2018年这些技术可能会很火

1. ARCore与ARKit

> 基于OpenCV实现的Android移动端口红包AR
算法的主要思路首先是通过人脸检测寻找到人脸区域，一旦找到之后就会使用跟踪算法对人脸部位进行跟踪、人脸检测算法可以选择Face++或者opencv自带的算法，然后对下部区域进行嘴唇检测，找到之后，选择不同光照下的嘴唇图像，提取ROI。

  Google增强现实(AR)工具“ARCore”，Apple产品“ARKit” 。ARCore将利用Java，OpenGL和Unreal and Unity 3D游戏引擎，承诺提供所有的构建模块和API来构建沉浸式的AR体验，ARCore可以让开发者跟踪手机的位置和方向以及检测水平表面。Google已确认，具备Tango那样深度传感能力的手机将为定义为ARCore兼容设备。

  在开发和运行ARCore应用之前呢，我们需要安装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.运动跟踪：使用手机摄像头观察房间中的特征点和 IMU 传感器数据。ARCore 在移动时确定手机的位置和方向（姿势）。 虚拟对象保持准确放置。
2.环境理解：将 AR 物体放置在地板或桌子上这是很常见的动作。ARCore 可以基于运动跟踪的相同特征点来检测水平表面。
3.光估计： ARCore 观察环境中的环境光，开发人员可以以与周围环境相匹配的方式点燃虚拟对象，使其外观更加逼真。

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

  Google AR 新的实验 Demo：https://experiments.withgoogle.com/ar

GitHub 地址：https://github.com/artoolkit/artoolkit5
官方网站地址：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技术:
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编程指南+第七版,看视图那一章，一定要把顶点变换流水线搞懂。因为这是图形学最最基础的东西了。其中OpenCV和OpenGL有两个矩阵变换。分别是：OpenCV下的摄像机内参矩阵K与OpenGL顶点变换的投影矩阵，OpenCV下的摄像机外参矩阵[R|t]与OpenGL顶点变换的模型视图矩阵 。Camera（OpenCV）自动对焦和触摸对焦的实现.Android手机端的关于人脸识别的增强现实应用。使用OpenCV做增强现实必须要有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，深度学习

 阿里智能对话交互技术实践与创新- http://blog.csdn.net/qq_40027052/article/details/78672907
 跨境猎头。AI人才 AI工程师、AI产品经理及AI部门管理层
  商品知识图谱在阿里巴巴前端导购、平台治理和智能问答上应用。
  阿里知识图谱以商品、 标准产品、 标准品牌、 标准条码、标准分类为核心，综合应用实体识别、实体链指和语义分析技术，整合关联例如舆情、百科、国家行业标准等多域数据，建设百亿级别的三元组，从而形成巨大的知识网。基于这个巨大的知识网络我们来提升消费者购物体验，同时降低消费者判断的成本。
  现在关注的技术领域主要与知识图谱相关，例如商品大数据、推理引擎、知识挖掘、信息提取、知识表示等。
  可以从文本挖掘和知识表示与推理其中一个领域去探索，当然这其中有涉及很多机器学习的基础知识。最好的学习方法还是实践，在项目实践中去学习。知识图谱方向招聘一般具备文本挖掘、知识表示与推理、图挖掘一个领域的技能就好。

 -- 谈及AI 走进亿万家庭。刘庆峰主要提到四个方面：教育，医疗，司法，公益。
AI以后会替代一些工作：
1、只要是简单、重复性的技能，未来都可以被机器大幅度替代的。
2、你需要学习、训练得到的，而不是依靠你的天分的技能，未来也会被人工智能所替代。

AI 新技术革命将如何重塑就业和全球化格局？深度解读 UN 报告（上篇）- http://geek.csdn.net/news/detail/244983
对话系统（对话机器人）本质上是通过机器学习和人工智能等技术让机器理解人的语言。
无视计算机的物理特性就是一种自大。用Mike Acton的话来说：“软件并不是平台，硬件才是平台”。软件相关人员至少要学习一点计算机架构和电气工程知识才是明智的。消费级量子计算机的出现将会改变软件工程的一切。

