你好，股票查询能够在任意行情软件中查找，在输入股票号那栏中输入要查找个股的名字的首字母就可以了，行情软件查找都是输入首字母即可。

　　可以说类似，因为都是做智能硬件的，不过商汤科技是做人脸识别这块比较多，比较权威了，云哨智能是年轻公司做智能安防产品的。

　　集成电路概念一共有53家上市公司，其中16家集成电路概念上市公司在上证交易所交易，另外37家集成电路概念上市公司在深交所交易。

　　所以人工智能需要大量的数据库支撑，同时通过合适的算法不断的自我完善和学习。开始的时候可能很差，但机器运算能力十分强，成长起来相当快。

　　在人脸校准（face alignment)这个领域，目前的方法大概有三类，一类是传统的计算机视觉方法，比如基于cascade regression tree或者essemble svm一类。一类是基于深度学习的视觉算法，里面还有基于parts,基于heatmap的或者基于structure的等等的细分类。当然，还有基于两者的混合型算法，比如pdm+ccnf。你发一个paper，240点和106个点，就是训练数据的区别，或者几个参数的调整。但是如果做一个工业化的产品，这里面牵扯到的细节问题就非常多，也有很多工程方面的挑战。

　　第一个就是需求问题，多点的需求是不是伪需求目前看来不是，因为在美妆的场景下，对面部小细节的需求越来越多。具体可以看小米最近发布的美妆应用场景。里面很多的功能在传统的68点模型下很难做到。

　　第二个就是细节准确度的问题，因为传统模型定义都是整体定义偏离loss和约束constraint，这样的话在小细节方面的变化，比如说单眼眨眼，对模型整体loss影响不大，结果就是小细节动作无法体现在校准结果上。很影响用户体验。这一块需要更改模型设计，还是很有技术含量的。

　　第三个就是延迟问题，如果要保证30帧，那么处理一帧就是33毫秒以内，如果要预留给图像预处理和后面的渲染一些时间，视觉计算时间不易超过20ms。而视觉计算还分很多步骤，校准之前还有人脸的检测和标准化，所以留给FA的时间最多也就是10ms~15ms。而一般来说点越多，计算时间越长，这一点在传统方式上更为明显。这样就存在更多工程性挑战。

　　客观评价，商汤在对视频流人脸校准方面，准确度和延迟都很好。在单张图片方面比视频略差，因为视频方面用到了时域信息优化。在大角度人脸校准方面还有所欠缺。新版本希望在这些方面都会有进步。