摘要：
百度：最全 文字，语音，视频都做。 百度的视频理解主要是内容的理解，将内容来源归纳为4个维度，语音，文字，人脸（公众人物的人脸识别）和场景（类别泛标签提取） 视频融合了多模态元素，包括（语音，文字（弹幕），图像） 对于动作等不太涉及 ocr:通用文字识别，增值税发票，身份证 人脸：检测，识别，查找 阅读全文
摘要：
https://blog.csdn.net/Ezereal/article/details/79238150 下载地址账号:HENRY_ 密码：199111 阅读全文