-
微物聯科技自研的視頻全結構化引擎是對視頻或圖片中的人臉、人體、機動車、非機動車進行目標抓拍、識別、屬性分析的智能視頻分析引擎，支持人臉檢索/聚類、人體檢索/聚類、人臉人體關聯檢索/聚類、車輛檢索、車牌識別、屬性結構化檢索等多種功能。
該引擎采用高效開放的架構模式, 用以穩定靈活的支持各種豐富的功能模塊：
? 單機主從架構，保證穩定性
? 可擴展插件系統，滿足靈活多變定制
? 支持多種推理模型，高效異構計算平臺（多種AI芯片)
? 分布式架構，保證系統高可用
-
基于微物聯科技原創的人臉識別算法，在人臉檢測、人臉比對、人臉1：N、人臉屬性等多方方面，具有行業領先優勢。
-
微物聯科技活體檢測算法涵蓋動作活體、靜默活體、紅外活體、結構光/TOF活體、3D活體等多項類別。
基于原創核心算法的微物聯科技活體相機全國首家通過國家標準檢測，活體檢測性能達到金融支付標準中的最高安全等級（增強級）。支持活體檢測的紅外單目/雙目攝像頭，以快速啟動、低功耗嵌入式模組和精簡優化的神經網絡，在低算例平臺上實現活體檢測和人臉識別算法。
微物聯科技2018年2月國內首發3D結構光人臉識別技術。3D結構光技術，相較以往的2D人臉識別及以紅外活體檢測技術，實現巨大飛躍：在安全性、識別精度、識別速度方面都得到大幅提升，在千萬分之一誤識率下能達到99%以上的準確率，將速度由1-2秒縮短到毫秒級，高效防御面具、視頻等欺詐手段。
-
微物聯科技的物體檢測算法采用深度學習模型，在算法與應用方面都屬于領先水平：
? 算法優勢：采用微物聯科技的先進目標檢測算法，擁有多項專利，基于最先進的推理庫，極大地優化提取特征的效率；
? 性能卓越：識別快速，準確率高，實時精準反饋；
? 安全性高：SDK層適配公司軟、硬key授權，對識別模型加密，保證產品不被復制；
? 強適應：具有很高的應用價值，應用于工業生產、電力作業、工地施工等場景，高效實現缺陷檢測、安全帽檢測等功能。
-
微物聯科技推出Pyramidal-FSMN語音識別模型，在全球最大的開源語音識別數據集Librispeech上刷新了世界紀錄，準確率提升到97.03%，將Librispeech的錯詞率（Worderrorrate，WER）降低至2.97%，比原指標提升了25%，大幅刷新原先記錄，水平超過受過嚴格訓練的專業人類速記員。
-
微物聯科技Pixer-Anchor文本檢測算法，能夠在多版式、且具有復雜背景、陰影、折痕、印章、水印、串行、錯位等干擾的測試集上進行識別并結構化輸出文本信息，在ICDAR2015和2017 MLT中，分別在檢測準確率和檢測效率兩個維度上刷新世界紀錄，在多次銀行POC中取得第一名。
微物聯科技OCR自動訓練平臺，包括自動識別訓練算法、自動適配及重構算法、自動標注及校正算法、文本檢測及版式分析算法，語義理解及自動集成等技術，對圖片可以進行自動標注及自動訓練，在基本無數據的情況下可以生產出可用于真實環境下的文本識別模型，可以實現“邊訓練邊標注”。
-
微物聯科技在自然語言處理領域已取得多項世界級成果：
語義感知：
微物聯科技與上海交通大學聯合推出的語義感知SemBERT多任務預訓練語言模型，通過預訓練的語義角色標注模型引入顯式的上下文語義標簽信息，改善深度語言模型的建模性能，在10項自然語言理解任務上顯著地提升了基準模型，甚至達到了世界領先水平。
機器閱讀理解：
微物聯科技與上海交通大學聯合首創的閱讀信息匹配機制——DCMN模型，在卡內基-梅隆大學發起的大型深層閱讀理解任務數據集RACE數據集上登頂第一，并成為世界首個超過人類排名的模型。DCMN模型使機器的正確率達到72.1%，較之前最好結果（67.9%）提高了4.2個百分點，并在高中測試題部分首次超越人類69.4%的成績。
其后微物聯科技與上海交通大學在DCMN基礎上推出增強模型DCMN+，針對多項選擇型機器閱讀理解的雙向匹配策略，以大規模預訓練模型BERT等作為前端編碼器，在多個多項選擇型機器閱讀理解任務（卡耐基梅隆大學的RACE等）上取得了最先進的水平。
-
微物聯科技擁有一整套完整知識圖譜產品，涵蓋知識建模、知識抽取、知識存儲、知識計算、知識推理、知識應用等各階段，具有理念先進、容量大、性能高、功能豐富、交互便捷、部署方便等多項優勢。
以大數據平臺為基礎、以圖計算為核心，幫助各領域企業用戶構建完善的知識中臺，實現全方位的知識輔助，提升客戶的智能化運營、管理水平。
-
微物聯科技在該領域的技術已實現多項重要功能突破：
可以實現特征的自動搜索和挖掘，人工僅需配置搜索策略，模型即可自動進行特征加工和篩選，找到最有效的特征組合；
使用自動特征工程挖掘特征組合并對特征進行分箱，無需手工進行特征選擇和分箱調整。用戶只需手工定義模型參數的搜索范圍，算法即可自動搜索出最優的模型參數，實現自動調參；
使用決策樹進行特征提取，具有較強的非線性特征擬合能力，在多個數據集上的實驗表明，模型效果與 LGB、XGB 等基于決策樹算法的模型效果相當；
可以輸出每個特征及特征組合對應的風險值，可通過決策引擎進行部署。
-
基于微物聯科技在AI工程學領域的先發優勢，自動特征生成引擎通過對數據Meta信息的簡單配置，其聚合統計，自動生成預測主體的候選特征。能夠基于算法工程師在多種場景下建模所總結的實際特征生成經驗；只需要簡單配置表格型時序日志數據的Meta信息，就能完全自動地獲取一組高水平的基線特征。
-
微物聯科技自研的面向算法工程師的模型訓練平臺，輸入訓練數據集，通過調整模型參數、標簽特征等內容即可完成模型訓練，并將模型發布至推理平臺。機器學習算法覆蓋有監督、半監督、無監督三類算法，用以解決分類（可通過有監督、半監督算法）、回歸（有監督算法）、分類（無監督算法）四類問題?？蛻艨赏ㄟ^上傳配置文件和算法的輸入輸出代碼，在訓練平臺完成客戶自研算法的訓練。
-
依托微物聯在AI工程學領域的持續積淀，將訓練平臺中生產的模型進行部署，向下游平臺/引擎（如決策引擎、外部調度系統等）提供模型在線推理服務。
微物聯科技機器學習推理引擎具有多重優勢：基于分布式的模型部署架構；支持主流推理框架；支持第三方工具、模型快速集成。
人機交互
實時監控
環境數據
AI算法企業
應用軟件商
大數據軟件商
設備制造商
芯片廠商
用戶和創業者
政府
