BEIJING, Okt. 12, 2023 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” o ang “Kompanya”), isang nangungunang global na tagapagkaloob ng Teknolohiya ng Hologram Augmented Reality (“AR”), ay nag-anunsyo ngayon na iminungkahi nito ang pagpapahusay ng data para sa mga convolutional neural network (CNN). Ang pagpapahusay ng data ay isang teknik na ginagamit sa pagsasanay ng mga neural network na layuning makalikha ng higit pang mga sample ng pagsasanay sa pamamagitan ng paggawa ng mga transformasyon at pagpapalawak sa orihinal na data, at makakatulong itong malutas ang problema ng kakulangan sa data at mapahusay ang kakayahang pangkalahatan ng modelo ng network.
Ang layunin ng pagpapahusay ng data ay upang lumikha ng mga bagong sample ng pagsasanay sa pamamagitan ng paggawa ng isang serye ng mga transformasyon sa orihinal na data upang madagdagan ang pagkakaiba-iba ng dataset, na papapayagan ang modelo ng network na matutunan nang mas maigi ang mga tampok ng data at mapahusay ang kakayahang pangkalahatan nito. Ang mga pamamaraan ng pagpapahusay ng data ay maaaring kabilangan ng mga operasyon tulad ng pag-ikot sa larawan, pag-flip, pag-scale, at panning, pati na rin ang pagdaragdag ng ingay, pag-blur, at mga transformasyon sa kulay sa larawan, atbp. Sa pamamagitan ng mga transformasyong ito, pinapalaki ang pagkakaiba-iba at kumplikasyon ng data, upang ang modelo ay mas mahusay na maaangkop sa iba’t ibang mga kapaligiran at kondisyon, at mapahusay ang katatagan ng modelo, hal. sa isang gawaing pag-uuri ng larawan, ang larawan ay maaaring random na i-rotate, i-pan, at i-scale upang makalikha ng mga sample ng larawan na may iba’t ibang anggulo, posisyon at sukat. Ito ay nagpapahintulot sa modelo na mas maigi na matutunan ang iba’t ibang mga pose at pagbabago ng sukat ng mga bagay, na nagpapahusay ng katumpakan nito sa pag-uuri ng mga bagong larawan.
Sa CNN, ang pagpapahusay ng data ay maaaring ilapat sa mga gawain tulad ng pag-uuri ng larawan, pagtuklas ng target, at pangsemantikong pagsesegmento. Halimbawa, sa gawaing pag-uuri ng larawan, isang serye ng mga transformasyon at pagproseso ng orihinal na larawan upang makalikha ng mga bagong sample ng pagsasanay, pagdagdag sa pagkakaiba-iba ng mga sample ng data, upang ang modelo ay mas mahusay na maaangkop sa iba’t ibang mga pagbabago sa larawan, at mas tumpak na makumpleto ang gawaing pag-uuri ng larawan. Mahalaga rin ang papel ng pagpapahusay ng data sa gawaing pagtuklas ng target. Ang layunin ng gawaing pagtuklas ng target ay lokalisahin at iuri ang maraming target sa isang ibinigay na larawan, at upang mapahusay ang pagganap at kakayahang pangkalahatan ng modelo, ang pagpapahusay ng data ay maaaring gamitin upang palawakin ang set ng pagsasanay sa pamamagitan ng pagdaragdag sa pagkakaiba-iba at bilang ng mga sample. Mahalaga rin ang papel ng pagpapahusay ng data sa mga gawaing pangsemantikong pagsesegmento. Ang pangsemantikong pagsesegmento ay ang gawaing magtatak sa bawat pixel sa isang larawan bilang kabilang sa isang partikular na kategorya, at kaya nangangailangan ng malaking dami ng nakalabel na data upang sanayin ang modelo. Gayunpaman, napakahirap at nagkukulang sa oras na makakuha ng malaking-eskalang nakalabel na data. Sa puntong ito, ang pagpapahusay ng data ay maaaring gamitin upang madagdagan ang pagkakaiba-iba ng data sa pagsasanay at mapahusay ang kakayahang pangkalahatan ng modelo sa pamamagitan ng paggawa ng isang serye ng mga transformasyon at pagpapalawak sa umiiral na nakalabel na data.
