-
微物联科技自研的视频全结构化引擎是对视频或图片中的人脸、人体、机动车、非机动车进行目标抓拍、识别、属性分析的智能视频分析引擎，支持人脸检索/聚类、人体检索/聚类、人脸人体关联检索/聚类、车辆检索、车牌识别、属性结构化检索等多种功能。
该引擎采用高效开放的架构模式, 用以稳定灵活的支持各种丰富的功能模块：
• 单机主从架构，保证稳定性
• 可扩展插件系统，满足灵活多变定制
• 支持多种推理模型，高效异构计算平台（多种AI芯片)
• 分布式架构，保证系统高可用
-
基于微物联科技原创的人脸识别算法，在人脸检测、人脸比对、人脸1：N、人脸属性等多方方面，具有行业领先优势。
-
微物联科技活体检测算法涵盖动作活体、静默活体、红外活体、结构光/TOF活体、3D活体等多项类别。
基于原创核心算法的微物联科技活体相机全国首家通过国家标准检测，活体检测性能达到金融支付标准中的最高安全等级（增强级）。支持活体检测的红外单目/双目摄像头，以快速启动、低功耗嵌入式模组和精简优化的神经网络，在低算例平台上实现活体检测和人脸识别算法。
微物联科技2018年2月国内首发3D结构光人脸识别技术。3D结构光技术，相较以往的2D人脸识别及以红外活体检测技术，实现巨大飞跃：在安全性、识别精度、识别速度方面都得到大幅提升，在千万分之一误识率下能达到99%以上的准确率，将速度由1-2秒缩短到毫秒级，高效防御面具、视频等欺诈手段。
-
微物联科技的物体检测算法采用深度学习模型，在算法与应用方面都属于领先水平：
• 算法优势：采用微物联科技的先进目标检测算法，拥有多项专利，基于最先进的推理库，极大地优化提取特征的效率；
• 性能卓越：识别快速，准确率高，实时精准反馈；
• 安全性高：SDK层适配公司软、硬key授权，对识别模型加密，保证产品不被复制；
• 强适应：具有很高的应用价值，应用于工业生产、电力作业、工地施工等场景，高效实现缺陷检测、安全帽检测等功能。
-
微物联科技推出Pyramidal-FSMN语音识别模型，在全球最大的开源语音识别数据集Librispeech上刷新了世界纪录，准确率提升到97.03%，将Librispeech的错词率（Worderrorrate，WER）降低至2.97%，比原指标提升了25%，大幅刷新原先记录，水平超过受过严格训练的专业人类速记员。
-
微物联科技Pixer-Anchor文本检测算法，能够在多版式、且具有复杂背景、阴影、折痕、印章、水印、串行、错位等干扰的测试集上进行识别并结构化输出文本信息，在ICDAR2015和2017 MLT中，分别在检测准确率和检测效率两个维度上刷新世界纪录，在多次银行POC中取得第一名。
微物联科技OCR自动训练平台，包括自动识别训练算法、自动适配及重构算法、自动标注及校正算法、文本检测及版式分析算法，语义理解及自动集成等技术，对图片可以进行自动标注及自动训练，在基本无数据的情况下可以生产出可用于真实环境下的文本识别模型，可以实现“边训练边标注”。
-
微物联科技在自然语言处理领域已取得多项世界级成果：
语义感知：
微物联科技与上海交通大学联合推出的语义感知SemBERT多任务预训练语言模型，通过预训练的语义角色标注模型引入显式的上下文语义标签信息，改善深度语言模型的建模性能，在10项自然语言理解任务上显著地提升了基准模型，甚至达到了世界领先水平。
机器阅读理解：
微物联科技与上海交通大学联合首创的阅读信息匹配机制——DCMN模型，在卡内基-梅隆大学发起的大型深层阅读理解任务数据集RACE数据集上登顶第一，并成为世界首个超过人类排名的模型。DCMN模型使机器的正确率达到72.1%，较之前最好结果（67.9%）提高了4.2个百分点，并在高中测试题部分首次超越人类69.4%的成绩。
其后微物联科技与上海交通大学在DCMN基础上推出增强模型DCMN+，针对多项选择型机器阅读理解的双向匹配策略，以大规模预训练模型BERT等作为前端编码器，在多个多项选择型机器阅读理解任务（卡耐基梅隆大学的RACE等）上取得了最先进的水平。
-
微物联科技拥有一整套完整知识图谱产品，涵盖知识建模、知识抽取、知识存储、知识计算、知识推理、知识应用等各阶段，具有理念先进、容量大、性能高、功能丰富、交互便捷、部署方便等多项优势。
以大数据平台为基础、以图计算为核心，帮助各领域企业用户构建完善的知识中台，实现全方位的知识辅助，提升客户的智能化运营、管理水平。
-
微物联科技在该领域的技术已实现多项重要功能突破：
可以实现特征的自动搜索和挖掘，人工仅需配置搜索策略，模型即可自动进行特征加工和筛选，找到最有效的特征组合；
使用自动特征工程挖掘特征组合并对特征进行分箱，无需手工进行特征选择和分箱调整。用户只需手工定义模型参数的搜索范围，算法即可自动搜索出最优的模型参数，实现自动调参；
使用决策树进行特征提取，具有较强的非线性特征拟合能力，在多个数据集上的实验表明，模型效果与 LGB、XGB 等基于决策树算法的模型效果相当；
可以输出每个特征及特征组合对应的风险值，可通过决策引擎进行部署。
-
基于微物联科技在AI工程学领域的先发优势，自动特征生成引擎通过对数据Meta信息的简单配置，其聚合统计，自动生成预测主体的候选特征。能够基于算法工程师在多种场景下建模所总结的实际特征生成经验；只需要简单配置表格型时序日志数据的Meta信息，就能完全自动地获取一组高水平的基线特征。
-
微物联科技自研的面向算法工程师的模型训练平台，输入训练数据集，通过调整模型参数、标签特征等内容即可完成模型训练，并将模型发布至推理平台。机器学习算法覆盖有监督、半监督、无监督三类算法，用以解决分类（可通过有监督、半监督算法）、回归（有监督算法）、分类（无监督算法）四类问题。客户可通过上传配置文件和算法的输入输出代码，在训练平台完成客户自研算法的训练。
-
依托微物联在AI工程学领域的持续积淀，将训练平台中生产的模型进行部署，向下游平台/引擎（如决策引擎、外部调度系统等）提供模型在线推理服务。
微物联科技机器学习推理引擎具有多重优势：基于分布式的模型部署架构；支持主流推理框架；支持第三方工具、模型快速集成。
人机交互
实时监控
环境数据
AI算法企业
应用软件商
大数据软件商
设备制造商
芯片厂商
用户和创业者
政府
