VIVE开发者峰会圆满召开 HTC发布VIVE WAVE VR开放平台

HTC在VIVE开发者峰会上发布了VIVE Wave VR开放平台,旨在打破VR行业硬件壁垒,简化移动端VR内容开发。此外,还推出了全新的VR一体机Vive Focus,采用inside-out追踪技术,支持六自由度,提供无线高品质VR体验。Vive还宣布将给予Viveport开发者100%的分成,并启动内容开发者大赛,推动VR生态圈的健康发展。
摘要由CSDN通过智能技术生成

曾几何时,VR设备成了各大参展商必备的参展商品之一,时至今日依然是吸引与会者围观展馆的一大利器。但进入2017年后,VR行业的热度似乎有所放缓,但Vive中国区总裁汪丛青先生在开场演讲时表示,这是任何产业的必经之路,而Vive也将通过大会上发布的几大亮点,向与会者介绍和谐共赢的VR生态圈,这也一定能为VR行业带来更多助力与信心!

图片描述

一、Vive Wave VR开放平台发布 打破VR行业硬件壁垒

据相关数据显示,目前国内VR头显设备超过400个品牌,且大多拥有自己的SDK。由于缺乏统一的标准,且硬件互不兼容,对内容开发者提出了极大的挑战,在适配不同型号的VR设备上要花费大量时间。

图片描述

HTC正式发布VIVE Wave VR开放平台

为应对这一现状,Vive Wave VR开放平台应运而生。Vive虚拟现实新科技部门副总裁鲍永哲表示,Vive Wave 是一个开放式的VR平台,兼备完善的开发工具,使得移动端VR内容开发变得更加简单,更提供高性能的VR设备优化。 Vive Wave VR SDK支持主流游戏引擎,跨平台支持众多移动端VR设备与配件,开发者们的一次内容开发就可以让使用不同VR硬件的玩家都体验到这款得意作品。

此外,Vive Wave VR SDK还拥有六大特色

  • 支持嵌入式VR runtime,可实现跨平台开发,提升开发者编程效率,适用于Android 7.1及更高版本;
  • 开放式接口,可轻松连接各种第三方的VR插件与设备,打破不同硬件产品壁垒;
  • 强大的移动端VR优化,如画面延迟缩短20毫秒、镜头失真校正及色差校正、2D 图形覆盖、虚拟安全墙等等,提供VR内容整体质量;
  • 支持多种类型的VR头显,包括手机嵌入式头显、外接手机式内建屏幕头显(单、双屏幕)、一体机式头显(单、双屏幕),减少开发者适配时间;
  • 提供行业标准格式的API(如:OpenVR),轻松将内容转移到Vive Wave,节约开发时间和成本;
  • 支持多种不同的CPU架构优化(高通骁龙VR效能优化),提升终端用户使用体验。

为了造福广大开发者,即日起至12月8日,如果开发者希望获得Vive Wave开发套件(内含:1台Vive Focus 开发者版本 + Vive Wave VR SDK),可登录官网网站免费申请。数量有限,即刻申请吧!

图片描述

Vive Wave合作伙伴联盟

HTC VR销售运营副总裁胡维多表示,Vive Wave是一个开放、共享的产业级生态平台,它能够确保用户的体验质量,并聚合了整个产业里优质的内容,同时让硬件厂商通过Vive Wave平台,将最好的体验带给VR用户。此外,胡维多非常高兴的宣布,Vive将携手12家重要的硬件合作厂商,一起加入Vive Wave合作伙伴联盟,携手解决移动VR市场碎片化的难题,并打造一个健康、开放的VR生态系统。

二、VR一体机Vive Focus惊喜登场 再创VR硬件新革命

除了VIVE Wave VR开放平台,HTC还发布了革命性VR一体机VIVE Focus。完美的机身线条,亮眼的天蓝色,双前置摄像头,就好像两颗”大眼睛”一般,在聚光灯的照耀下更显光芒四射。Vive Focus专为大众市场设计,即戴即用、操作简单、佩戴舒适、携带方便,是首款采用inside-out追踪技术,支持六自由度(6DoF),可实现大空间(world-scale)定位的高端VR一体机产品。

图片描述

汪丛青携VIVE Focus惊艳亮相

不仅如此,Vive Focus的AMOLED显示屏,可为用户带来低延迟、高清晰的绝佳体验,并搭载高通®骁龙835™移动VR平台,可支持Vive Wave VR开放平台,畅享Viveport的海量VR内容。

对于消费者来说,Vive Focus无需连接电脑或手机,在带来无拘无束的无线高品质VR体验的同时,还降低了享有高端VR设备的成本,非常令人期待!

