荣耀Magic4系列能达成赵明的高端梦吗?

日前,脱离华为有段时间的荣耀召开了旗下最新旗舰 Magic 4系列旗舰手机发布会。

Magic 4系列产品表现如何?他能获得用户的认可吗?

一、核心配置到位的标配旗舰

荣耀 Magic 4系列配备了如今 Android 旗舰手机标配的芯片——高通骁龙8 gen1,日常使用、打游戏的性能是无需担心的。尽管这款芯片在联发科天玑 9000面前,有着诸如功耗高、发热大等缺点,但是如果厂商没有足够的实力和精力,赶上调教天玑 9000的话,那么高通骁龙8 gen1其实就是目前能够买到的最强 Android 芯片了。

不过也正因为高通骁龙8 gen1发热严重,虽然荣耀屡屡强调他们是驯龙高手,最终仍然选择和其他 Android 手机厂商一样,为荣耀 Magic 4系列配备了电竞级 VC 液冷散热,宣称散热总面积达到了20000+平方毫米,所以机身温度控制应该是不需要消费者担心的。

存储和内存方面,荣耀也分别采用了 UFS 3.1和满血版 LPDDR5,同样也是今年旗舰手机的标配,能够提供非常强大的读写能力、超高的系统流畅度,是非常值得表扬的,消费者在玩游戏时能够明显体会到两项技术的加持,所带来的更顺滑的游戏加载速度。

续航方面,荣耀 Magic 4配备了4800mAh 电池和66W 有线快充,对于日常生活来说,已经足够使用了,如果想要无线充电的话,就只能选择荣耀 Magic 4 Pro,其配备了4600mAh 电池、100W 有线快充和50W 无线快充。

总体来看,就是一款标配旗舰。

二、摄像头技术再升级,但机型阉割明显

必须要承认的是,荣耀在影像方面的探索是非常前沿且深入的,此次全新的荣耀 Magic 4 至臻版更是凭借146分的好成绩登顶 DXOMARK 手机影像排行榜,向大众证明了荣耀的影像能力。

荣耀 Magic 4 至臻版采用了6400W 超广角摄像头、5000W 光谱增强摄像头、6400W 潜望式长焦摄像头、5000W 超感广角主摄、Flicker 传感器和8x8 dTOF激光对焦传感器,以上共同组成了荣耀 Magic 4 至臻版的后置摄像系统,在色彩、清晰度方面都有着行业一流的表现。

前置采用了「药丸」式双挖孔屏,其中一颗为3D 深感摄像头支持支付级人脸解锁功能,相比单挖孔 Android 旗舰手机在功能性方面更加出彩一些。

不过虽然荣耀 Magic 4 Pro 与荣耀 Magic 4 至臻版在影像方面有着基本一致的配置,在一些细微配置方面仍然有差距,比如荣耀 Magic 4 Pro 就没有5000W 光谱增强摄像头,其他摄像头的配置也有所缩水,因此提前提醒你千万别指望荣耀 Magic 4 Pro 能够有和荣耀 Magic 4 至臻版一样的摄影体验。

其次在本系列目前最低配的机型方面,它的影像配置相比它的两位「大哥」再降一级,其中潜望式长焦摄像头更是直接从6400W 像素降低到了800W,让它的长焦能力与同系列中的两款高阶机型相去甚远。

如果我们从荣耀厂商的角度出发,这种打着同一系列名号,提高价格却在配置方面大幅阉割的行为,的的确确是一个非常聪明的商业抉择,能够唬住一大批不懂摄像头像素,但是又想要拍照好的手机的线下消费者。

然而我们的身份毕竟不是厂商,因此我们不必从厂商的角度来考虑问题,从我们的消费者身份来看,荣耀 Magic 4系列在相机配置方面的差距如此巨大,显然是不够尊重消费者,毕竟荣耀 Magic 4同价位机型是能够买到比它拍照更好的手机的。

三、核心技术缺失的荣耀,光靠嘴炮成不了高端

不管是在发布会上,还是在媒体采访稿中,我们都能看到不少荣耀人对 Magic 4系列的鼓吹,给人营造一种荣耀已经是高端手机品牌的幻觉。

但是仅仅从荣耀 Magic 4系列手机方面来看,其实荣耀离它口中常说的「高端手机品牌」还有着非常远的一段距离。

尽管荣耀 Magic 4系列在核心硬件配置方面到位,骁龙8+UFS 3.1+LPDDR5的性能铁三角,配合电竞级散热架构能够让它发挥出不错的性能,即便是玩《原神》、《COD Mobile》这样的高负载游戏,依旧能够带来非常流畅的游戏体验。

然而我们也必须注意的是,荣耀 Magic 4系列所拥有的旗舰核心配置,其实都只不过是市场上能够买到的大路货,并非是荣耀的独家技术。换而言之,其实这揭露出了荣耀手机的一个致命缺点——缺少核心技术。

这一缺点也造成了荣耀 Magic 4系列中,除了荣耀 Magic 4至臻版在影像方面靠暴力堆料,取得了非常不错的 DXOMARK 成绩,其他两款手机在市场上的竞争力并不大,相比荣耀 CEO 赵明口中一直要对标的苹果,荣耀在软件、硬件方面的技术积累,实际上全面落后于竞争对手。

那么荣耀靠什么对标苹果呢?嘴炮吗?显然这是不符合常理的,只有真正具有技术优势,荣耀才能够在智能手机市场中立足,不然只会沦为一个普通的组装厂,落得给供应链上游「打工」的下场。

最后来谈谈荣耀 Magic 4个系列的价格,本次 Magic 4最低配8GB+128GB 售价3999元,Magic 4 Pro 最低配8GB+256GB 售价为5499元,Magic 4至臻版售价为7999元。

坦率地讲,这三款手机的售价都有些偏高,其中相机系统最差的 Magic 4是最不值得的,另外两款机型的市场竞争力也不好,因为没有核心技术,本质上与其他 Android 旗舰手机是没什么不同的,唯一能够吸引人的便是影像系统,但是对于大多数人来说,日常生活中其实并不需要极其强大的摄影系统,因此如果对于不热衷于用手机拍照的消费者而言,荣耀 Magic 4系列是不值得买的。

总体来说,荣耀 Magic 4系列在核心配置方面是不错的,对得起旗舰手机的定位,但是不同机型之间对相机系统的阉割过于明显,且均价较高,所以在荣耀手机并不具备核心技术优势的情况下,笔者并不建议普通消费者选择这三款机型。当然,这样的Magic 也很难圆赵明的高端手机梦。

  • 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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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