【小熊的悲劇】
#原創
#陳小姐系列
#我的室友陳小姐是個鬼
我住的地方有點不對勁。
從上禮拜開始出現跡象。
明明是放在桌子中央的杯子,去趟廁所回來,發現挪到了角落,只要再靠外一點,就會砸到地板上。
疊好的衣服倒塌,散得亂七八糟。
浴缸裡出現了不屬於我的長頭髮。
大前天,密封的餅乾被拆封了。
前天,準備當作早餐的蘋果被咬了一口。
所有的痕跡都顯示出,這個理應當只有我一人居住的空間,似乎平空有了另一個看不見的人存在。
我發瘋似的把所有能藏人的地方都檢查一遍,但什麼也沒有。
根本沒有另一個人。
然後就在昨天,我在我的床底下也掃到了長頭髮。
長長的髮絲纏糾在一起,它們靜靜地待在角落,像是不會動的黑色長蟲。
除了恐懼之外,我還感到一股莫名的憤怒。
這是我的家,我不允許有人不經過我的同意就隨意入侵!
我當晚就衝去買了一個監視器回來安裝,它的外觀迷你,看上去就像一個普通的房間擺飾。
我把它安放在高處,打算弄清楚究竟是什麼東西闖入我的生活。
而今天,也許我會找到答案。
早上一醒過來,我馬上拿起手機,調出監視器的畫面,想看看昨夜是不是有出現任何異常。
手機照慣例跳出不少通知,我無暇觀看,所有注意力都放在播放的畫面上。
就算昨晚房間沒開燈,監視器仍是把一切景象拍得一清二楚。
異狀是在凌晨三點多的時候發生,那時我已經熟睡。
在灰黯的螢幕上,可以看見沙發後面有漆黑的影子蠕動出來。起先是薄薄一片,等它完全脫離出沙發後,它突然變得立體起來。
那是一個分不清是男人還是女人的……人。
它的四肢細長乾瘦,皮膚像貼著骨頭,長髮披散,髮間露出的眼睛格外突出。
雞皮疙瘩瞬間爬上我的手臂,我的頭皮像要炸開,差點失手扔了手機。
我根本沒料到,這個家裡竟然存在著這樣一位「同居者」。它就在我不知道的情況下,和我一直待在同個房間裡。
我驚恐地看了沙發的位置一眼,現在根本不敢往那裡靠近了。我把自己蜷縮在床舖角落,做了好幾次的深呼吸,強迫自己再繼續看下去。
那位同居者手腳匍匐,姿勢怪異,像隻蒼白的大蜘蛛,快速無聲地往前爬,一路爬到了我的床前。
我緊緊地摀住嘴巴,否則尖叫聲只怕就要衝出來。
我在床上坐立難安,一時間竟不知道自己現在要待在哪裡才比較安全,最末我決定先咬牙看完影片。
畫面裡,那人在我的床前直立起來,伸手朝我摸過來。
我以為那隻枯槁的手會摸到我,可沒想到,那隻手越過了我,接著拿起我的手機。
正當我以為接下來會出現更驚悚的事情時——
我看見那人熟練地點開一個App,熟練地登入頁面,熟練地進入遊戲。
最後,熟練地點選遊戲裡的商店圖示。
監視器的收音清晰,尤其我的手機音量又是調到最大,因此我可以清楚無比地聽見它說:
「課金,真的好快樂呢……」
我面色蒼白,顫抖的手指往手機螢幕的最頂端一劃拉。
成排的信件通知都是相同的標題。
您的Google play訂單收據(下單日期……
您的Google play訂單收據(下單日期……
您的Google play訂單收據(下單日期……
>>>>>>>>
《我的室友陳小姐,是個鬼》現正預購中🙌
預購到8月31日截止
🍺傳送門在這裡→https://reurl.cc/Gm80ZA
同時也有2部Youtube影片,追蹤數超過11萬的網紅弱電通,也在其Youtube影片中提到,超簡單!用網路線裝監視器不是夢,教完飯碗不保了|絞線傳輸器接續 原來網路線也可以拿來安裝監視器‼ 什麼?你說長度不夠長? 不用怕,一條網路線,除了裝監視器以外 還能讓你要多長有多長!!!! 快打開影片一起DIY吧 GO!!!!!!!! 1:01 工具介紹 1:56 實作開始 8:13 連接攝...
