收購相機
統計，文字 /諾維中級專家職業
（看著你的眼睛），這張照片是一個瘦小的微笑！我沒有買。“我沒有購買。孩子們除了“高黃色市場，消費者的DSC士兵”作為節日市場，還學會了攝影。“全植物”高級“高級”未來是“高水平”的高水平。傳統上，未來仍然是一維一個和節點的最大規模發展的統一發展！收音機很好！Gergous很好
圖、文／NOVA情報誌
極速連拍追焦 專業攝錄雙進階
（揉眼睛）哇、你看看這張照片，當年的你身材苗條，表情超甜美，一臉青春洋溢，笑得可燦爛，簡直正翻天～唉唉、讓人不勝唏噓啊！「（怒）來來來，給我說清楚，你是說老娘現在身材走樣又變醜嗎？」冤枉啊，我是誇妳水噹噹，感嘆歲月一去不回頭，還好有留下這美麗倩影。對了，這讓我想到上月趁暑假帶大寶二寶出國玩，之前相機壞掉就沒買，貪圖方便手機拍，螢幕上看還好，但傳到電腦後發現跟相機還是有落差，尤其拍不出那個Fu！這樣不行，回憶無價，小孩一下子就成大，看來需要買台新相機來好好紀錄！
「知道就好，人家隔壁老王有學過攝影，上週帶小朋友出去玩，那臉書分享的照片一張比一張美，還有厲害的散景模糊夢幻感，真的差很大！」哼、聽到隔壁老王比我行（好像怪怪的），身為男人怎能嚥下這口氣，廢話不說，速速物色款高階厲害相機！唉呀，聽說這期情報誌封面是我最愛的「峮峮」（笑），且剛好有相機採購專題，趕緊收藏一本來練功…買好機…讚讚～
高階「無反全片幅」 穩居攝界新主流
「當上帝關上一扇門，必將打開另一扇窗」，無疑是近年來數位相機市場最佳寫照！儘管手機拍照性能越來越強，消費型DSC小相機幾乎被殘酷消滅殆盡；然而手機鏡頭小，有其天生物理限制，對於想真正保存重要點滴回憶或捕捉最美瞬間者，會萌生「想買就買好一點」想法。畢竟攝影需求始終存在！轉而將目光投向畫質性能好，連拍追焦犀利，容易拍出散景的可更換鏡頭「高階三劍客」相機，並迅速帶動蓬勃發展，開啟相機大廠們第二春。
然而這「高階三劍客」各有特色與需求定位！新興的「無反全片幅EVIL」因拿掉反光鏡結構，體型相對輕巧，且性能與畫質技術已不輸單反，極受專業&進階攝影玩家青睞，尤其去年起除佈局已久的Sony外，包含光學大廠Canon、收購相機Nikon等陸續跨足這「無反全片幅」領域，全面帶動話題與銷售人氣，開始取代「單反」成為主流，預計今年市佔率續攀升，穩居未來數年「攝王」地位！
而傳統大單「單反DSLR」發展最早，畫質技術成熟，擁有30年以上龐大鏡頭群資產，加上絕佳操控手感與拍攝高張數電量，仍受到商業攝影界推崇。至於體態輕盈小巧的「無反小微單」，攜帶方便，外貌出眾CP值高，自拍、美肌、錄影樣樣精，持續擄獲旅遊人士、部落客與女性朋友芳心！青菜蘿蔔各有所好，這三劍客互有擁護群，三分天下割據高階機市場！
高速連拍超高像素 AI準確眼偵追焦
拍攝性能上，今年高階機續朝「雙高」高速連拍&超高像素有感突破！高速連拍好處不在話下，有助於拍攝移動中物體、婚禮宴會、運動路跑或好動小孩Q萌表情瞬間。目前坊間除少數旗艦款做到驚人每秒20張、18張連拍外，多數機種連拍速度維持10張以下，好消息從下半年起，多家大廠新機將跨越10張連拍門檻，意謂攝界即將全面迎向「雙位數」連拍速世代！
同時超高像素機也將成為市場一大話題！像素高對於整體影像細緻度有其幫助，特別是專業領域，大可拍一張去擷圖，得到想要的局部影像，或是因應大圖輸出等需求。富士近期就推出無反中片幅（比全片幅大1.7倍）機GFX100，搭載驚人的一億兩百萬像素，但價格同樣驚人，要價約30萬；無獨有偶的，Sony新上市的α7R Ⅳ四代機，亦將像素提升到無反全片幅機中最高的6100萬等級，機身售價還控制專業攝影領域可接受10萬以下，預計將帶動業界超高像素風潮。