Maraming mga pakinabang ang pagpapahusay ng data sa CNN, sa pamamagitan ng pag-ikot, pag-flip, pag-scale, pagsasalin at iba pang mga transformasyon ng orihinal na data, ito ay makakalikha ng higit pang mga sample na may pagkakaiba, upang ang modelo ay mas mahusay na matutunan ang iba’t ibang mga tampok at mga pattern ng pagbabago ng data, at mapahusay ang kakayahang pangkalahatan ng modelo. Sa parehong panahon, maaari nitong gamitin ang pagpapakilala ng ingay at random na mga transformasyon upang isimulahin ang kawalan ng katiyakan sa totoong mundo, ginagawang mas matatag ang modelo sa mga pagbabago sa input na data, pinaigting ang katatagan ng modelo at binabawasan ang panganib ng over-fitting. Sa pamamagitan ng makatuwirang pagpili at paggamit ng pagpapahusay ng data, mapapahusay ang pagganap at bisa ng modelo.
Sa patuloy na pag-unlad ng artipisyal na intelihensiya, nagbabago at nag-iinobate rin ang pagpapahusay ng data ng CNN. Ang mga tradisyonal na pamamaraan ng pagpapahusay ng data ay karaniwang batay sa ilang mga nakatakdang operasyon ng transformasyon, tulad ng pag-ikot, pagsasalin, pag-scale, atbp. Gayunpaman, maaaring magpasok ang mga pamamaraaning ito ng ilang hindi kanais-nais na ingay o pagkawala ng impormasyon. Sa hinaharap, aaralin ng WiMi ang pagsasama ng pagpapahusay ng data sa mekanismo ng feedback ng modelo sa pamamagitan ng mga algorithm sa pag-aaral upang maisakatuparan ang adaptibong pagpapahusay ng data, upang ang network ay awtomatikong makapili ng angkop na pamamaraan ng pagpapahusay ng data ayon sa mga katangian ng input na data at mga kinakailangan ng gawain, na nagpapahusay sa pagganap at katatagan ng modelo. Bukod pa rito, ang pag-unlad ng mga generative model (hal. mga generative adversarial network) ay nagbibigay din ng mga bagong ideya para sa pagpapahusay ng data, at ang paggamit nito sa pagpapahusay ng data ay may malawak na prospecto. Ang mga modelo tulad ng mga generative adversarial network ay maaaring matutunan ang mga katangiang pamamahagi ng data upang makalikha ng mas realistic at iba’t ibang mga sample ng data. Sa hinaharap, aaralin din ng WiMi ang pagsasama ng mga generative model sa pagpapahusay ng data, lumilikha ng mga bagong sample ng data sa pamamagitan ng mga generative model at ginagamit ang mga ito para sa pagpapahusay ng data, epektibong nalulutas ang problema ng kakulangan sa data, at lalo pang pinapahusay ang kakayahang pangkalahatan ng mga modelo. Sa malawak na paggamit ng multi-modal na data, naging mahalagang direksyon ng pag-unlad ang cross-modal na pagpapahusay ng data. Sa hinaharap, maaari naming pag-aralan kung paano i-transform at palawakin ang cross-modal na data sa pamamagitan ng pagpapahusay ng data upang mapahusay ang pagganap ng mga modelo sa mga cross-modal na gawain.
Napakapangako ng hinaharap na pag-unlad ng pagpapahusay ng data sa CNN. Sa hinaharap, lalo pang mapapahusay ng WiMi ang kakayahang pangkalahatan at pagganap ng modelo at mapapalawak ang mga application nito sa pamamagitan ng pagsasama ng pananaliksik sa adaptibo, mga generative model, at cross-modal.