監視器螢幕安裝 在 紀老師程式教學網 Facebook 的最讚貼文
[講師日常] 完全免費!簡易三螢幕直播台,完成!
最近因為疫情,我必需用遠距教學來教課。本來想入手三螢幕 + 導播中控機設備,但看到價錢不小心昏倒在椅子邊三十秒...。
於是我就開始研究,怎麼用手頭現有設備 + 免費軟體,來做到「導播畫面 + 示範畫面 + 監控畫面」這樣的需求。也寫給好奇的朋友參考。
材料:
1. 原有桌機 x1
2. 原有筆電 x1
3. 原有平板 x1
4. SpaceDesk 虛擬多監視器軟體 x1(免費)
5. OBS (Open Broadcast Studio) 直播中控軟體(免費)
步驟:
Step 1: 在桌機、筆電、平板,都安裝 SpaceDesk 這套「虛擬多監視器」軟體。
軟體介紹: https://bit.ly/3vJ9CTn
Step 2: 同時將三台機器的 SpaceDesk 打開,並連通於同一個區域網路之下。此時,三台螢幕會變成連通,軟體可以互相搬來搬去。
Step 3: 安裝好 OBS 直播中控軟體。並將三台螢幕設定如下:
左螢幕(筆電):導演直播台。OBS 主程式所在。
中螢幕(桌機):示範用螢幕。OBS 會捕捉此螢幕的畫面,並直播出去。
右螢幕(平板):監看用畫面。監看一般使用者看到的畫面是什麼。
Step 4: 在 OBS 裡面,設定好三個導播畫面,可供隨時點擊切換,放給遠方直播串流觀看:
Screen 1:等待直播開始畫面。除片頭照片外,還有輕音樂循環播放。
Screen 2:上課畫面。有書桌圖片(前景)+ Camera(中景) + 中螢幕桌機之畫面(背景)
Screen 3:課間下課畫面。背景圖 + 倒數 10 分鐘之時鐘
完成啦!咈咈咈咈...如此一來,同學等待直播時,我的 OBS 就切「Screen 1 待機畫面」。上課時,就切「Screen 2 上課畫面」。課間休息就切「Screen 3 下課畫面」。這樣,或許會多少有趣一點、大家比較願意上課吧?
不知道這週五上課時,看到這麼煥然一新的「虛擬主播台」,大家會不會覺得驚訝?
#我可以直播主出道了嗎
#上課畫面縮小後會露出如圖三之漂亮底圖
監視器螢幕安裝 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
迎接終端AI新時代:讓運算更靠近資料所在
作者 : Andrew Brown,Strategy Analytics
2021-03-03
資料/數據(data)成長的速度越來越快。據估計,人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長,現在我們也真正目睹物聯網(IoT)的成長,未來連網的裝置數量將遠遠超越地球的人口。
這包括種類繁多的不同裝置,像是智慧感測器與致動器,它們可以監控從震動、語音到視覺等所有的東西,以及幾乎大家可以想像到的所有東西。這些裝置無所不在,從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物,它們的數量將持續爆炸性成長。
資料爆量成長,讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質,在成本與資源效率、彈性與便利性有它的優點,但也有一些缺點。由於運算與儲存在遠端進行,來自終端、也就是那些在網路最邊緣裝置的資料,需要從起始點經過網際網路或其他網路,來到集中式的資料中心(例如雲端),然後在這裡處理與儲存,最後再傳回給用戶。
對於一些傳統的應用,這種方式雖然還可以接受,但越來越多的使用場景就是無法承受終端與雲端之間,資訊被接力傳遞產生的延遲。我們必須即時做出決策,網路延遲要越小越好。基於這些原因,開始有人轉向終端運算;越來越多人轉而使用智慧終端,而去中心化的程度也越來越高。此外,在這些即時應用中產生的龐大資料量,意味著處理與智慧必須在本地以分散的方式進行。
與資料成長連袂而來的,是人工智慧與機器學習(ML)也朝終端移動,並且越來越朝終端本身移動。大量來自真實世界的資訊,需要用ML的方式來進行詮釋與採取行動。透過AI與ML,是以最小的延遲分析影像、動作、影片或數量龐大的資料,唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作,在未來還將會直接在終端裝置上進行。
資料正在帶動從集中化到分散化的轉變
隨著資訊科技市場逐漸發展與成熟,網路的設計以及在其運作的所有裝置,也都跟著進化。全盛時期從服務數千個小型客戶端的主機,一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能,基礎架構持續重組與最佳化,以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存,以及資料處理的需求。
智慧型手機與其他行動裝置的爆炸性成長,加上物聯網的快速成長,促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素,包括網路的可用性、安全性、裝置的運算力,以及把資料從終端傳送到儲存設備的相關費用,近來也已轉向使用分散式的運算模型。
從邊緣到終端:AI與ML改變終端典範
在成本、資源效率、彈性與便利性等方面,雲端有它的優點,裝置數量的急遽增加(如圖2),將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的,這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸,而且從能源、頻寬與運算力角度來看,相當沒有效率。
在終端執行進階處理與分析的能力,可協助為關鍵應用降低延遲、減少對雲端的依賴,並且更好地管理物聯網產出的巨量資料。
終端AI:感測、推論與行動
在終端部署更多智慧的主要原因之一,是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方,可以更快與更準確地做出回應,同時免除不必要的資料傳輸、延遲與資料移動中的安全風險,可以節省費用。
