在过去四年左右的时间里，高级分析在我们的工作方式中扮演着越来越重要的角色。今天，我想特别向大家介绍一下深度学习，以及在MATLAB中，我们如何利用一些深度学习工具来改进我们的创新渠道。有趣的是，Rick的主题演讲提到了迁移学习和语义分割。这就是我今天要讲的一些例子。

当然，作为壳牌，我们总是不得不忍受一个谨慎注意。所以我会离开这个了五秒钟左右的时间，谁想要阅读。好。

所以今天，我要组织我的谈话如下。我要去只是您简要介绍壳牌和服务和产品，我们涵盖的范围内。下载188bet金宝搏我也来谈谈我们的创新和输水管道，我们如何尝试到正确的IT维护的最终产品带来创新的理念，特别是在高级分析，通过。下载188bet金宝搏然后在那里MATLAB适合这一点。

然后我将讨论两个用例。正如我提到的，首先是工业图像中的标签识别，然后是高光谱卫星图像中的地形识别。听起来很酷，所以我把它放了进去。最后是下一步，我们从哪里得到我们得到的结果。

好的。所以，这就是我们总结业务的幻灯片的最新的化身。所以，我们是一个非常广泛的公司。我们范围内的所有从我最初加盟该公司，这是在上游勘探的方式，试图找出油气藏。然后通过发展，我们试着钻水井提取的，通过随后的地方，我们尽量和工艺和完善的产品，通过运输和贸易，我们则提供这些产品的各种最终用户更下游的活动，这可能下载188bet金宝搏包括零售前院，航空，以及润滑剂。

如果我们重新利用这些信息，我们可以突出在其中分析带来的是组织内的瞬间值。还有 - 哦，这就是它 - 我真的希望让人们关注都在各种颜色的圆圈。因此，这些地方的分析是打我们的组织中的主导作用活跃的地区。我们可能会结束有相当大的变化，使相当大的影响到当前的工作流程和工作方式。两个蓝色的圆是在那里我将进一步探讨了一下。

因此，这是我们的创新漏斗为黄色。我们有一系列在顶部运行的决定门，通过D0到D4。基本上，我们尝试，并采取从左边的思想和观念贯穿到右边。

在底部，你可以看到两个重叠的三角形，我们有一个overlapping--，我们从一个数字化的团队，这是我目前坐，通过对IT适当的运动。所以

我们尝试和做的是在确定范围和创新阶段，我们参与其中。我们生产的POC概念，最小可行的产品，尝试和证明的价值。下载188bet金宝搏然后逐渐地，它被引入，我们尝试和范围出完整的部署解决方案和维护策略，这样我们就可以完全交付价值给业务。金宝搏官方网站

我想使人们关注的另一件事是所有的点。所以it's--认为它是几乎像的想法数量在左侧的组织标准化迹象。而我想强调的是我们每个决策门大客户流失完全确定，所以它是关于做完全组织内务必范围。然后，当你进行到底得到，我们集中你的资源，确实，在大多数高价值的解决方案。金宝搏官方网站

哪里MATLAB增加价值？这是非常快速原型。我们与MathWorks的咨询，这是我们在杠杆作用，以提高我们的生产力的积极协议。

有一个巨大的一套例子，文档，我们要MATLAB内维持。而由于巨大的焦点是MathWorks公司已经把上集成一些深学习技术，比方说，在过去的一年，我们能够对一些在那个空间中的这些最新发展的杠杆作用，同时还能够访问此有利积压的模块。我们真的很喜欢的Web应用程序交付，所以我们绕过了很多周围安装MATLAB的版本，让我们的一些运行的软件的问题。

所以在这里，我们已经得到了我们生产的Web应用程序的两个例子。就在右上方是沥青测试的Web应用程序。而在左下方你也可以看到什么，我将在以后讨论先睹为快，这是地形分类作为一个Web应用程序。

我们也用MDCS做了一些实验，也就是MATLAB分布式计算服务器。这让我们能够利用云上非常强大的gpu。我们主要用它来训练我们的一些深度学习模型。

因此，在今年而言，我们已经有壳牌与MATLAB不少里程碑。现在，我们已经finally--因为壳牌有时也有一点管理员的事情，它已经相当难以得到企业的不同部分的许可证。所以，现在我们有一个企业范围内的交易。因此，这意味着任何聪明的人，无论他们来自加入该组织，终于可以高效地使用MATLAB迅速，在理论上。

