数字地图:互联网巨头们的下一个战场

看上去,互联网巨头们在数字地图领域的竞争已经很久了——Google与苹果,百度、阿里巴巴(高德)和腾讯,分别在两个平行的战争进行着一场持久战。但接下来,这两个战场会以相同的模式,进入到下一个级别的较量中,这场较量不仅会让数字地图变为一项举足轻重的业务,同时也会改变它现有的模式和人们对其的使用方式。

首先,或许你早就注意到了,不少数字地图服务商早早地就开始将“本地生活”服务搬到地图上来——由于移动终端在屏幕显示和交互方式上的种种限制,使得“地图”在手机上必须脱离“搜索”,成为一项独立的服务。反过来,它也让地图分食了搜索,加上先天与地理位置的紧密结合,“搜索本地的人、地点与交通”成为了地图在手机上的新任务,它也意味着数字地图将能够拥有越来越多的个人信息,被划分出越来越多的细分领域,承载着互联网巨头们在电子商务、O2O、支付等领域的野心,成为互联网战争的重镇。

这并不是什么新鲜事,但它即将促成另一件事情的发生——地图形态的改变。

虽然我们看到百度早就在地图中添加了“附近”的功能,将餐饮、酒店、电影、公交站、团购甚至打车服务都内置了进来,阿里巴巴重金入股的高德地图也做了类似的架构。但问题在于,这种功能层级的设置还是将地理位置的索引和导航放在了首位,可实际上,如前文所说,地图的意义正在改变:人们打开地图后既可以搜索交通和地点,也可以搜索本地生活服务,它们的优先级会趋于水平。

苹果也许会是第一个打破现状的公司——不久前,苹果申请了一项新的专利,根据描述,苹果未来的地图产品会拥有更丰富的图层,例如天气层、交通层、旅游层、购物层等。用户在不同层级下能够搜索得到更为垂直的结果。例如,当用户在购物层搜索“滑板”时,地图将会呈现销售滑板的商店,而在旅游层搜索同一个词语时,地图则会向用户提供附近的滑冰场地信息。

这让我想到了一家名为Citymaps的创业公司正在进行的尝试,打开Citymaps的数字地图,你看到的并非是传统的地图信息,而是直接用商户的品牌Logo标注了不同的位置,用户点击其就能看到不同商户的信息,甚至是一些促销活动。

po

换句话说,在未来,数字地图也许将拥有多个平行的、垂直于不同领域的地图层,让用户能够直观的在图层上看到他们所需要的服务,并且这些服务信息是动态、实时更新的。

另一方面, “个性化”也将是未来数字地图必备的特质——地图将优先根据用户的个人的喜好和历史行为来判断优先展示哪些地理信息。例如,Google可以根据你的搜索历史、消费数据、Google+上朋友常去的餐馆来为你推荐饮食服务。不久前,苹果被披露收购了擅长地图数据收集和分析的服务商BroadMap,也显示出他们也计划做些个性化的尝试。

但对于中国的数字地图服务商来说,“个性化”的实现难度较高。原因在于他们都没有一个完整的账户体系作为支撑。例如对于百度而言,虽然百度地图用户数量增长飞快,但“注册用户”的比例偏低,这使得百度无法把用户使用地图的各项行为串联起来,更别说和百度其他的服务数据打通了,甚至如今百度地图中不少本地生活服务的支付渠道还是阿里巴巴的支付宝。

在这一点上,高德地图似乎更有优势——双十一时,消费者通过高德地图能查找到身边参加天猫活动的线下门店,并且可用阿里巴巴天猫客户端扫描商品二维码,添加到购物车。这虽然只是一个短暂的活动,但如我们所知,高德正在和阿里巴巴在后台进行整合,淘宝的账户系统和用户数据将会对“个性化”起到至关重要的作用。

最后,不要忽视了腾讯地图。虽然看上去宣布将“街景”作为重心的腾讯似乎暂时放弃了和百度、阿里巴巴(高德)在地图上的争夺,但实际上,在中国对地理信息控制比较严的条件下还 投入极大的成本去采集街景,说明腾讯决心将“街景”作为未来的核心竞争力,它涉及两个层面:第一,腾讯在采集街景时必然会采集其他的位置信息,可以帮助它在此之上构建其他业务,例如移动广告,甚至可能会有腾讯自己的无人汽车;第二,能够自己建立基础数据平台,让腾讯有可能成为地图底层数据和地图提供商。

所以,不久之后,当我们打开数字地图应用时,也许看到的将不再是千篇一律的地图、附近、导航……这样的逻辑结构,而是能够选择自己钟爱的世界,漫游于一个高度模拟现实生活的数据王国之中。

 

  • 0
    点赞
  • 1
    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