为移动应用加上眼睛,谷歌收购法国图像识别创业公司 Moodstocks

本文涉及的产品
图像搜索,7款服务类型 1个月
简介: 毫无疑问,人工智能是当前科技行业最热门的概念,没有之一。为了保证自己在这「下一个万亿美元级」市场的优势,科技巨头们不会放过任何可能对自己有利的技术和人才。

Twitter 为图像识别技术以 1.5 亿美元收购了创业公司 Magic Pony 两周之后,谷歌也出手了,宣布收购法国图像识别创业公司 Moodstocks。交易将在未来数周内完成。

微信图片_20211126220658.jpg

据 Moodstocks 的网站和 LinkedIn 页面介绍,该公司成立于 2007 年,创始人为 Denis Brule 和 Cedric Deltheil,目前还是一家仅有数人的迷你公司。


TechCrunch 曾在 2010 年报道该公司在种子轮从欧洲投资者那里获得 50 万美元的资金。该公司专注于图像识别技术,「我们将移动设备变成能够识别真实世界物体的智能扫描器。」他们通过 SaaS(软件即服务)平台的形式(API+SDK)开放了自己的成果,任何移动应用开发者都可以使用他们的技术「为移动应用加上眼睛」。


该公司介绍,自 2012 年首次推出能在手机上实现图像识别功能的软件以来,经过两年半的发展,该公司的技术已经延伸到了对物理对象的识别。

Moodstocks 称目前全球已经有 2200 多位开发者在使用他们的服务,这些服务的数据缓存在带有 Moodstocks 自己的软件服务的客户端设备上。据该公司网站首页的公开信称,现有的客户可以继续使用 Moodstocks 的技术直到订阅期满。

其中还写道加入谷歌能让他们可以大规模部署他们的成果并「在谷歌内部开发出色的图像识别工具」。

但谷歌和这家小公司都没有公布双方交易的细节;不过谷歌可能会将这个团队作为自家的帮助手机理解周围世界的计算机视觉技术项目 Project Tango 的补充。该项目的目的是让移动设备不用借助外部设备就能实现空间定位,从而应用于室内定位、3D 地图测绘和增强现实等应用中。


毫无疑问,先进的对象识别技术必然能助力 Tango 实现这一愿景。此外,谷歌也可能会将 Moodstocks 的技术应用到谷歌已经推出的 Google Photos 应用中。

据 TechCrunch 介绍,谷歌之前还曾为了面部识别等图像技术收购过 JetPac 和 PittPatt 等创业公司。也曾在法国收购过另一家研究帮助提升智能手机性能的创业公司 FlexyCore。

识别真实世界中的物体和物体之间的关系一直是计算机视觉领域的「圣杯」,同时也是自主机器人所必备的技能。谷歌、IBM、亚马逊等科技巨头都在开发自己的计算机视觉和机器人技术,未来这一领域的技术和人才争夺可能还将愈来愈烈。

相关文章
|
机器学习/深度学习 算法 测试技术
全球最大的图像识别数据库ImageNet不行了?谷歌DeepMind新方法提升精度
来自苏黎世谷歌大脑和DeepMind London的研究人员认为,世界上最受欢迎的图像数据库之一ImageNet需要改造。ImageNet是一个无与伦比的计算机视觉数据集,拥有超过1400万张标记图像。它是为对象识别研究而设计的,并按照WordNet的层次结构进行组织。层次结构的每个节点都由成百上千的图像描述,目前每个节点平均有超过500个图像。
463 0
全球最大的图像识别数据库ImageNet不行了?谷歌DeepMind新方法提升精度
|
测试技术 TensorFlow 算法框架/工具
|
机器学习/深度学习 人工智能 算法
|
2月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
216 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
2月前
|
机器学习/深度学习 网络架构 计算机视觉
深度学习在图像识别中的应用与挑战
【10月更文挑战第21天】 本文探讨了深度学习技术在图像识别领域的应用,并分析了当前面临的主要挑战。通过研究卷积神经网络(CNN)的结构和原理,本文展示了深度学习如何提高图像识别的准确性和效率。同时,本文也讨论了数据不平衡、过拟合、计算资源限制等问题,并提出了相应的解决策略。
107 19
|
2月前
|
机器学习/深度学习 传感器 人工智能
探索深度学习在图像识别中的应用与挑战
【10月更文挑战第21天】 本文深入探讨了深度学习技术在图像识别领域的应用,并分析了当前面临的主要挑战。通过介绍卷积神经网络(CNN)的基本原理和架构设计,阐述了深度学习如何有效地从图像数据中提取特征,并在多个领域实现突破性进展。同时,文章也指出了训练深度模型时常见的过拟合问题、数据不平衡以及计算资源需求高等挑战,并提出了相应的解决策略。
109 7
|
2月前
|
机器学习/深度学习 自动驾驶 算法
深度学习在图像识别中的应用
本文将探讨深度学习技术在图像识别领域的应用。我们将介绍深度学习的基本原理,以及如何利用这些原理进行图像识别。我们将通过一个简单的代码示例来演示如何使用深度学习模型进行图像分类。最后,我们将讨论深度学习在图像识别领域的未来发展趋势和挑战。
|
2月前
|
机器学习/深度学习 数据采集 算法
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用,重点分析了卷积神经网络(CNN)的基本原理、优势以及面临的主要挑战。通过案例研究,展示了深度学习如何提高图像识别的准确性和效率,同时指出了数据质量、模型泛化能力和计算资源等关键因素对性能的影响。