我们已经得到了第二MPS许可证。正如我说的，MDCS，我认为，将是一个日益重要的特征。我们正在寻找使这一更加符合我们的战略。

正如我所说的，MathWorks咨询公司非常有效地利用了我们的时间。我们现在也希望利用我们在班加罗尔的一些资源，让我们能够夜以继日地推进项目。

好的。所以这是第一个例子。这是标签识别。所以你可以在后台看到的是一片工业设备。我认为这是一个泵。

但在下面，我想让你们注意的是，那个标签，那个标签。标签上有SAP代码。我们把这些图像都点缀在——它们都有地理标记——都点缀在一个工业环境中。我们想要做的是提取那个标签，在上面做OCR，然后把它链接到我们的SAP系统，因为我们可以从SAP系统中提取很多元数据。

所以，最初的方法，我们已经使用的R-CNN，一个区域卷积神经网络服用。因此，我们采取的图像。然后，我们，因为图像是非常大的，我们首先需要提取的一系列从图像区域的建议，然后将其送入CNN正确。

在我们的例子中，我们used--所以我觉得里克谈到AlexNet例子。所以，我们采用了VGD 16网络而不是，然后我们做了最后的三层为我们的宗旨迁移学习。并初步在这里，我们刚刚得到了两类问题。我们刚刚得到的标签或没有标签。

这是一些图片的样子。想几乎谷歌街景。于是就离开了那里，你可以看到它几乎就像它已经采取鱼眼镜头。所以首先我们需要一个失真校正应用到图像，这是内MATLAB完成。再联想到的〜的，输出几乎就像你站在一个盒子里，然后你有盒子的六个面看出来。

我们倾倒的顶部和底部的预测，我们只是保持水平脱颖而出的预测。然后我们喂的是通过对算法的区域提取部分。在这种情况下，我们稍微修改它，并使用了一种叫做Pdollar EdgeBox方法。但重要的是你可以看到的区域被很好地提取区域，其中可能有一个标签在那里。

好的。这些信息会被传送到CNN。现在我们只讨论它的训练。

因此，尽管你不需要太多的训练数据，但是，我们仍然有一些问题，试图有足够的训练数据集，以稳定的方式执行。所以我们把标签的定义扩展为符号。所以我们还包括符号，然后做数据扩充，进一步增加数据集，提供足够的数据，给你一个稳定的结果。

在右边你可以训练激活后则见。所以这就是网络最初支付之前的分类关注的一个很好的迹象。所以这很怪异的图像是告诉你它的主要重点是紫色的斑块。然后，这是算法的输出。

你可以看到室内场景和室外场景，不同的照明条件。你得到的是一个包围框，围绕着它认为的符号，抱歉，是什么符号和标签有一个相关的概率。

对于你们敏锐的眼睛来说，你可能会注意到那里有很多误报。我们想要做的是找出所有可能的选项，然后我们依靠OCR在此基础上过滤掉很多假阳性。

好的。所以我刚刚展示了迁移学习被用来识别标签工业的图像，然后将在上面运行OCR提取SAP代码。在运行时而言，只是给你一个想法，它的周围每个图像三到四分钟。现在，在这个特殊的使用情况下，我们可以与管理，这很好，但很明显，如果你想这是不会发生的实时反馈。

然而，如果你想走实时路线，有一些技术可以显著提高速度。举个例子，快速的R-CNNs，它能让你的速度提高100倍。

我们也在考虑增加更多的GPU，在MDCS上的大型GPU，以允许我们增加图像的分辨率大小。接下来，我想，很酷的一件事是，一旦我们把这个连接到SAP系统，我们如何把这些信息带回来，比如说，对于一个带着增强现实眼镜在网站上走来走去的人?我们如何将这些信息可视化呢?这可能是我们的一些客户感兴趣的一个令人兴奋的领域。

所以，我们使用的数据是从欧洲工业网站，我们已经从，尤其是亚洲的业务部门获得了相当多的兴趣了。因此，我们要与活动的那些行进行。

好的。所以接下来的例子是在高光谱卫星数据地形识别。因此，只要迅速的，为什么这个问题的值得解决，为什么我们费心的描述。

所以在上游，在勘探中，地震数据是我们所拥有的最重要的技术之一，以便在地下探测。例如，在底部这个不确定的中东地区，你可以看到它的广阔区域，对吧?而获取数据的成本，也就是把能量投入到地面并接收数据的成本，是非常高的。所以我们说的是每年几千万，每个调查。这是非常高的成本。

和地形类型，光滑与粗糙，例如，可以减少高达50％，影响了成本。所以，正因为如此，他们在我们的语言，对标签数据的真正理想的情况，但在他们的语言确实低效系统。因此，他们支付一个高度专业化的，高薪的个体来看待卫星图像和手工绘制周围崎岖地形的多边形，他们认为是崎岖的地形。

