《连线》评出2008年十大最值得关注创业公司



导语:《连线》杂志近日公布了2008年十大最值得关注 创业 公司 ,其中包括BitTorrent、LinkedIn、以及Slide等等,这些公司有可能会于2008年进行首次公开招股(IPO),或者被收购。

  2008年十大最值得关注创业公司:

  1.23andMe

  公司介绍:23andMe的目标是,通过提供一种安全、基于Web的服务,让用户能够探索、共享、更好地理解有关他们基因的信息,将基因革命推向一个全新的水平。

  创始人:琳达·埃维(Linda Avey)和安妮·沃西基(Anne Wojcicki)

  融资情况:1200万美元,来自于Genentech、谷歌和新企业协会

  员工人数:30人

  2.37Signals

  公司介绍:37signals是一个创造简单、专一软件的小团队,其产品可以帮助用户协同工作和组织团队。到目前为止,已有超过3.5万个人和企业使用37Signals的Web应用开展业务。

  创始人:贾森·弗莱德(Jason Fried)、恩尼斯特·基姆(Ernest Kim)、卡洛斯·西古拉(Carlos Segura)

  融资情况:未披露金额,来自于Bezos Expeditions

  员工人数:8人

  3.AdMob

  公司介绍:AdMob创建于2005年,是一家 手机广告 服务 提供商 。AdMob为 客户 搭建了一个移动广告交易平台,其广告模式和谷歌类似,广告主可以自助、便捷地向目标客户销售移动广告。

  创始人:奥马尔·哈默伊(Omar Hamoui)

  融资情况:A轮融资未披露金额,来自于红杉资本;B轮融资获得1500万美元,来自于Accel Partners和红杉资本

  员工人数:65人

  4.BitTorrent

  公司介绍:BitTorrent是一家P2P 技术 提供商,其技术最初主要用于非法文件共享和传输。2007年底,BitTorrent宣布将同软件提供商和媒体公司合作,将P2P技术作为一个平台,帮助后者的客户更快速地下载较大文件。这一消息意味着P2P技术将合法化,未来可能对整个行业产生深远的影响。

  创始人:布拉姆·科恩(Bram Cohen)、阿希文·纳文(Ashwin Navin)

  融资情况:2875万美元,来自于Accel Partners和DCM

  员工人数:60人

  5.Dash

  公司介绍:到目前为止,GPS还只是一条单行线,由卫星向用户设备发送指令。Dash将会改变这一局面,其产品Dash Express支持获取RSS信息的功能。使用Dash Express,用户不仅可以实现行车路线导航,还能通过特殊的RSS种子获取其它信息或者第三方服务资讯,比如图片中的Zillow信息。

  创始人:布莱恩·斯马特(Brian Smartt)、迈克·塔扎马洛卡斯(Mike Tzamaloukas)、史蒂夫·沃伦伯格(Steve Wollenberg)

  融资情况:4500万美元,来自于Kleiner Perkins Caufield &Byers、红杉资本、Skymoon Ventures、Crescendo Ventures、ZenShin Capital Partners、Artis Capital、Gold Hill Capital、以及多名私人投资者

  员工人数:85人

  6.Fon

  公司介绍:FON是一家西班牙公司,一直致力于推动社区居民通过共享Wi-Fi 无线网络 接入互联网。用户只要同意共享一小部分家庭宽带连接,就可以加入一个庞大的全球Wi-Fi社区,免费接入到其他用户提供的FON无线热点。到目前为止,FON已经同时代华纳有线、英国电信、以及Neuf等多家重量级公司建立了合作关系。

  创始人:马丁·瓦萨维斯基(Martin Varsavsky)

  融资情况:3500万美元,来自于Skype、谷歌、Index Ventures、红杉资本、Excite、Digital Garage、以及英国电信

  员工人数:约90人

  7.LinkedIn

  公司介绍:LinkedIn是美国第六大社交网站,与MySpace和Facebook有所不同,其用户大多为商务人士。根据尼尔森互联网研究公布的最新数据,LinkedIn近期的增长速度超过了主要竞争对手。例如,LinkedIn今年10月吸引了约500万名美国访问者,而去年同期仅为170万人。LinkedIn预计2008年营收为1亿美元,距离Facebook 2007年预期营收1.5亿美元相去不远。

  创始人:雷德·霍夫曼(Reid Hoffman)、阿伦·布鲁(Allen Blue)、康斯坦丁·格里科(Konstantin Guericke)、埃里克·莱(Eric Ly)、让-卢克·瓦莱恩特(Jean-Luc Valliant)

  融资情况:2750万美元,来自于红杉资本、Greylock、欧洲创始人基金、Bessemer Venture Partners、以及多名天使投资人

  员工人数:200人

  8.Powerset

  公司介绍:PowerSet总部位于旧金山,一直致力于开发“自然语言”搜索引擎,希望籍此打破谷歌的垄断。所谓“自然语言”搜索,即用户可输入更为直接的问题,这和谷歌、雅虎、微软以及其他搜索引擎所使用的“关键词”有所不同。尽管还未正式推出自己的搜索引擎,但PowerSet已经成为最为热门的创业公司之一。PowerSet获得了充足的资金,从谷歌挖来了多名重要工程师,并从施乐获得了高级语言技术授权。不过,要让计算机理解自然语言,并据此提供最准确的搜索结果,实在不是一件容易的过程。

  创始人:史蒂夫·纽考布(Steve Newcomb)、巴尼·佩尔(Barney Pell)、劳伦佐·蒂奥尼(Lorenzo Thione)

  融资情况:1250万美元,来自于Foundation Capital、The Founder's Fund、以及多名天使投资人

  员工人数:60人

  9.Slide

  公司介绍:Slide 是全球最大的Widget开发商,该公司开发的Widget在几个顶级的社交网络和博客平台上非常流行,包括MySpace、Facebook、Friendster和Blogger等等。在Facebook和OpenSocial的激烈对抗中,不管最后谁成为赢家,Slide都可以从中获益。

  创始人:马克斯·莱金(Max Levchin)

  融资情况:启动资金来自于马克斯·莱金;传闻中的2000万美元,来自于BlueRun Ventures、The Founder's Fund、Khosla Ventures、以及Mayfield Fund

  员工人数:60人

  10.Spock

  公司介绍:Spock是一个提供搜索相关人物的网站,在这一网站上,只要用户输入一个人的姓名,就可能找到对方职业、住址、爱好等信息;如果输入职业或地区,也可能找到符合相应条件的人。

  创始人:贾迪普·辛格(Jaideep Singh)、杰·巴蒂(Jay Bhatti)

  融资情况:800万美元,来自于Clearstone Venture Partners和Opus Capital

  员工人数:25人 (摩尔)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值