而伴隨著核心處理引擎增強，相機的對焦速度、準確性與追焦範圍隨之更犀利，各家紛紛在既有臉部辨識下增添眼睛偵測對焦，搭配上即時動態追蹤，讓使用者無論靜態或動態下，皆輕鬆拍出清晰臉孔與炯炯有神完美人像，甚至藉由先進AI智慧大數據學習，達到「人&物」對焦更精準敏捷。舉例Sony系列機做到連寵物毛小孩都納入眼部即時偵測對焦；Olympus OM-D旗艦款還能針對高速的賽車、飛機、火車鎖定AI追焦，凍結紀錄主體瞬間，讓愛好者樂翻。
錄影功能全面增強 影音自拍外接擴充
相機不只專司靜態拍攝，伴隨錄影功能強大，開始取代傳統DV攝錄機，成為居家記錄小孩成長點滴主要配備，以及坊間專業錄影工作者實用生財工具！尤其在全球Vlog熱夯下， 近年YouTuber與影片創作者需求大增，為迎合這龐大新興錄影市場，各家新機持續在錄影性能&應用上全面加碼競逐。
目前市場多數機型已提供4K/30Fps每秒30格高解析錄影品質，動作積極的品牌如FUJIFILM，更內建達4K每秒60格先進技術悍機，讓錄製畫面流暢度表現更好。尤其在4K優異畫質基礎下，各家有志一同朝「質量」做提升，諸如導入4K無裁切錄影，套用更細緻6K、5K高資料量來錄製4K，甚至支援專業人士很愛的S-Log模式，保留更多亮度動態範圍與暗部層次細節，大助於影片後製。
尤其因應YouTuber影音自拍需求，各家主力受歡迎的「無反小微單」提供180度翻轉自拍螢幕&美肌功能，並移植進階的專業攝錄技術與導入完善外接擴充能力，再搭配廠商貼心規劃的專屬手持自拍架與專業收音麥克風供另購，讓網美、網紅與影片創作者，更輕易拍出自我最佳魅力影片與效果！
操作順手聰明購 公司貨物超所值
面對種類多元，學問深的可換鏡頭相機，「該如何聰明購呢？」首先考量自我拍攝需求，主要拍日常生活，還是專業使用，再根據口袋預算，挑選最適合的產品。若是一般生活拍攝，APS-C無反微單機已經很足夠，畫質與景深效果都可達一般人對單眼認知，目前2萬上下就有很好產品。若預算更充裕，想追求高畫質或晉升專業級攝影，則可鎖定能輕鬆拍出散景的無反全片幅機，目前坊間入門款機身4萬多元就能擁有。鏡頭搭配上，建議先從標準Kit一機一鏡或雙鏡組入門即可，後續當熟悉鏡頭焦段特性極限，再視需求選購定焦人像鏡或長焦旅遊鏡。
最後相機的操作順手性不能忽視，購買前務必花點時間到展示店試試手感與拍攝感覺；下手前無論實體或網路商店購買，建議盡可能買公司貨，不要為了省那一些小錢買水貨；公司貨提供更好服務與快速維修機制，水貨機一但發生故障，往往維修需等1-2個月；重要是公司貨還享有各原廠/代理商每月提供的眾多「免費攝影教學課程」與商品技術諮詢服務，加總這些附加價值，絕對更相對划算，物超所值喔！
文【NOVA情報誌】http://ebook.nova.com.tw
記者Lu Enging / Taipei報告說，Google AI的應用程序媒體共享會話今天在醫療領域，每個人都應該享受人工智能的好處，並通過需要與用戶和用戶一起創建產品。這更多的公司和開發人員提供了研究人員在現實生活中解決的重大挑戰，並提供了各種設備，以分享醫學學習和未來研究的當前醫學案例。學習是科學可以改變事物的人工智能，而在當今的活動中，訓練機器學習是更聰明的。產品經理。（第一個針對風險投資的非營利計劃）是第一個非營利計劃的第一批成員之一），並在20多個國家 /地區建立了醫療計劃和基礎設施。 TSE商業安全團隊並建立了一個慈善團隊。確定它描述了關於貓貓的特徵的貓，但以後可以從輸入示例中檢測到貓。醫療中的智能增長了20倍，比健康和機器學習中的研究文獻數量增加了兩種挑戰。近年來通過醫生進行掃描或常規圖像
記者樓菀玲／台北報導
Google 於本日舉辦 Google AI 在醫療領域的應用媒體分享會，目的是希望讓所有人都能享受人工智慧帶來的好處 並透過打造更貼近使用者需求的產品、幫助更多企業與開發者創新、提供不同工具以幫助研究人員解決現實生活中遇到的重大挑戰，並且一舉分享了目前機器學習在醫學上的應用案例，以及未來的研究方向。