机器学习

-- AI算法学习笔记- https://github.com/zsysuper/AI_Notes
CNN的导火索，用MLP做图像分类识别,BP神经网络算法

3. 新产品

IOT VR等，增强VR/AR和AI领域研发投入，搭建更强大Android技术平台，AR/VR/MR；VR横向扩展到汽车、游戏、教育领域等
下一个适合Android的屏幕是什么呢？就是汽车；基于Android的车载信息娱乐系统的概念产品等；物联网产品
5G相对于4G，不仅仅是带宽提高了，更重要的是可接入的设备类型大大增加了。

 

4. 机器学习

 

5. 短视频和直播，多媒体

2018年多媒体开发生态的热点：AI，P2P，WebAssembly。

对视频编解码的未来发展方向，基于块的混合编码，画质评定新方法，以及创新思维。

  -- 在不太远的未来几年内，视频技术的发展方向大致有三类：
1）基础技术的突破，如 H.266、AVS3、AV1 等下一代标准，以及最近的热点研究方向——基于深度学习的视频图像压缩，压缩效率将进一步提高；
2）现有视频产品的体验提升，继续向着高质量、低带宽 / 存储空间、低功耗的方向发展；
3）新的产品形态不断出现，比如 3D、VR 甚至光场等沉浸式的视频通话。

--------- 大数据分析，区块链分析，人工智能分析？
> 大数据分析
  大数据分析普遍存在的方法理论有哪些呢？1. 可视化分析。2. 数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点。3. 预测性分析。4. 语义引擎。5.数据质量和数据管理。6.数据存储，数据仓库。
  大数据分析是指对规模巨大的数据进行分析。大数据可以概括为4个V， 数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值（Value）。
  大数据作为时下最火热的IT行业的词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。
  大数据通常是和云计算、数据挖掘、机器学习密不可分的。大数据的分析主要涉及到以下的四个方面[2]：数据管理和结构支撑、开发模型和评测、可视化和用户接口、商业模型。

 数据的多样性[2]：如何去应对始终呈增长趋势的数据。尤其是当数据以非结构化的形式产生的时候，如何从大量该类型的数据中快速有效的读取出用户所需要的数据。如何从流式数据中聚集并读取数据中的潜在关联性。
 数据的存储：如何从非结构化的数据中快速提取并存储重要的信息？如何优化存储的结构，使得存储在其中的数据能够被高效率的检索？现存的文件系统能否有效的满足大数据分析所要求的性能？
 数据的集成：需要新的协议和接口来满足不同形态和不同来源的数据。
 数据处理和资源管理：需要设计出应用于流式数据的最优模型。需要设计出协同文件系统达到最高效能的处理引擎。

 数据分析其实可以分为两种：一种类似产品经理、一种偏向数据挖掘，类似产品经理向更加注重业务，对业务能力要求比较高；数据挖掘向更加注重技术，对算法代码能力要求比较高。

按照数据分析入门的标准来写：
 1. SQL（数据库），我们都知道数据分析师每天都会处理海量的数据，这些数据来源于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能，零基础学习SQL可以阅读这里：SQL教程_w3cschool
 2. 统计学基础，数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的平均值是什么？数据的最大值最小值指什么？数据相关与回归、时间序列分析和预测等等，这些在网易公开课上倒是有不错的教程：哈里斯堡社区大学公开课：统计学入门_全24集_网易公开课
 3.Python或者R的基础，这一点是必备项也是加分项，在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。至于学习资料：R语言我不太清楚，Python方向可以在廖雪峰廖老师的博客里看Python教程，面向零基础。

