頭條 Frost & Sullivan發布2025年5G網絡基礎設施報告 近日，愛立信連續第五年在Frost &Sullivan發布的《Frost Radar：2025年5G網絡基礎設施》報告中被評為行業領軍企業。這一結果彰顯了愛立信對創新和發展的堅定承諾，以及其滿足運營商（CSP）與企業不斷變化需求的能力。 Frost &Sullivan在全球100多家參與者中，獨立標識出了Frost Radar分析中排名前23位的公司。這些公司在市場的各個細分領域處于領先地位或具有創新性。 最新資訊 上海微系統所等開發出可批量制造的新型光學硅與芯片技術 據中國科學院今日官網消息，5月8日，中國科學院上海微系統所的歐欣研究員團隊聯手瑞士洛桑聯邦理工學院TobiasJ.Kippenberg團隊，在鉭酸鋰異質集成晶圓及高性能光子芯片制備領域取得突破性進展。其中，鉭酸鋰光子芯片所展現出的極低光學損耗、高效電光轉換和孤子頻率梳產生等特性有望為突破通信領域速度、功耗、頻率和帶寬四大瓶頸問題提供解決方案，并在低溫量子、光計算、光通信等領域催生革命性技術。 發表于：5/9/2024 中國電信全球率先交付端到端400G客戶級專線 5 月 7 日消息，中國電信官宣為互聯網頭部客戶開通的首批 400G OTN 精品專線正式交付使用。 據介紹，在超大帶寬的加持下，該客戶在寧夏和京津冀兩地數據中心的網絡連接由單線單波 100G 升級為單波 400G，實現數據中心之間海量用戶數據“運、存、算”等協同作業。中國電信表示，這是全球首批交付商用的端到端 400G 客戶級專線。 發表于：5/8/2024 我國長征六號丙運載火箭一箭四星首飛圓滿成功 我國長征六號丙運載火箭一箭四星首飛圓滿成功 5月7日消息，據“中國航天科技集團”官微發文，今日11時21分，我國新一代長征系列運載火箭家族的新成員——長征六號丙運載火箭在太原衛星發射中心點火起飛，隨后將海王星01星等4顆衛星送入預定軌道，發射任務取得圓滿成功。 發表于：5/8/2024 汽車直連衛星業務閃亮登場 衛星產業亟需打開大眾市場 汽車直連衛星業務閃亮登場 衛星產業亟需打開大眾市場 發表于：5/8/2024 中國聯通推出車聯網AI大模型，助力汽車產業創新加速 中國聯通推出車聯網AI大模型，助力汽車產業創新加速 發表于：5/8/2024 藍牙技術聯盟發布《2024年藍牙市場最新資訊》 北京，2024年5月7日——負責監管藍牙技術的行業協會藍牙技術聯盟（Bluetooth Special Interest Group，SIG）發布年度報告《2024年藍牙市場最新資訊》。該報告介紹了藍牙技術在各個行業和市場中的最新應用趨勢，以及如何通過各種應用為人們的日常生活帶來豐富的連接。 發表于：5/7/2024 派拓網絡推出業界首個針對云優化的SOC平臺 2024年5月7日，北京——全球網絡安全領導企業Palo Alto Networks（納斯達克代碼：PANW）（派拓網絡）近日宣布，其在利用安全運營中心（SOC）確保云安全方面實現創新，樹立了新的里程碑。作為 Cortex XSIAM® for Cloud的一部分，新技術增強了派拓網絡的Cortex XSIAM平臺，使其能夠在統一的解決方案中提供原生的云檢測和響應功能，從而使Cortex XSIAM成為業界首個針對云進行優化的SOC平臺。 發表于：5/7/2024 基于特征分析的智能網聯汽車數據分級方法研究 當前，智能網聯技術的發展使得汽車成為數據交互的重要載體，智能網聯汽車所產生的數據量呈現指數型增長趨勢，國家對于數據安全的重視程度也在不斷加強。在此背景下，從行業實踐角度出發，對我國當前數據安全監管現狀、數據分級方法進行梳理，最后提出一種基于特征分析的數據分級方法，助力企業加強數據治理、滿足政府合規要求。 發表于：5/7/2024 復雜背景下小尺寸多角度人臉檢測方法研究 為了提升復雜背景下小尺寸人臉檢測精度，提出了一種人臉檢測方法GhostNet-MTCNN。在多任務級聯卷積神經網絡（MTCNN）主干網絡上，將占用計算資源的普通卷積進行舍棄，利用GhostNet網絡中計算量更低的Ghost bottleneck模組替代卷積的作用，重新構建網絡特征提取功能，從而搭建一個新的模型。實驗結果表明，該方法可以有效平衡參數量和精度。在Easy、Medium、Hard三種驗證集上，與MTCNN相比在參數量僅增加0.62M的前提下精度分別提升了 5.6%、6.6%、7.8%，與MobileNetV3-MTCNN相比在參數量減少1.27M的同時精度又分別提升了1.6%、0.8%、0.5%。該研究能夠在復雜場景下提高模型對小尺寸、多角度人臉檢測精度，同時也能夠有效平衡參數量和檢測精度使其成為在邊緣設備部署中更優的選擇。 發表于：5/7/2024 結合批規范化層的深度學習模型在水中目標識別中的應用 針對深度學習模型在訓練水聲樣本數據時會出現穩定性差進而導致分類識別效果不佳的問題，從網絡的局部連接、空間位置排列以及模型設計的角度出發，研究在原有一維序列卷積核與一維序列池化的基礎上，引入批規范化層，構建了深度學習網絡模型。通過歸一化處理，達到加速網絡模型的收斂過程以及提高訓練過程中的穩定性的目的。最終為驗證該模型的有效性，對3類水聲目標樣本數據進行網絡訓練和模型驗證，證明該模型對水聲目標數據分類識別有一定程度的性能提升。 發表于：5/7/2024 ?…99100101102103104105106107108…?