處理能力與神經網路的重大進展,正協助帶動終端裝置的新能力,另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下,對近乎即時回應的需求。這是一個三道步驟的程序:傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作),以及採取行動(如物件是披薩,冰箱的壓縮機發出正常範圍外的聲音,因此發出警告)。
感測
處理器、微控制器與感測器產生的資料量相當龐大。例如,自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化,並且與以往相比,會搜集更多的資料。
它們搜集到的資料極具價值,但每次都從各個終端節點把資料推回給雲端,數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行,就可以大幅提升效率。
推論
終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時,就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜,機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作,這對體積越來越小的裝置,極為關鍵。
例如,圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具,訓練高效能的意法半導體(ST)微控制器(MCU),以轉換成最佳化的程式碼,讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像,而且準確度相當高,而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣,轉移到在終端運作的MCU本身。
行動
資料一旦完成感測與推論後,結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉),或針對應用情況進行最佳化(戴耳機的人正在移動中,因此會針對穩定度而非音質進行最佳化),或是回饋迴路(根據裝置訓練取得的機器學習,輸送帶若發出聲音,顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧,因為這些能力提升後,運算力也會因此增加。在我們使用新的機器學習工具後,一些之前在雲端或終端完成的關鍵功能,將可以移到終端本身的內部進行。
終端 AI:千里之行始於足下
從智慧型手機到車輛,今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務,從最簡單到最複雜,並需要各式各樣的能力。例如,應用處理器是高階處理器,它們是為行動運算、智慧型手機與伺服器設計;即時處理器是為例如硬碟控制、汽車動力傳動系統,與無線通訊的基頻控制使用的非常高效能的處理器,至於微控制器處理器的矽晶圓面積則小了許多,能源效率也高出很多,同時擁有特定的功能。
這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作,之前必須透過威力更強大的元件才能完成,但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能,例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。
隨著更多功能在較小型的終端進行,這將可以省下資源,包括資料傳輸費用與能源費用,同時也會產生極大的環境衝擊,特別是考量到全球目前已有超過200億台連網裝置,以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。
TinyML、MCU與人工智慧
根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示:「令人相當興奮的是,我還不知道我們將如何使用這些全新的裝置,特別是它們後面代表的科技是如此的吸引人,我無法想像那些即將出現的全新應用。」
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合,而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型,過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型,耗電量只有數毫瓦。
物聯網環境中有數十億個微型裝置,可以為各個產業提供更多的洞察與效率,包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持,可望改變我們處理物聯網資料的方式。
受惠於TinyML,微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
儘管之前提到的雲端神經網路框架工具,是取用這個公用程式最常用的方法,但把AI函式庫整合進MCU,然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式,然後從中建立模型,例如預測性維護能力。
如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU),利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性,讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要,原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。
AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能,我們可以把其精華歸納至我們簡稱為「3V」的三大領域:語音(Voice,如自然語言處理)、視覺(Vision,如影像處理)以及震動(Vibration,如處理來自多種感測器的資料,包括從加速計到溫度感測器,或是來自馬達的電氣訊號)。
終端智慧對「3V」至關重要
多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。
Strategy Analytics的研究顯示,許多已經完成部署或將要部署的物聯網B2B應用,仍然只需要相對簡單的指令,如基本的開/關,以及對設備與環境狀態的監控。在消費性物聯網領域中,智慧音箱的語音控制AI已經出現爆炸性成長,成為智慧家庭指令的中樞,包括智慧插座、智慧照明、智慧攝影機、智慧門鈴,以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能,可以依據地點與環境,在音質優先與穩定度優先之間自動切換。
如同我們檢視的結果,終端AI可以在「3V」核心領域提供價值,而它觸及的許多物聯網領域,遍及B2B與B2C的應用:
震動:包含來自多種感測器資料的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。
視覺:影像與影片辨識;分析與識別靜止影像或影片內物件的能力。
語音:包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力,以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景:
震動
可以用來把智慧帶進MCU中的終端AI的進展,有各式各樣的不同應用領域,對於成本與物聯網裝置與應用的效用,都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域,包括:
溫度監控;
壓力監控;
溼度監控;
物理動作,包括滑倒與跌倒偵測;
物質檢測(漏水、瓦斯漏氣等) ;
磁通量(如鄰近感測器與流量監控) ;
感測器融合(見圖7);
電場變化。
一如我們將在使用場景單元中檢視的,這些能力有許多可以應用在各種被普遍部署的物聯網應用中。
語音
語音是進化的產物,也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令,也不令人意外;聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其他新的電器。
在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因,有離線語音處理的需求,因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作,並從機器手冊與工廠文件,立即取用資訊。
語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。語音有潛力成為最安全的輸入模式,因為它可以讓駕駛的眼睛持續盯著道路,而雙手仍持續握著方向盤。
對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務,語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。
視覺
正如我們之前已經檢視過,終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用,例如依據大小與品質為農產品分級。
曳引機裝上機器視覺攝影機後,我們幾乎可以即時檢測出雜草。雜草冒出後,AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草,並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用,並找出農地中仍具抗藥性的殘餘雜草。
使用場景
預測性維護工具已經從擷取與比較震動的量測資料,進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體,我們也可能做到遠端監控。
震動分析
這種類型的預測性維護在旋轉型機器密集的製造工廠裡,相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如,把震動計量器接上靠近選煤廠離心泵浦內部承軸處,就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動,可能顯示滾珠軸承出現鬆動,需要更換。
磁感測器融合
磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器,它與附近平面的磁鐵一起作動,與這個磁鐵相對應的感測器也會移動。
聲學分析(聲音)
與震動分析相似,聲測方位分析也是供潤滑技師使用,主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損,否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時,承軸會因為潤滑不足或錯位出現故障,可能造成整個生產流程的中斷。
聲學分析(超音波)
聲音聲學分析雖然可以用來進行主動與預測性維護,超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音,並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比,更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高,但終端 AI 的進展可以促成這種細微層級的聲學檢測,大幅降低部署的費用。
熱顯影
熱顯影利用紅外線影像來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化。與其他對事故敏感的監視器一樣,它們會觸發排程系統,自動採取適當的行動來預防零件故障。
消費者與智慧家庭
