高通第一财季净利15亿美元 同比下滑24%

image

1月28日消息,高通(NASDAQ:QCOM)今天发布了截至12月27日的2016财年第一财季财报。报告显示,公司该季度营收为58亿美元,去年同期为71亿美元,同比下滑19%;按美国会计准则计(GAAP),净利润为15亿美元,去年同期为20亿美元,同比下滑24%;合摊薄后每股净利润0.99美元,去年同期为1.17美元,同比下滑15%。

第一财季财务数据(GAAP)

·营收为58亿美元,去年同期为71亿美元,同比下滑19%;上季度为55亿美元,环比增长6%。

·运营利润为17亿美元,去年同期为21亿美元,同比下滑18%;上季度为11亿美元,环比增长48%。

·净利润为15亿美元,去年同期为20亿美元,同比下滑24%;上季度为11亿美元,环比增长41%。

·摊薄后每股净利润0.99美元,去年同期为1.17美元,同比下滑15%;上季度为0.67美元,环比增长48%。

·运营现金流为27亿美元,去年同期为24亿美元,同比增长16%;上季度为17亿美元,环比增长63%。

第一财季财务数据(Non-GAAP)

·营收为58亿美元,去年同期为71亿美元,同比下滑19%;上季度为55亿美元,环比增长6%。

·运营利润为17亿美元,去年同期为25亿美元,同比下滑31%;上季度为16亿美元,环比增长8%。

·净利润为15亿美元,去年同期为23亿美元,同比下滑35%;上季度为14亿美元,环比增长3%。

·摊薄后每股净利润0.97美元,去年同期为1.34美元,同比下滑28%;上季度为0.91美元,环比增长7%。

第一财季主要业务数据:

·MSM 芯片出货量为2.42亿片,去年同期为2.70亿片,同比下滑10%;上季度为2.03亿片,环比增长19%。

·总设备销售额为606亿美元,去年同期为564亿美元,同比增加7%;上季度为583亿美元,环比增加4%。其中:

·预估3G/4G设备出货量为3.07亿至3.11亿部,去年同期为2.84亿至2.88亿部,同比增长8%;上季度为2.76亿至2.80亿部,环比增长11%.

·预估3G/4G芯片平均销售价格(ASP)为每部193至199美元,去年同期为194至200美元,同比下滑1%;上季度为207至213美元,环比下滑7%。

现金及有价证券

截至季度末,公司手持现金、现金等价物及有价证券总计306亿美元,去年同期为316亿美元,上季度为309亿美元。

资本返还

第一财季,公司完成了此前履行回购价值100亿美元普通股的承诺。在2016年1月12日,公司宣布将于2016年3月23日派发每股0.48美元的股息,股东须在2016年3月2日前登记在册。

有效税率

2016财年全年有效税率预计为17%(GAAP)和18%(Non-GAAP)。第一财季的有效税率为13%(GAAP)和17%(Non-GAAP)。

业绩展望

·营收为49亿至57亿美元,同比下滑17%至29%。

·Non-GAAP每股净利润为0.90至1.00美元,同比下滑29%至36%。

·GAAP每股净利润为0.69至0.79美元,同比增长10%至25%。

本文转自d1net(转载)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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