Присланное видео и наша визуализация — это не об одном и том же. Цель нашей визуализации — мониторинг процесса реконструкции (показан на первом ролике). Цель присланного видео — показать возможности программы визуализации.
Второй же наш ролик сделан для красивой демонстрации результата реконструкции, полученного с помощью Smart Tomo Engine, скорость визуализации задана из наших представлений о прекрасном и наглядности результата.
В ужасе мы перечитали статью и комментарии. И с облегчением обнаружили, что нигде не было заявлено про «только на CPU». Мы работаем и на GPU. Наши алгоритмы хорошо параллелизуются на векторных архитектурах. Но писать тут не о чем — это технологический мэйнстрим. Вот когда появится отечественный GPU — будет, о чем написать. Или вот: мы планируем освоить еще и NPU. Как осилим — обязательно напишем, это должно быть любопытно. А на OpenCL мы возлагали очень большие надежды. Думали, что можно будет одинаково абстрагировать CPU и GPU. Но в прошлом, 2019 году он выглядел как дохлая лошадь. В этом году движение возобновилось, и мы внимательно наблюдаем, появятся ли стабильные реализации на достаточном числе платформ. Тогда и решим.
Непонятное мы готовы разъяснять, для этого и предназначен механизм комментариев. Что же касается вашей задачи, то решить ее можете только вы. Разработав ту методику, которая подходит под ваш запрос. Сравниваются ли подходы VLIW против CISC? Две архитектуры без учета частоты и тех. процесса? Два конкретных чипа? Системы, оснащенные штатными компиляторами? Ответы будут разными. Статья, как можно понять из заголовка, для поставленной вами задачи вряд ли подходит. Но, надеемся, будет одним из ориентиров. Мы готовы уточнять вводные, отвечать на вопросы. Но уж точно мы не можем за вас сделать выводы в неизвестной нам задаче.
Решая задачу с ограничениями, инженер создает продукт, обладающий конкурентными преимуществами. Инженеры производителей видеокарт работают в условиях жестких ограничений и упаковывают громадное количество АЛУ в единицу площади кремниевой пластины. Их бизнес процветает. Мы работаем с другим типом ограничений — наши продукты должны работать, по возможности, на любых платформах. Это тоже действует. А работая без ограничений ничего инновационного создать нельзя.
Последняя таблица — про нейросети, реализованные на математических библиотеках, поставляемых с Эльбрусами. Это оценка того, чего можно достичь, когда все более-менее оптимизировано. А остальные таблицы — они по теме реконструкции, и нейросеть вовсе не является частью этой программы, поэтому говорить об «общем времени» тут не корректно. При реконструкции мы явно пока загружаем не все ресурсы процессора и не достигли пиковой производительности. Есть, над чем работать.
Что касается x86 (и ARM), то мы занимаемся оптимизацией под эти архитектуры уже 10 лет. В наших продуктах математика вынесена в отдельный слой, поэтому новые оптимизации обычно воздействуют на быстродействие всех подсистем. В этой области мы зарабатываем деньги на высококонкурентном рынке, а быстродействие и энергоэффективность — важная составляющая облика наших продуктов. Нет оснований полагать, что в томографии мы что-то прошляпили на этих платформах.
Что касается масштабируемости теста, то мы опубликовали данные только после того, как расследовали все странности. Не видим, что мы куда-либо «упираемся». Сравнения с другими процессорами мы регулярно проводим (строго говоря, AMD Ryzen 7 — один из этих «других»), но целью нашей статьи было сравниться с топовым чипом.
Реализации томографической реконструкции на видеокартах, конечно, уже существуют. И на суперкомпьютерах — тоже. Однако цель нашей статьи — рассказать об алгоритмах, обеспечивающих восстановление в реальном времени на процессорах общего назначения.
Добрый день, создать систему распознавания указанного выше плана документов возможно, но тут наш подход к созданию обучающих данных не подойдет — мы так писать не умеем). Нужны будут реальные данные для обучения моделей.
Мы проводим аудит нашего решения на предмет возможности утечек через нас, выполняем все их требования. А вот на уровне хранения уже могут быть вопросы. А самое главное человеческий фактор.
А из какого места в статье следует, что мы открыли исходные коды? Мы рассказали как устроено.