同時 Google 也表示，人工智慧 (AI) 以及機器學習 (Machine Learning) 人工智慧是能讓事物變更聰明的科學，而機器學習則是訓練機器透過學習使其變得更聰明。
在本日的活動當中，由 Daniel Tse Google AI 產品經理擔任主講人，Daniel Tse 現任 Google AI 產品經理，主要致力於醫學影像的研究與多項臨床領域的 外部合作關係發展。在加入 Google 之前，他是 Watsi.org 的早期成員之一 (創投公司 Y-Combinator 第一個非營利的計劃)，並在超過 20 個國家中建立醫療計劃和基礎設施。
在那之前，Daniel Tse 也曾服務於美國軟體服務公司 Palantir Technologies，幫助擴建商業保 健團隊以及建立慈善團隊。Daniel Tse 在美國的達特茅斯學院中取得醫學博士的學位，並曾在美國俄亥俄州立大 學攻讀分子遺傳學。
＊機器學習運作方式
訓練：舉例來說，當你今天要訓練機器辨識在影像中貓或狗的特徵，讓你可以輸入上千張貓的影像，並且指認這是貓，而不需要描述有關貓咪的特徵，機器即可從輸入的例子中自己學習辨認貓的影像。
推理：機器學會從數以千計的訓練模型中辨識出貓的影像後，接下來它 可以在之後的每張影像中自動辨認出貓的圖像而無須透過人工介入。
＊目前人工智慧在醫療領域的研究現況
自 2013 年以來，機器學習在健康與生命科學領域的研究文獻數量已成長超過 20 倍， 而機器學習可為醫療領域面臨的兩大挑戰帶來幫助。像是新技術的採用，使得近年來需要透過醫生篩選及判讀的資訊量大幅增加，尤其是在掃描或例行影像程序。其他還有像是放射科醫生以及其他專業醫生在全球都面臨短缺的狀況，而在慢性疾病 (如糖尿病與心臟病) 發病率不斷增加的情況下只會更糟 。
＊機器學習在醫學影像辨識上的應用案例
目前全球有 4.15 億的糖尿病患者，糖尿病的常見併發症之一是糖尿病引起的視網膜病變，而這也是全球失明人數迅速攀升的主因。為預防失明，糖尿病患者每年都應進行一次篩檢，而檢測糖尿病眼疾的常見作法就是檢查眼底圖像，而機器學習將協助醫師診斷糖尿病視網膜病變 (Diabetic Retinopathy, DR)。
Google 研究團隊與美國掃描影像單位及印度醫學單位合作，獲得大量的影像案例作為研究基礎。首先建立影像標籤工具，並聘請 54 名眼科醫師辨識成像，再運用 Inception (又名 GoogLeNet)的神經網路演算法辨識了約 130,000 張成像以進行訓練，並依據判斷呈現五種等級的辨識結 果。這個數據集目前被用來訓練深度神經網路，以協助醫師診斷糖尿病視網膜病變，同樣運作的原理也被應用在 Google 相簿中。
後來在 2016 年，Google 在美國醫學協會期刊 《The Journal of the American Medical Association》上，發表了與一般眼科醫師的判讀具高度一致性的結果；隨著研究的進展，今年二月，Google 也於《Ophthalmology》期刊中，進一步發表了與視網膜專科醫師的判讀高度相符的結果。
後來這套系統也被應用在印度亞拉文眼科醫院的前導計劃中，經過三個月後，發現透過 AI 比人工分級有更高的準確度，因此也正逐漸增加將透過此演算法來檢測的病患人數。Google 表示也同與印度、泰國與美國的醫學單位進行合作，投入臨床驗證與應用，並同時致力於推對監管機構的核准。
