怎样学会科学的调研并启动一个项目
文章首發于微信公眾號《有三AI》
【深度學習圖像項目實戰-從入門到上線1】怎樣學會科學的調研并啟動一個項目
?
00 導讀
每一個項目的第一步就是立項,立項需要進行充分的調研才能確定是否值得啟動一個項目。調研主要要做好兩個方向:1,算法調研,它主要是確定可行的技術路線。更具體的說,需要清楚想做的事情是否已經到達落地的水準,也就是可行性的驗證。2,市場調研,它主要確定的是,所選中的方案是否有市場需求,是否已經有成熟的競爭對手和市場。
下面分別從這兩個方向進行講述,我們以圖像風格化為例,所謂圖像風格化,學術名詞是image?style?transfer,研究起源于這一篇論文A?neural?algorithm?of?artistic?style[1],3年前我的公眾號《與有三學AI》也做過報導,大家有興趣可以去看,
它是采用神經網絡的方法,分別學習到一幅圖像的紋理和風格,從而實現從一幅圖像風格到另一幅圖像的遷移,如下,將圖2的風格,應用到圖1上。
當然,現在已經有了很多新的應用,尤其是基于人臉的非常多,詳細的介紹和技術原理,大家可以去參考我以前開設的AI攝影基礎課程。其中詳細地講述了攝影中各方面的圖像知識。
下面言歸正傳,回到風格化研究的調研。
?
01 從哪些地方開始調研?
1.1?市場調研
在做算法調研之前,先要做市場調研。市場調研需要涵蓋主流的產品形態,包括?app,普通的網頁應用以及小程序;所面對的目標用戶(年齡層次,地域分布),現有的市場份額,以及潛在的競爭對手等也需要了解。
這一塊沒有多少可說的,平時多關注關注新聞,相關朋友圈的分享,相關公眾號即可,比如當年非常火的prisma,作為從業人員想忽視也不容易的。
?然后到ios平臺和安卓平臺去搜搜關鍵詞,看看各大公司是否已經跟上推出類似產品。
我們一調研就知道,國內幾大圖像算法公司,騰訊的天天P圖,美圖科技的美圖秀秀,Camera360的MIX濾鏡都有相關產品,其他小產品也不少。
我們分別拿一張人臉和風景圖做測試。
試試美圖黑科技中繪畫機器人
?
天天P圖中的各類風格。
MIX中藝術濾鏡。
當然,現在已經存在非常多類似的app了,初步的調研結果顯示,基于圖片的風格化技術已經成熟,而且產品面世也已經不止兩年了,我們偶爾會在朋友圈里看到類似的分享,當然具體的用戶比例,可能需要我們自己去做一些調研問卷,投票之類的。
不過,還沒有看到比較好的基于視頻的調研結果,所以這可能是一個突破點。
最后我們要總結一下調研的結果:
建議從以下幾個方向:
-
技術成熟度
-
受眾
-
產品使用頻率
-
競爭對手
1.2?算法調研
1.2.1?國內外前沿學術研究
可以找一些好的博士碩士論文,相關綜述,看看總結和方向。再找學術界和工業界的相關比賽,以及數據集。
1.2.1.1?中文調研
(1)?首先調研綜述類文章,查看cnki相關關鍵詞的博士碩士論文,以及優秀中文期刊的綜述。
還是以圖像風格化為例,到中國知網平臺,http://www.cnki.net/
搜索結果如下:
根據下載量與被引用因子,可以初步判斷文章的質量,同時發表時間也需要作為參考。
(2)?百度學術調研
雖然百度學術與Google學術相差甚遠,但是也可以作為輔助。
這其中可以調研到發表時間,來源期刊,同時可以獲取到引用格式,這在寫作學術論文和調研報告中也會非常有用。
1.2.1.2?英文調研
中文調研應該作為一個入門的了解,而英文文獻的調研,才是了解最前沿技術的正確方法,必須使用好Google學術以及Google通用搜索引擎。同時,由于現在很多的論文在接收和正式發表之前,都已經發在了arprint平臺上,所以為了獲取最新的研究結果,這個也是必須的。
(1)?Google與Google學術。
Google學術擅長于尋找正式發表的學術論文,而Google通用搜索引擎則可以廣泛瀏覽相關內容,都需要去仔細篩選。
另外,Google和百度都提供了一個api調研關鍵詞的熱度趨勢
https://trends.google.com/trends/
? https://zhishu.baidu.com/#/
(2)?Arxiv
https://arxiv.org/
學術界最新的研究成果往往是先發表在這里,甚至可能領先正式出版機構一年以上,所以這也是需要去認真調研的。機器學習相關的在computer?science欄目下。
?