А что касается примеров — протестировать нашу систему можно с помощью демо-приложений (App Store, Google Play). Также краткие примеры использования нашего SDK есть здесь.
Заметки на Хабр нами обычно выкладываются по материалам научных публикаций. При этом текст сокращается и упрощается. Цель публикаций на Хабре — познакомить широкий круг людей с идеями и подходами, поэтому многие детали имплементации опускаются. К сожалению, при этом в тексте иногда появляются явные огрехи. Спасибо, что указываете на них, это позволит нам стать лучше. Последний же Ваш комментарий гораздо важнее. Для тех, кто хочет воспроизвести наш алгоритм (мы даже не надеялись на такую удачу) мы рекомендуем обратиться к нашей исходной научной статье: www.jip.ru/2019/200-207-2019.pdf. Там, мы надеемся, мы написали все необходимые детали. Если же мы (и рецензенты) что-то упустили, обращайтесь, мы ничего не утаим.
Про AMEX вы совершенно правы — это собственный особый мир банковских карт. Кроме того, постоянно появляется множество нового и оригинального, например IBAN карты Maestro, корейские карты это вообще отдельная тема.
1. Эмбоссирование все еще работает, в Европе во многих магазинах и ресторанах до сих пор сохранились машинки которые делают слипы и ими пользуются когда выходят из строя информационные системы, отключают интернет и или просто что-то ломается.
2. Насчет расположения на оборотной стороне — к сожалению там расположен еще и CVV/CVC, и если рань надо было иметь два оборота, то теперь один где есть все данные (да есть карты где все данные на одной стороне).
3. Чип есть не у всех, вы смотрите на РФ которая очень даже продвинутая, а вот например в США большая часть банкоматов читает только магнитную полосу…
4. Классический пример использования технологии распознавания это перевод с карты на карту от Тинькофф.
Мы сделали и описали работающую технологию, работает хорошо, заказчики пользуются. Пункты 1-6 мы планируем подробно осветить в наших научных публикациях, как например сделали это для распознавания печатного текста.
Y. S. Chernyshova, A. V. Sheshkus and V. V. Arlazarov, «Two-Step CNN Framework for Text Line Recognition in Camera-Captured Images,» in IEEE Access, vol. 8, pp. 32587-32600, 2020, doi: 10.1109/ACCESS.2020.2974051.
Второй же наш ролик сделан для красивой демонстрации результата реконструкции, полученного с помощью Smart Tomo Engine, скорость визуализации задана из наших представлений о прекрасном и наглядности результата.
Что касается x86 (и ARM), то мы занимаемся оптимизацией под эти архитектуры уже 10 лет. В наших продуктах математика вынесена в отдельный слой, поэтому новые оптимизации обычно воздействуют на быстродействие всех подсистем. В этой области мы зарабатываем деньги на высококонкурентном рынке, а быстродействие и энергоэффективность — важная составляющая облика наших продуктов. Нет оснований полагать, что в томографии мы что-то прошляпили на этих платформах.
Что касается масштабируемости теста, то мы опубликовали данные только после того, как расследовали все странности. Не видим, что мы куда-либо «упираемся». Сравнения с другими процессорами мы регулярно проводим (строго говоря, AMD Ryzen 7 — один из этих «других»), но целью нашей статьи было сравниться с топовым чипом.
А что касается примеров — протестировать нашу систему можно с помощью демо-приложений (App Store, Google Play). Также краткие примеры использования нашего SDK есть здесь.
2. Насчет расположения на оборотной стороне — к сожалению там расположен еще и CVV/CVC, и если рань надо было иметь два оборота, то теперь один где есть все данные (да есть карты где все данные на одной стороне).
3. Чип есть не у всех, вы смотрите на РФ которая очень даже продвинутая, а вот например в США большая часть банкоматов читает только магнитную полосу…
4. Классический пример использования технологии распознавания это перевод с карты на карту от Тинькофф.
Y. S. Chernyshova, A. V. Sheshkus and V. V. Arlazarov, «Two-Step CNN Framework for Text Line Recognition in Camera-Captured Images,» in IEEE Access, vol. 8, pp. 32587-32600, 2020, doi: 10.1109/ACCESS.2020.2974051.