> 区块链分析
  主流的区块链系统有比特币，Ripple，以太坊和 Hyperledger Fabric 。区块链技术实质上是80%商业元素加上20%的技术元素。
  区块链是在符合现实社会法律法规前提下，可治理的，依赖于密码学算法和博弈经济性设计，基于共识算法，对发生在主体间的价值创造，价值转移，价值交换，以及涉及到各个价值主体由机器驱动的业务流程，在多个对等的主体间形成的共识，从而达到共享业务状态，共享价值状态，即共享账本，以达到加速社会资源配置和价值流通，最终提高生产力的目的。

  区块链的本质是共识，在互不信任的主体间的共识就形成了公认的价值。区块链的目标是解放和提高整个社会的生产力，手段是将生产关系虚拟化，运用IoT和价值锚定技术将现实世界和虚拟世界无缝连接起来，虚拟化的业务合约可以由机器自动化驱动现实和虚拟社会的资源配置，价值生产和流通，结合大数据智能分析优化虚拟的生产关系，现实和虚拟的法律法规和治理机制为虚拟的区块链社会的稳定发展提供保障。

区块链的出现主要解决的是传统中心化网络部署方式所带来的众多问题，包括:
1) 交易非公开化，中心节点掌握分布节点信息，分节点不掌握其他节点信息;
2) 系统安全性取决于中心节点安全性，中心节点存在道德风险，可利用大数据进行数据变现，存在隐私泄露风险;
3) 系统风险性随着网络规模扩大而上升;
4) 中心节点维护系统运行涉及较高成本等。

 2017年ICO热潮、加密货币价格上涨和风险资本投资带来的现金依然充裕.分布式账本限于数字加密货币和其他虚拟货币的交易流程中应用。
 区块链（英语：blockchain 或 block chain）是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。

-- 区块链去中心化涉及三个独立的方面：
 架构的去中心化：一个系统是由多少物理计算机组成的？ 这些计算机中有多少个可以容忍在任何一个时间内崩溃？
 策略的去中心化：有多少个人或组织最终控制了系统由其组成的计算机？
 逻辑上的去中心化：系统呈现和维护的接口和数据结构看起来更像是一个单一的整体对象，还是一个无定形的群？ 一个简单的启发式的观点是: 如果你把系统切成两半，包括供应商和用户，两个部分都将继续作为独立的单位全面运作吗？

区块链在策略上是去中心化的(没有人控制它们)，而且在架构上的去中心化(没有基础设施中心点的故障) ，但它们在逻辑上是中心化的(有一个共同商定的状态，系统的行为就像一台电脑)
 

> 人工智能分析
人工智能行业市场分析- https://blog.csdn.net/gwgwymx/article/details/80805236
 人工智能应用涉及到专用应用和通用应用两个方面,这也是「机器学习」、「模式识别」和「人机交互」这三项人工智能技术的落地实现形式。
 在国内计算机视觉领域,动静态图像识别和人脸识别是主要研究方向:
图像识别,是计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。识别过程包括图像预处理、图像分割、特征提取和判断匹配。
 人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
 目前,由于动态检测与识别的技术门槛限制,静态图像识别与人脸识别的研究暂时处于领先位置,其中既有腾讯、蚂蚁金服、百度和搜狗这样基于社交、社交、搜索大数据整合的互联网公司,也有三星中国技术研究院、微软亚洲研究院、Intel 中国研究院这类的传统硬件与技术服务商;同时,类似于 Face++ 和 商汤科技 这类的技术公司也在各自专业技术和识别准确率上取得了不错的突破。
而在难度最大的动态视觉检测领域,东方网力、格灵深瞳和 Video++ 等企业的着力点主要在视频和安防,在一些常见的应用场景也与人脸识别技术联动使用。
 图像识别代表企业:百度、搜狗、三星中国技术研究院、微软亚洲研究院、Intel 中国研究院等。
 人脸识别代表企业:旷视科技、腾讯优图、蚂蚁金服、商汤科技、汉王科技、三星中国技术研究院、微软亚洲研究院、中科奥森、深圳科葩、linkface、SenseTime 等。
 动态视觉检测代表企业:东方网力、格灵深瞳、Video++ 等。