BEIJING, Nobyembre 9, 2023 — Ang WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” o ang “Kompanya”), isang nangungunang global na tagapagbigay ng teknolohiya ng Hologram Augmented Reality (“AR”), ay inanunsyo na ginamit nito ang multi-modal na datos upang kompensahin ang kakulangan ng single modal na datos, isang paraan ng semantic segmentation na batay sa multi-modal na data fusion ang naisip upang pataasin ang tumpak ng semantic segmentation. Ang multi-modal data fusion ay tumutukoy sa fusion ng datos mula sa iba’t ibang sensor o modalidad upang magbigay ng mas komprehensibo at tumpak na impormasyon.
Ang multi-modal data fusion ay napakahalaga sa semantic segmentation, kung saan ang multi-modal data fusion ay makakagamit ng datos mula sa iba’t ibang sensor o modalidad, at sa pamamagitan ng pag-integrate ng impormasyon mula sa iba’t ibang modalidad, ito ay makakagamit ng mga benepisyo ng datos mula sa iba’t ibang modalidad upang magbigay ng isang mas komprehensibo at pinagyaman na paglalarawan ng mga tampok, upang makakuha ng isang mas komprehensibong pag-unawa ng eksena, at upang pataasin ang tumpak ng semantic segmentation. Halimbawa, sa semantic segmentation, maaari ring gamitin ang RGB images at depth images bilang input na datos. Ang RGB images ay nagbibigay ng kulay at texture na impormasyon, habang ang depth images ay nagbibigay ng heometriya ng bagay at distansyang impormasyon. Sa pamamagitan ng pag-fuse ng impormasyon mula sa dalawang modalidad na ito, mas maaaring maintindihan ang mga kategoryang semantiko ng mga bagay sa larawan at mas tumpak na maaaring gawin ang segmentation.
Bukod pa rito, ang multi-modal data fusion ay makakapag-improve ng tumpak ng semantic segmentation. Sa tunay na eksena, maaaring maapektuhan ang mga larawan ng mga bagay tulad ng pagbabago ng ilaw, pagkakatalik, ingay, at iba pa, na humantong sa pagbaba ng tumpak ng single-modal na datos. Sa pamamagitan ng pag-fuse ng datos mula sa maraming modalidad, mababawasan ang impluwensiya ng single-modal na datos ng mga bagay na nakakaapekto, kaya nakakapag-improve ng katatagan ng semantic segmentation at nagbibigay ng mas mahusay na suporta at solusyon para sa kaugnay na gawain sa larangan ng computer vision.
Ang teknik ng multi-modal data fusion ay isang mahalagang kasangkapan upang pataasin ang pagganap ng semantic segmentation. Maaaring gamitin ang feature-level fusion, decision-level fusion, at iba pang pamamaraan ng joint modeling para sa multi-modal data fusion upang pataasin ang tumpak ng semantic segmentation. Sa praktikal na aplikasyon, ang pagpili ng angkop na pamamaraan ng fusion at teknik, at ang pag-ayos at pag-optimize nito ayon sa partikular na gawain at katangian ng datos ay tutulong upang pataasin ang epekto ng semantic segmentation at magbigay ng higit pang posibilidad para sa karagdagang pag-unlad at aplikasyon ng mga gawain ng semantic segmentation.
Ang WiMi ay gumagamit ng pre-processing ng datos, pag-extract ng tampok, fusion ng datos, at pagsasanay ng modelo ng segmentation upang maabot ang semantic segmentation para sa multi-modal data fusion. Una, kailangan i-preprocess ang datos na nakolekta mula sa iba’t ibang sensor, kasama ang mga operasyon tulad ng normalisasyon ng datos, pagtanggal-ingay at pagpapahusay upang pataasin ang kalidad at kapakinabangan ng datos. Susunod, kukunin ang mga tampok mula sa datos ng bawat sensor. Para sa data ng larawan, maaaring gamitin ang convolutional neural network (CNN) upang kumuha ng paglalarawan ng tampok ng larawan; para sa text data, maaaring gamitin ang word embedding model upang i-transform ang text sa vector na paglalarawan. Pagkatapos ng pag-extract ng tampok, i-i-integrate ang mga tampok mula sa datos ng iba’t ibang sensor. Sa wakas, gagamitin ang naintegrang tampok upang pagsanayin ang modelo ng semantic segmentation.