而在研究過程中，發現硬體設備將會是掃描影像過程中不可或缺的要素，所以 Google 也與 Verily (Alphabet 中的姐妹公司) 以及 收購相機Nikon 合作，讓硬體設備不會成為機器學習在影像辨識中的障礙。Google 表示目前正致力於研究神經網路 (Neural Network, NN) 的可解釋性。 過去，神經網路通常被認為如黑盒子 (black boxes) 一般神秘，其實不然。而且透過不同的技術，可以以視覺化方式，了解神經網路是如何做出判斷；例如透過熱感應圖 (heat maps)，可以看出神經網路是如何強調標籤中最容易辨識的像素。
＊導入機器學習可協助全新的科學發現
機器學習模型除了根據篩選結果協助醫生進行診斷外，甚至可以協助預測目前醫生還無法從影像上預測的病症。在近期發表的論文中提到，Google 也訓練機器學習模型來預測醫生在評估患者心臟病發作或中風風險時考慮的各種因素，像是年齡、自報性別、吸菸狀況、血壓或主要不良心血管事件 (MACE) 等。
結果顯示除了這些準確預測風險因素之外，機器學習也可以直接預測患者五年內發生心臟病發作或中風的風險。目前 Google 只有運用幾百個案例來訓練模型，這項研究還在相當早期的階段，但模型的曲線下面積 (AUC) 達到 0.7 (演算法正確度達 70%)。而這項技術將有機會應用到未來評估心血管疾病風險時， 可以透過非侵入性方式所取得的影像來進行相似的預測，也因此將能為更多人所用。
＊機器學習在醫療領域的未來發展
而為了確保病患能夠得到最佳的臨床診斷結果，未來這些應用將與醫師的工作流程相互整合，讓醫療判斷結果更精準。除此之外，也可以把這項技術帶到其他組織類型的應用上。例如：前列腺癌的格里森分級 (gleason grading)表現結果與病理學家的判斷相同。
利用機器學習來預防失明及預測心血管疾病，只是將人工智慧應用於幫助病患的其中幾個例子。人工智慧在醫療領域的發展潛力十分龐大，這就是為什麼把 這項技術開放給所有人是相當重要的。因此，我們過去發表了多項研究並將機器學習工具致力於 (如 TensorFlow)，提供給每一位對運用人工智慧解決醫療相關問題感興趣的醫生和研究員。
＊神經網路成熱門研究方向
神經網路的可解釋性也是目前熱門研究方向之一，是解讀與信任人工智慧的重要方式，同時也是協助醫師判讀診斷的重要工具，尤其像今天談到未來機器學 習能進一步透過醫師不曾考慮的因素進行疾病風險預測，透過呈現數據與機器學習模性用以判讀/分類的特徵讓其可以被解釋，能有助於建立醫師對其預測結果的信任。因此，Google 也研發多項工具，讓人們可以更理解數據與模型背後的運作與意涵。而在我們預測心血管疾病的風險研究中，模型也顯示對預測最有效的區域影像。
Google 非常重視在醫療相關研究與應用的可靠性，在真正落實應用之前，希望透過有說服力的研究結果取得醫療學界的專業認可，於是透過醫學期刊與醫學模型等方式來呈現研究結果。Google 表示非常希望將相關的技術帶到實際應用中， 同時也積極與監理單位進行合作以取得核准，像是美國食藥署 (FDA) 以及歐盟等相關單位；而臨床驗證的部份也與硬體的廠商 收購相機Nikon 等來合作。
Google AI 研究團隊積極與醫生和臨床醫學相關單位合作，在篩選與診斷方面，透過深入了解醫院中的臨床醫學流程與需求，以打造適合的工具，並藉此提升測試及決策的能力與效率。在糖尿病視網膜病變的案例中，由於篩檢過程中的資料量相當龐大，於是我們投入篩檢研究以提升整體效率；其他病症診斷的應用上，我們也將機器學習應用於縮小搜尋範圍以減少所需的時間。
在與台灣的醫學相關合作夥伴上，Google 表示會視個別狀況而定，通常會先推出一個前導計畫，若碰到像是資料量非常龐大或醫師不足等狀況，都是機器學習能夠提供幫助的發展方向。
收購相機 2
照相機 4K伸縮鏡頭 高清雙屏 數位相機 16倍光學變焦
近期留言