三、扶持VR内容开发者 Vive助其梦想成真

既然有了如此强大的Vive Wave VR开放平台,以及炫酷的VR一体机Vive Focus,如果缺少优质的内容,同样无法满足用户需求。为了鼓励内容创作者,汪丛青表示,在第四季度,Vive将会给每一个Viveport开发者百分之百的分成,Vive不收一分钱,所有内容收款都将奖励给开发者。

此外,Vive中国区内容团队负责人袁东表示,Vive Studios致力于帮助全球最优秀的内容开发者梦想成真,其团队使命是通过技术、资金、投资和策略,帮助开发者获得更多收益,也会帮助海外游戏开发商进行中国大陆的本地化和运营推广。目前有超过35个国内外的内容开发菁英团队已为Vive Wave打造了优质的移动VR内容。他也带来了另一个振奋人心的好信息,2018 Viveport内容开发者大赛将在12月份启动,获奖者除了有机会把作品与Vive和Vive Focus做内容捆绑,更有高达400万元人民币的奖金池!

四、战略合作锦上添花 全方位推进VR生态圈的健康发展

HTC Vive Viveport副总裁王志华,分享了Viveport当前的运营状况,以及未来在移动VR生态圈的战略布局。王志华表示,Viveport是Vive主要的内容发布平台,其使命是让所有消费者更直接的体验最优秀的方案,从而缩小世界的距离及贫富差距。

对于开发者而言,Viveport提供的是一个完整的解决方案,开发者透过Viveport入口,可以更方便的发布、管理其内容。对于Vive而言,可通过Viveport接触到散落在全世界各地的使用者,并覆盖更多不同的营业模式。同时,也非常高兴能够与Unity达成深度合作,能够让内容开发者一键从Unity把内容上传到Viveport。

图片描述

Vive与Unity达成战略合作

Unity将会把Viveport整合到Unity的内容平台中,并为开发者提供更便捷的下载Vive Wave VR SDK的方式。另外,Unity还将把Vive的应用内支付及VR广告功能集成在开发系统中,为中国乃至亚太地区的VR开发者创造更多的营收机会。

此外,蚂蚁金服提供Vive Focus全球首个一体机支付方案,以后用户可以直接在VR中购物,不需要摘下头盔,从而获得更好的购物体验;百度VR与Vive进行了广泛的技术合作,包括VR浏览器,使用百度VR开发的XBase作为网页渲染内核;百度AI开放平台上的语音识别技术用于VR输入法等;微信支付和中国银联也成为了Viveport线上支付伙伴;手势识别及签名辨认技术专家AirSig也一同为开发者提供优质的开发软件。

五、行业合作百花齐放 共创VR行业共荣新格局

同时,在行业分论坛中,来自各行各业的技术精英,也分享了VR在各个行业落地应用。如在游戏教育、地产、工业设计、医疗、广告、家装、建筑等等领域,VR都有非常好的应用前景。同样,VR图书馆将为图书馆、博物馆等公众场所的用户带来沉浸式的VR阅读新体验。Vive VR广告服务部总监黄君伟直言,未来VR广告不再仅仅是广告,会成为整体营销的一部分。

最后,对于即将到来的2018年,汪丛青先生表示,2018年会达到甚至会超越很多人的预期。2017年大家的想法和预期太高了,每个行业能在一开始便爆发是不现实的,但2018年将会诞生很多革命性的新产品新合作,人们的预期会更趋于理性。随着VR内容的日趋丰富,VR将走进普通消费者的生活之中。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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