將語音運用在消費者與智慧家庭,是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置,例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置,可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長,說明消費者對於可接收與提供語音互動等現有裝置的強勁需求,與日俱增。
消費者基於各種理由使用智慧音箱,最常見的使用場景為:
聽音樂;
控制如照明等智慧家庭裝置;
取得新聞與天氣預報的更新;
建立購物與待辦事項清單。
除了像智慧音箱與智慧電視等消費裝置,智慧家庭裝置語音的使用,也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購,它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器,裝置在偵測到煙霧或一氧化碳時,可以發出語音警告。
終端 AI 為強化這些能力提供了全新機會,而且常常結合震動(動作)、視覺與語音控制。例如,增加姿態辨識來控制例如電視等家電,或是把語音控制嵌入白色家電,即是以最低成本強化功能性最直接的方式。
健康照護
用來發現醫護資訊的 AI 驅動終端裝置的應用,將為病況的治療與診斷,提供更多的價值。這種資訊可能是資料,也可能是影像、影片以及說出的話,我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法,為整個產業節省成本。受惠於終端 AI 的進展,像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作,也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用,也可以把 AI 用在第一線的病人診斷,然後再由醫師接手提供諮詢。
其他健康照護實例包括像 Wewalk5 等物件,這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件,並搭配 Google Maps 與 Amazon Alexa 等 app,方便使用者提出問題。
結論
由於連網的終端裝置數量越來越多,這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個,而微控制器的數量也超過 2,500 億,每年還會增加約 300 億個。越來越多的程序開始進行自動化,不過,把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用,意味著許多全新、令人興奮且引人矚目的物聯網使用場景,可能無法開花結果。
解決這些挑戰的答案,並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助,但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。
儘管為終端裝置增添先進的運算能力在十年前仍不可行,TinyML 技術近來的提升,已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力,可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升,在源頭掌握情境化與具關聯性的資料,具有極大的價值,並將開啟全新的使用場景與營收機會。
終端裝置的機器學習,可以促成全新的終端 AI 世界。新的應用場景正在崛起,甚至跳過傳送大量資料的需求,因而紓解資料傳輸的瓶頸與延遲,並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界,其中還有很多我們現在想像不到的機會。
附圖:圖1:從集中式到分散式運算的轉變。
(資料來源:《The End of Cloud Computing》,by Peter Levine,Andreessen Horowitz)
圖2:全球上網裝置安裝量。
(資料來源:Strategy Analytics)
圖3:深度學習流程。
圖4:MCU的視覺、震動與語音。
(資料來源:意法半導體)
圖5:AI 工具集執行模型轉換,以便在MCU上執行經最佳化的神經網路推論。
(資料來源:意法半導體)
圖6:物聯網企業對企業應用的使用-目前與未來。
(資料來源:Strategy Analytics)
圖7:促成情境感知的感測器融合。
(資料來源:恩智浦半導體)
資料來源:https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI
監視器螢幕安裝 在 弱電通 Youtube 的最佳貼文
超簡單!用網路線裝監視器不是夢,教完飯碗不保了|絞線傳輸器接續
原來網路線也可以拿來安裝監視器‼
什麼?你說長度不夠長?
不用怕,一條網路線,除了裝監視器以外
還能讓你要多長有多長!!!!
快打開影片一起DIY吧 GO!!!!!!!!
1:01 工具介紹
1:56 實作開始
8:13 連接攝影機
9:57 連接主機端
💡延伸影片:監視器線路基礎架構說明【監視器小學堂】
https://youtu.be/Mh-wO8_akFM
---------------------------------------------------
若您覺得我們的影片很讚或很實用
請幫我們按個讚,多多分享給更多需要的朋友
您的每一個觀看、按讚、留言以及訂閱
都是我們繼續拍影片的動力💪
訂閱弱電通➡https://reurl.cc/ZnQQWl
----------------------------------------------------
#網路線 #安裝監視器 #絞線傳輸器 #延長線
監視器螢幕安裝 在 范琪斐 Youtube 的最佳解答
這集范琪斐的寰宇漫遊,是我們2020第一集,所以我們要來打通關,用一整集的時間來談熱騰騰的人臉辨識科技,它到底是治安利器還是全民公敵?