然后他们必须通过实地考察来证实这一点。所以必须有人飞到这个特定的沙漠地区，然后开着卡车到处跑。他们需要放下旗子来确认这确实是一个崎岖的地形。这是在调查之前。

所以，在我们这里，因为我们现在有很多的训练数据，我们认为，正确的。也许我们可以替换的东西全流程多一点计算机密集。因此，我们决定尝试这种语义分割方法。

这就是我们得到的数据。我们有三种类型的图像，航空摄影，雷达，和深度表面模型，DSM图像。由于2017年B的限制，我们需要做三个渠道，但在这种情况下是可以的。

这已与2018 A和B.现在有所改善，但我们在这里决定把它分成三个渠道上色的图像，我们这样做是如下。我们灰度化航拍，把在红色通道，雷达在绿色，等等。然后你结束了这些彩色的图像，你可以看到在右边。这是用于算法。

赛格特，它是什么?它通常用于自动驾驶汽车。想象一下左上角的道路场景，网络所做的就是把它输入进来然后它会把每个像素映射到一个类。

在顶部的例子中，你有，比如说，一个路面类，一个道路类，一个树类，等等。所以在我们的例子中，我们想要重新利用它，把它用在粗糙或光滑的地形上。这就是我们所做的。

我们现在有3万个例子数据集，但是我们，仅仅为了这项工作，就用了1000个例子。所以还有很大的改进空间。而且，与最上面的图相比，我们的网络结构更简单。

所以我们决定使用三个编码器和解码器部分。而在培训上的1000个测试实例，一个4 GB的GPU，这是相当小的方面，这是大约八学时培训时间。

所以这些都是结果。我removed--从颜色消失，分解它放回原来的图像。所以在上面你可以看到，在左边，航拍，然后雷达和DSM。然后在左边的底部，可以看到人，或在我们的情况下，地面实况，算法然后预测什么。

在这两种情况下，你都可以看到。因为它选择了我所选择的数据的快照，所以性能非常好。目前的结果是定性的，而不是定量的，尽管我们要做的是产生混淆矩阵和所有这些东西。但是表演很好。我们向终端客户展示了这一点，他们已经认为性能优于现有的工作流程。

我们允许客户通过web应用程序与数据交互，这就是您在这里看到的。有了左边的图片，客户可以很容易地进入URL，上传各种图片以及他们想要查看的感兴趣的区域。然后在右侧的推理步骤之后，你可以浏览不同的输入和输出图像，并覆盖地面真相，这样他们就可以知道结果意味着什么，他们对什么感到满意，对什么感到不满意。

好的。所以在接下来的步骤而言，这是非常喜欢的初步工作。因此，有很多未来的工作要做，假设我们能获得良好的资金在内部。所以一些我们要做的第一步是参数调整。

我们将开始寻找从我们的时刻，这是1000我们将添加更多的类以及其中增加训练的数据量。因此，我们有一个工具类，都市类，以及我们要添加到数据。你可以在上面看到那里的设施类的一个实例。

还有，我们刚刚quickly--它的应用程序只用了两天就作出这样的Web应用程序。所以，这与MathWorks的咨询有适当合作的真正力量。我们要进一步增加功能合并到Web应用程序，并提供客户想要的是什么。

在这个特殊的例子中，因为性能已经很好了，人们对此非常兴奋，所以有一点担心这将如何影响现有的工作流程。这包括工作人员。所以这次我们试图dual-integration策略,我们都提供这项技术同时也技能提升员工,这样他们就可以了解工作流程,了解这项技术,然后还可能想出新的想法和更好的工作方式,然后我们可以想出。我们在中东的一些单位显然对这项技术很感兴趣。但我们现在也收到了一些东南亚业务单位的兴趣。

好了，这是什么意思在未来的条款？内壳，它是所有关于知道的宏伟总体规划，然后您如何融入宏大的总体规划。所以在我们的例子中，我们有这些数字的主题。

所以，我们现在要确保我们的方式推动这一内部对准这些数字的主题，我们已经确定了他们三个。利用一切云，与MDCS高性能计算，再先进的分析。因此，例如，智能应用为基础的技术。

关于2018年的当务之急，我们希望继续部署MPS和MDCS。现在我们已经证明了其中一些解决方案的技术方面，但是我们现在需要看看证明业务价值方面。金宝搏官方网站正如我所说的，我们将进一步研究地形识别，标签识别。

但不幸的是，我今天不能谈论的东西，也属于地震范畴。所以我们目前正在研究非常陡峭的学习技术来尝试绘制地震数据，仅仅是地下的图像通过简单的卷积就可以得到油气分布，油气属性分布。因此，这是一个非常令人兴奋的领域，我们公司有相当一部分人也在关注这个领域。

好的。所以，这就是我说的话。我希望这是一个有趣的谈话。谢谢。