道資料分析師每天都會處理海量的資料，這些資料來源於資料庫，那麼怎麼從資料庫取資料？如何建立兩表、三表之間的關係？怎麼取到自己想要的特定的資料？等等這些資料選擇問題就是你首要考慮的問題，而這些問題都是通過SQL解決的，所以SQL是資料分析的最基礎的技能，零基礎學習SQL可以閱讀這裡：SQL教程_w3cschool
 2. 統計學基礎，資料分析的前提要對資料有感知，資料如何收集？資料整體分佈是怎樣的？如果有時間維度的話隨著時間的變化是怎樣的？資料的平均值是什麼？資料的最大值最小值指什麼？資料相關與迴歸、時間序列分析和預測等等，這些在網易公開課上倒是有不錯的教程：哈里斯堡社群大學公開課：統計學入門_全24集_網易公開課
 3.Python或者R的基礎，這一點是必備項也是加分項，在資料探勘方向是必備項，語言相比較工具更加靈活也更加實用。至於學習資料：R語言我不太清楚，Python方向可以在廖雪峰廖老師的部落格裡看Python教程，面向零基礎。

> 區塊鏈分析
  主流的區塊鏈系統有比特幣，Ripple，以太坊和 Hyperledger Fabric 。區塊鏈技術實質上是80%商業元素加上20%的技術元素。
  區塊鏈是在符合現實社會法律法規前提下，可治理的，依賴於密碼學演算法和博弈經濟性設計，基於共識演算法，對發生在主體間的價值創造，價值轉移，價值交換，以及涉及到各個價值主體由機器驅動的業務流程，在多個對等的主體間形成的共識，從而達到共享業務狀態，共享價值狀態，即共享賬本，以達到加速社會資源配置和價值流通，最終提高生產力的目的。

  區塊鏈的本質是共識，在互不信任的主體間的共識就形成了公認的價值。區塊鏈的目標是解放和提高整個社會的生產力，手段是將生產關係虛擬化，運用IoT和價值錨定技術將現實世界和虛擬世界無縫連線起來，虛擬化的業務合約可以由機器自動化驅動現實和虛擬社會的資源配置，價值生產和流通，結合大資料智慧分析優化虛擬的生產關係，現實和虛擬的法律法規和治理機制為虛擬的區塊鏈社會的穩定發展提供保障。

區塊鏈的出現主要解決的是傳統中心化網路部署方式所帶來的眾多問題，包括:
1) 交易非公開化，中心節點掌握分佈節點資訊，分節點不掌握其他節點資訊;
2) 系統安全性取決於中心節點安全性，中心節點存在道德風險，可利用大資料進行資料變現，存在隱私洩露風險;
3) 系統風險性隨著網路規模擴大而上升;
4) 中心節點維護系統執行涉及較高成本等。

 2017年ICO熱潮、加密貨幣價格上漲和風險資本投資帶來的現金依然充裕.分散式賬本限於數字加密貨幣和其他虛擬貨幣的交易流程中應用。
 區塊鏈（英語：blockchain 或 block chain）是用分散式資料庫識別、傳播和記載資訊的智慧化對等網路, 也稱為價值網際網路。

-- 區塊鏈去中心化涉及三個獨立的方面：
 架構的去中心化：一個系統是由多少物理計算機組成的？ 這些計算機中有多少個可以容忍在任何一個時間內崩潰？
 策略的去中心化：有多少個人或組織最終控制了系統由其組成的計算機？
 邏輯上的去中心化：系統呈現和維護的介面和資料結構看起來更像是一個單一的整體物件，還是一個無定形的群？ 一個簡單的啟發式的觀點是: 如果你把系統切成兩半，包括供應商和使用者，兩個部分都將繼續作為獨立的單位全面運作嗎？

區塊鏈在策略上是去中心化的(沒有人控制它們)，而且在架構上的去中心化(沒有基礎設施中心點的故障) ，但它們在邏輯上是中心化的(有一個共同商定的狀態，系統的行為就像一臺電腦)
 

> 人工智慧分析
人工智慧行業市場分析- https://blog.csdn.net/gwgwymx/article/details/80805236
 人工智慧應用涉及到專用應用和通用應用兩個方面,這也是「機器學習」、「模式識別」和「人機互動」這三項人工智慧技術的落地實現形式。
 在國內計算機視覺領域,動靜態影象識別和人臉識別是主要研究方向:
影象識別,是計算機對影象進行處理、分析和理解,以識別各種不同模式的目標和物件的技術。識別過程包括影象預處理、影象分割、特徵提取和判斷匹配。
 人臉識別,是基於人的臉部特徵資訊進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的影象或視訊流,並自動在影象中檢測和跟蹤人臉,進而對檢測到的人臉進行臉部的一系列相關技術,通常也叫做人像識別、面部識別。
 目前,由於動態檢測與識別的技術門檻限制,靜態影象識別與人臉識別的研究暫時處於領先位置,其中既有騰訊、螞蟻金服、百度和搜狗這樣基於社交、社交、搜尋大資料整合的網際網路公司,也有三星中國技術研究院、微軟亞洲研究院、Intel 中國研究院這類的傳統硬體與技術服務商;同時,類似於 Face++ 和 商湯科技 這類的技術公司也在各自專業技術和識別準確率上取得了不錯的突破。
而在難度最大的動態視覺檢測領域,東方網力、格靈深瞳和 Video++ 等企業的著力點主要在視訊和安防,在一些常見的應用場景也與人臉識別技術聯動使用。
 影象識別代表企業:百度、搜狗、三星中國技術研究院、微軟亞洲研究院、Intel 中國研究院等。
 人臉識別代表企業:曠視科技、騰訊優圖、螞蟻金服、商湯科技、漢王科技、三星中國技術研究院、微軟亞洲研究院、中科奧森、深圳科葩、linkface、SenseTime 等。
 動態視覺檢測代表企業:東方網力、格靈深瞳、Video++ 等。