我知道一講到人臉辨識,大家第一個馬上想到中國。但一講到中國,大家血壓馬上上升兩格,所以我們今天人臉辨識的科技應用,就不是談中國,我們來看看民主國家怎麼做。
根據美國布魯金斯學院的報告,倫敦據估計有42萬支監視器。僅次於北京,在民主國家中奪冠,排名第三名的美國華府,只有三萬支。那倫敦到底要這麼多監視器幹嘛?這就要回溯到1990年代初期,英國跟愛爾蘭的恩怨情仇,當時為了避免愛爾蘭共和軍恐怖炸彈攻擊,因此倫敦這個大都會,就大量裝攝影機;2001年美國爆發911事件,全球民主國家也開始加強監控管理;到了2005年,倫敦獲選奧運主辦城,隔天就發生地鐵與巴士恐襲...每一次恐怖攻擊與重大國際事件發生,倫敦就會出現更多鏡頭,而且他們還打算裝更多。
這原因主要是現在的監視器太聰明了,可不是像以前的攝影機只會呆呆的拍,現在的監視器它可以做人臉辨識,把歹徒從人群中認出來,比如英國警方做了這個實驗,就發現監視器可以在好幾條街外,老遠就把人認出來,你想想看你跟小三逛街,老婆在三個足球場外就可以把你認出來,你嚇不嚇?除此之外,現在的監測器還可以偵測到異常的舉動,比如不該聚眾的地方突然出現了一群人,監測器就會示警。
這些監控攝影機協助倫敦警方每天破獲約6起案件,包括連續殺人犯與炸彈案。
而且傳統監視器最大的問題,就是人工監看會因為疲勞造成疏失。有研究顯示,一般人如果很認真的連續監看2個以上的螢幕12分鐘,將會忽略45%的細節,22分鐘後將忽略95%的細節,畢竟人的體力和專注力都有極限,而電腦卻不會。另一個很重要的是,現在攝影機越來越便宜,一個警察的薪水,可能就可以買好多支這樣厲害的監視器,功能強大,還可以省錢,倫敦市民應該也覺得這真是棒棒棒了吧?但你如果感覺老是有人在盯著你看,是不是會感覺很不自在呢?
有這樣想法的倫敦市民其實還不少。
在2019年一月就發生一件事,警方在Ramford這個地區的某輛警車上,安裝了人臉識別的攝影機,但裝得非常低調,刻意不讓人發現他們的實驗目的。但還是給一名路人發現了,他不想被拍,就在經過的時候把衣領拉高,擋住臉部。
不過警察卻認為他行跡可疑,上前阻止,要他不准遮臉,雙方發生激烈口角。最後這名男子把臉遮住不給拍的代價,是被冠上「失序行為」的罪名,被罰款90英鎊,大概台幣3500元左右,哇,這樣也有事?那我今天沒化妝,不給拍,是不是也要罰錢哪?
在這個事件發生後,英國有個公民自由團體叫做Big Brother Watch,就出來痛罵英國警方,說這名可憐路人沒有任何可疑的地方,只是在行使不讓自己的臉被監視器掃描的權利,這樣也要被捕,是住在共產國家嗎?
還有一位叫Ed Bridges的英國人說警方在沒有他同意的情況下,在他去買東西跟參加遊行示威時,至少拍了他兩次,讓他超不爽,他就把警方告上了法庭,但他沒告贏就是了。
很多人會說,你只要沒犯法,為什麼怕被拍?但對很多人來講,我的臉是我的,我為什麼一定要給你看?這就是隱私權的概念,我只要不作姦犯科,我個人的私生活,我的數據,是我自己的,法律保護我,我有權利不給你看。
目前全球針對人臉辨識的法規,起步最早的就是歐盟。
2018年開始實行的「歐盟資料保護法」(GDPR)中規定,生物識別必須經過當事人明確同意,並且已經自行公開資料,或者是有涉及司法案件的時候,才可搜集或使用。歐盟中的國家當然可以自己訂相關的法律,但不管怎麼訂,都是要符合這個規範。
科技始終來自人性,這實在是老掉牙的話,但卻也是不變的真理。
未來人臉辨識和監控議題討論的次數肯定越來越多,牽涉的層面也將越來越廣,這個議題並不光是一條線,更像是一個鐘擺,在保護隱私跟預防犯罪的光譜之間擺盪,就看人們比較重視什麼,還有如何在這中間,找出一個比較讓人自在的平衡點。
--------------------------------------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出,沒跟上的也沒關係,歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版!
監視器螢幕安裝 在 關於安裝監視器的幾個問題 - Mobile01 的推薦與評價
264 D1的規格就對了,至於錄影的時間則看你的DVR內裝的硬碟有多大, 共用電腦螢幕就買個VGA切換器就行了。 0. ... <看更多>
監視器螢幕安裝 在 監視器畫面不見了!我該怎麼辦?五步驟教你自我檢測 的推薦與評價
監視器 維修|禾我一起DIY#28 - 監視器 黑屏? ... 大家好我是弱電通的小羅裝 監視器 的大家可能都遇過不管是整塊 螢幕 黑屏或是有訊號沒畫面當發生這種狀況的時候大家的 ... ... <看更多>