北京2023年3月17日/美通社/——全球领先的全息图增强现实(“AR”)技术提供商WiMi Hologram Cloud Inc.(纳斯达克代码:WiMi)(“WiMi”或“公司”)今天宣布将cnn(卷积神经网络)应用于图像特征提取，并开发基于cnn的图像特征提取算法。
CNN是一种重要的深度学习方法，可以解决许多复杂的模式识别问题，广泛应用于图像识别、语音识别和自然语言处理等领域。
WiMi的算法利用卷积神经网络的局部连通性和权值共享特征，在图像处理过程中通过其他许多卷积核参数进行训练，自动提取同一图像的不同图像特征。池化操作可以显著减少训练参数数量，简化特征图大小，简化网络模型，提高训练效率。
卷积神经网络由两个交替的卷积层和池化层组成。卷积层负责从输入中提取特征，而池化层负责整合特征。卷积层从图像中获取局部信息，池化层显著降低参数幅度，全连接层输出所需结果。
首先，卷积层提取初始特征。卷积层类似于滤波器，用于从图像中提取特定的初始特征。经过大量的训练，机器自动调整卷积核的值，然后与图像矩阵进行卷积，从图像中提取特定的特征。卷积核的数量对初始特征提取有显著影响，但时间消耗也相应增加。然后，池化层提取主要组件。池化层的主要作用是减少训练参数的数量，降低卷积层输出的特征向量的维数并减少过拟合，只保留最有帮助的图像信息，并减少噪声的传播。在图像处理问题中，池化层可以降低特征图的维数，并为图像特征引入空间不变性，包括拉伸、旋转和平移。
卷积层和池化层一起工作来提取图像特征，并显著减少原始图像引入的参数。最后，系统应用全连接层生成与所需类数相等的分类器。将权重矩阵相乘，添加偏移值，并使用激活函数和梯度下降方法优化参数。全连通层用于线性分类。换句话说，在用于生成最终预测之前，它是检索到的高级特征向量的线性组合。
卷积核对整个图像进行水平、垂直和对角线扫描以生成特征图。当图像被处理时，输出图像中的每个像素使用一个受约束的接受域，这意味着输入图像中的每个像素只使用输入图像的一小部分。通过逐步扩大每个连续卷积层的接受域，可以获得图像中更精细、更抽象的信息，经过几层卷积后，最终得到不同尺寸图像的抽象表示。
如果计算机能像人类一样理解图像，它就能完成许多人类甚至无法完成的任务。使计算机理解数字图像是当前计算机科学研究的一个关键主题。对于计算机来说，数字图像只是一个数字矩阵，因此需要特征提取算法来帮助计算机理解图像。
WiMi基于卷积神经网络的图像特征提取算法具有图像处理的平移不变性和尺度不变性，可以提高图像特征提取的准确性。这是进一步完成图像识别和分类的必要条件。基于卷积神经网络的图像特征提取技术已广泛应用于医疗、安防、自动驾驶等领域。未来，微美将继续扩大其图像特征提取算法的应用范围。
关于WIMI全息云
WIMI全息云(NASDAQ:WIMI)于2015年开始商业运营，是一家专注于全息AR汽车HUD软件、3D全息脉冲激光雷达、头戴式光场全息设备、全息半导体、全息云软件、全息汽车导航等专业领域的全息云综合技术解决方案提供商。其服务和全息AR技术包括全息AR汽车应用、3D全息脉冲激光雷达技术、全息视觉半导体技术、全息软件开发、全息AR广告技术、全息AR娱乐技术、全息ARSDK支付、交互式全息通信等全息AR技术。
安全港声明
本新闻稿包含1995年《私人证券诉讼改革法案》中的“前瞻性陈述”。这些前瞻性陈述可以通过“将”、“预计”、“预计”、“未来”、“打算”、“计划”、“相信”、“估计”等术语来识别，以及类似的陈述。非历史事实的陈述，包括关于公司信念和期望的陈述，属于前瞻性陈述。除其他外，本新闻稿中的业务前景和管理层报价以及公司的战略和运营计划包含前瞻性陈述。公司还可以在提交给美国证券交易委员会(“SEC”)的定期报告(表格20 - F和6 - K)中，在致股东的年度报告中，在新闻稿中，在其他书面材料中，以及在其高级职员、董事或员工对第三方的口头声明中，作出书面或口头前瞻性陈述。前瞻性陈述涉及固有风险和不确定性。有几个因素可能导致实际结果与任何前瞻性声明中包含的结果存在重大差异，包括但不限于以下因素:公司的目标和战略;公司未来的业务发展、财务状况和经营成果;AR全息产业的预期增长;以及公司对其产品和服务的需求和市场接受度的预期。
关于这些风险和其他风险的进一步信息包括在公司的年度报告(Form 20-F)和当前报告(Form 6-K)以及提交给美国证券交易委员会(SEC)的其他文件中。本新闻稿中提供的所有信息均截至本新闻稿发布之日。本公司不承担更新任何前瞻性陈述的任何义务，除非根据适用法律要求。