Tungkol sa WIMI Hologram Cloud
Ang WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) ay isang tagapagkaloob ng komprehensibong teknikal na solusyon ng cloud na holograma na nakatuon sa mga propesyonal na lugar kabilang ang software ng holograma AR automotive HUD, 3D holographic pulse LiDAR, kagamitan sa holograma ng field na nakasuot sa ulo, semiconductor na holograma, software ng cloud na holograma, pagsasagawa ng holograma, at iba pa. Ang mga serbisyo at teknolohiya ng holograma AR nito ay kinabibilangan ng application ng holograma AR automotive, teknolohiya ng 3D holographic pulse LiDAR, teknolohiya ng semiconductor na paningin na holograma, pag-unlad ng software na holograma, teknolohiya ng pag-aanunsyo ng AR holograma, teknolohiya ng libangan ng AR holograma, pagbabayad ng ARSDK holograma, interactive na komunikasyon ng holograma, at iba pang mga teknolohiya ng AR holograma.
Mga Pahayag na Ligtas na Harbor
Ang press release na ito ay naglalaman ng “forward-looking statements” sa loob ng Kautusan sa Reporma ng Litigasyon ng Mga Pribadong Titulo ng 1995. Ang mga pahayag na tumitingin sa hinaharap na ito ay maaaring matukoy sa pamamagitan ng terminolohiya tulad ng “magiging,” “inaasahan,” “inaasahang,” “hinaharap,” “balak,” “mga plano,” “naniniwala,” “tinatayang,” at katulad na mga pahayag. Ang mga pahayag na hindi mga katotohanan sa kasaysayan, kabilang ang mga pahayag tungkol sa mga paniniwala at inaasahan ng Kompanya, ay mga pahayag na tumitingin sa hinaharap. Bukod sa iba pang bagay, ang mga pananaw sa negosyo at mga sipi mula sa pamunuan sa press release na ito at ang mga estratehikong at operasyonal na plano ng Kompanya ay naglalaman ng mga pahayag na tumitingin sa hinaharap. Maaaring gumawa ang Kompanya ng nakasulat o pasalitang mga pahayag na tumitingin sa hinaharap sa mga pana-panahong ulat nito sa Komisyon ng Mga Titulo at Palitan ng US (‘SEC’) sa Mga Form 20-F at 6-K, sa taunang ulat nito sa mga stockholder, sa mga press release, at iba pang nakasulat na materyales, at sa mga pahayag na pasalita na ginawa ng mga opisyal, direktor o empleyado nito sa ikatlong partido. Ang mga pahayag na tumitingin sa hinaharap ay kinasasangkutan ng mga panganib at kawalan ng katiyakan. Maraming mga factor ang maaaring magresulta sa mga aktuwal na resulta na magkaiba nang malaki mula sa mga nilalaman ng anumang pahayag na tumitingin sa hinaharap, kabilang ang mga sumusunod: ang mga layunin at estratehiya ng Kompanya; ang hinaharap na pagpapaunlad ng negosyo, kalagayan ng pananalapi, at resulta ng mga operasyon ng Kompanya; inaasahang paglago ng industriya ng AR holograma; at mga inaasahan ng Kompanya tungkol sa pangangailangan para sa at pagtanggap ng merkado sa mga produkto at serbisyo nito.
Karagdagang impormasyon tungkol sa mga panganib na ito ay kasama sa taunang ulat sa Form 20-F ng Kompanya at sa kasalukuyang ulat sa Form 6-K at iba pang mga dokumentong naisumite sa SEC. Ang lahat ng impormasyong ibinigay sa press release na ito ay mula sa petsa ng press release na ito. Walang obligasyon ang Kompanya na i-update ang anumang pahayag na tumitingin sa hinaharap maliban sa kinakailangan sa ilalim ng mga naaangkop na batas.