Ang semantic segmentation para sa multi-modal data fusion ay napakahalaga sa maraming larangan, kabilang ang computer vision, natural language processing, at intelligent interaction. Gayunpaman, may ilang hamon at problema pa rin sa larangang ito na nangangailangan ng karagdagang pananaliksik at pag-iimbestiga. Ang semantic segmentation na batay sa multi-modal data fusion ay may maraming lugar pa rin para sa pag-unlad sa hinaharap na pananaliksik, at sa pamamagitan ng paglutas ng mga problema ng multi-modal data fusion at pagpapabuti ng kapasidad at tumpak ng algoritmo, mas mapapalawak pa ang pag-unlad at aplikasyon ng semantic segmentation.
Sa hinaharap, lalawak pa ng WiMi ang pag-iimbestiga sa mas advanced na teknolohiya ng multi-modal data fusion, tulad ng joint modeling ng mga larawan, text, at mas kumplikadong mga modelo ng semantic segmentation. Bukod pa rito, iaaapply din ng WiMi ang semantic segmentation para sa multi-modal data fusion sa mas malawak na larangan, tulad ng pagsusuri ng medikal na larawan, intelligent transportation, at iba pa, upang masolusyunan ang tunay na problema sa mundo at pakinabangan ang pag-unlad ng agham at teknolohiya.
Tungkol sa WIMI Hologram Cloud
Ang WiMi Hologram Cloud, Inc. (NASDAQ: WIMI) ay isang komprehensibong tagapagbigay ng solusyon sa teknikal na holographic cloud na nakatuon sa propesyonal na larangan kabilang ang software ng automobil na holographic AR HUD, 3D holographic pulse LiDAR, head-mounted na field na holographic na kagamitan, holographic na semiconductor, software ng holographic na cloud, holographic na navigation ng kotse at iba pa. Kasama sa kanyang mga serbisyo at teknolohiya ng holographic AR ang aplikasyon ng holographic AR sa automobil, teknolohiya ng 3D holographic pulse LiDAR, teknolohiya ng holographic na semiconductor ng paningin, pag-unlad ng software ng holographic, teknolohiya ng advertising ng holographic AR, teknolohiya ng entertainment ng holographic AR, pagbabayad ng holographic ARSDK, interaktibong komunikasyon ng holographic at iba pang teknolohiya ng holographic AR.
Safe Harbor Statements
Ang press release na ito ay naglalaman ng “salaysaying panghinaharap” sa ilalim ng Private Securities Litigation Reform Act of 1995. Ang mga salaysaying panghinaharap na ito ay maaaring makilala sa terminolohiya tulad ng “magiging”, “inaasahan”, “inaasahang”, “sa hinaharap”, “nagtatangkang”, “planado”, “naniniwala”, “tinataya”, at katulad na salita. Ang mga pahayag na hindi kasaysayan ng katotohanan, kabilang ang mga pahayag tungkol sa paniniwala at inaasahan ng Kompanya, ay salaysaying panghinaharap. Sa iba’t ibang bagay, ang business outlook at mga talumpati mula sa pamamahala sa press release at ang strategic at operasyonal na plano ng Kompanya ay naglalaman ng salaysaying panghinaharap. Maaaring gumawa ang Kompanya ng nakasulat o nakasalitang salaysaying panghinaharap sa kanyang periodic reports sa US Securities and Exchange Commission (“SEC”) sa Mga Form 20−F at 6−K, sa kanyang taunang ulat sa mga shareholder, sa press release, at sa iba pang nakasulat na materyal, at sa nakasalitang pahayag ng kanyang mga opisyal, direktor o empleyado sa iba’t ibang partido. Ang mga salaysaying panghinaharap ay naglalaman ng mga panganib at kawalan ng katiyakan. Ilan sa mga bagay na maaaring magdulot ng aktuwal na resulta na magkaiba sa maraming materyal mula sa anumang salaysaying panghinaharap ay kabilang ang mga sumusunod: ang mga layunin at estratehiya ng Kompanya; ang hinaharap na negosyo, kondisyon pinansyal, at resulta ng operasyon ng Kompanya; ang inaasahang paglago ng industriya ng holographic AR; at ang mga inaasahan ng Kompanya tungkol sa pangangailangan at pagtanggap ng merkado sa kanyang mga produkto at serbisyo.
Karagdagang impormasyon tungkol sa mga ito at iba pang panganib ay kasama sa taunang ulat ng Kompanya sa Form 20-F at sa kasalukuyang ulat sa Form 6-K at sa iba pang dokumento na naisumite sa SEC. Ang lahat ng impormasyon sa press release na ito ay batay sa petsa ng press release na ito. Ang Kompanya ay hindi nangangako ng anumang obligasyon upang baguhin ang anumang salaysaying panghinaharap maliban kung kinakailangan sa ilalim ng mga batas.