在調研學術論文的時候,優先看綜述,然后重點關注知名的研究機構,引用量大的論文。
比如這個方向,就能找到一篇綜述文章Neural?Style?Transfer:?A?Review【2】,若干經典文章,比如開啟這個方向的【1】,首次將其實時化的李飛飛組的研究【3】等。
通過閱讀綜述文章和一系列經典文章和前沿文章之后,就能對該方向的技術路線等有了很明確的認知。
當然如果有機會參與一些比較牛逼的團隊或者身邊有相關人脈,則更有可能獲得最新的研究成果,那也是極好的。
1.3?行業媒體調研
在機器學習領域,現在有很多的優秀自媒體,他們也會經??偨Y一些前沿的研究,所以這也是一個很好的調研渠道。
筆者下面做一些推薦。
機器之心,新智元,AI科技評論,AI科技大本營,都是人工智能媒體與產業服務平臺,注重總結學術界的最新研究與工業界的最新動向,干貨很多。
深度學習大講堂,Paperweekly,國內CV界的前沿研究推送,學術為主,解讀前沿論文。
大數據文摘,內容不限于AI與機器學習,所有與大數據相關東西,所以也會顯得更加全而雜亂。
36氪,虎嘯網等,注重商業報告,尤其強調行業趨勢,創業的朋友肯定是需要經常關注。
知乎微博,雖然現在知乎內容越來越多整體質量下滑嚴重,但是仍然是國內尤其是技術精英喜歡逛的地方。雖然微博娛樂泛濫,但是也不能完全否定它上面也有一些還不錯的自媒體,像每天堅持截取論文研究結果的“愛可可愛生活”,以及各大新聞媒體,新浪科技,大佬的微博動向,比如雷軍每次都會介紹自家小米的產品。
1.4?github
Github的重要性就不用多說了吧,鑒于它已經成為了最大的技術人員交友平臺,所以在這里調研技術再適合不夠。
以image?style?transfer為例,一找就找到一個高質量的資源。
https://github.com/ycjing/Neural-Style-Transfer-Papers
帶有相當完整的論文list與開源代碼,再精讀這些資源之后,想不了解都難了。
而且,等正式開始干活之后,這些資源很有可能就會成為起點。
?
02 怎樣寫好調研報告
上面既然已經完成了調研,那么要交出去給別人看的時候,就一定要寫好調研報告。下面我們就要作出一些總結,主要從以下幾個方向入手,還是以圖像風格化為例。
2.1?用戶調研總結
-
潛在用戶
AI技術愛好者,這一類人喜歡嘗試新鮮技術。
攝影愛好者,喜歡研究各類濾鏡。
女性,對于美顏和人臉風格化有需求的廣大女性。
-
使用地點,時間點和頻次
朋友圈等社交平臺。屬于日常低頻需求,朋友圈偶見轉發,可能集中在特定節日。比如5-4青年節天天P圖推出的民國風格。
-
用戶需求
求新與切合時間點,喜歡不斷嘗試新的濾鏡,喜歡在特定時間段集中爆發嘗試與轉發。
-
使用平臺
移動端app和網頁應用。
總結:圖像風格化實際上是一個低頻非剛需,它與美顏有著本質的區別,因為后者只是對圖像的微調,而前者則是一個新的創作。因此,如果做這一類產品,結合特定時間點做趣味性強的短期爆款制造營銷事件比特意開發一個app會更加符合一個新的產品定位。
2.2?競爭對手調研總結
-
美圖秀秀與天天P圖等國內app
對手特點,技術一流,產品全面且受眾廣,總是能在特殊時間點制造營銷爆點,正面PK技術實力和產品設計都面臨很大的考驗,失敗風險大。
-
小蟻AI藝術等小程序
產品簡單,效果相比主流app較差,有視頻風格化。
總結:針對大公司技術實力強但是不敢輕易嘗試非成熟技術,而小公司技術實力弱但是產品可以快速迭代的特點,我們可以以短小精美的前端界面+最新技術探索的方式,甚至嘗試非主流擦邊球的形態來突然推出爆款。
2.3?技術調研總結
-
靜態圖片風格化
技術路線已經比較成熟且風格化效果較好,相關app已經大量出現,門檻較低,有經驗的工程師一個月內實現一個demo上線沒問題。
-
視頻風格化
計算代價較高相關競品很少,需要具備一流研發能力的團隊。
最終總結:磨刀不誤砍柴工,在正式想好做一個項目之前,最好先做好上面的3步調研,免得閉門造車。
?
參考文獻
【1】Gatys?L?A,?Ecker?A?S,?Bethge?M.?A?neural?algorithm?of?artistic?style[J].?arXiv?preprintarXiv:1508.06576,?2015.
【2】Jing?Y,?Yang?Y,?Feng?Z,?et?al.?Neural?style?transfer:?A?review[J].?arXiv?preprintarXiv:1705.04058,?2017.
【3】Johnson?J,?Alahi?A,?Fei-Fei?L.?Perceptual?losses?for?real-time?style?transfer?and?super-resolution[C]//European?Conference?on?Computer?Vision.?Springer,?Cham,?2016:?694-711.
感謝各位看官的耐心閱讀,不足之處希望多多指教。后續內容將會不定期奉上,歡迎大家關注有三公眾號 有三AI!
?
?
總結
以上是生活随笔為你收集整理的怎样学会科学的调研并启动一个项目的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 【Tensorflow】io 操作
- 下一篇: 【模型训练】SGD的那些变种,真的比SG