乙游CV劝退玩家，配音演员的“养老保险”还保险吗？
文 | 眸娱
刚刚结束与哈圈的大战，乙游圈又因为配音演员“掐”起来了。
这次让“光姐”和“叠姐”联手“声讨”的对象是配音演员吴磊，他同时为腾讯乙游《光与夜之恋》男主查理苏以及叠纸乙游《恋与制作人》男主李泽言配音，最近却因为业务问题备受争议。
在《光与夜之恋》9月10日发布的最新限时活动下，其他玩家纷纷表达期待之时，有关查理苏的评论却都在反映配音水平不稳定。而无独有偶，在《恋与制作人》九月份发布的李泽言“浪漫就绪”限时活动PV下，也有大量玩家反映配音问题。声音作为乙游男主形象的一部分，无论是对角色塑造，还是对玩家的体验感而言，重要程度都不言而喻，在
配音问题促使玩家逃离乙游，乙游CV这个公认的配音圈最稳定的工作，还能否成为配音演员的“养老保险”？
配音演员劝退乙游玩家
一个公认的事实是， 乙游玩家相比于其他游戏玩家更在意配音 。
一方面是因为乙游的剧情浓度远高于其他类型的游戏，以男主角的互动剧情为主，并且需要长期稳定的更新，这就导致乙游配音含量相对较高，配音可以说是贯穿整个游戏、不容忽视的“生命线”。
另一方面是受到恋爱陪伴玩法的影响，乙游相比于其他游戏更注重对男主角的塑造，这是吸引玩家的最大亮点。而对男主角形象的塑造不仅仅局限在美术立绘，贴合人物且出色的声线同样非常重要，声音是连接二次元和三次元的桥梁，为二次元男主角赋予三次元的真实感，让玩家能够产生更强的代入感。
这就导致乙游玩家对于“老公”的声音格外敏感和重视 ，好的配音不仅能够赋予男主角生命、为角色增彩，也能够成为男主角的“吸粉利器”。
事实上，在此次爆发大规模的“讨伐”之前，吴磊的配音曾为查理苏和李泽言两个角色增色不少，他的音色更偏向熟男霸总音，但不会显得油腻，反而很有质感，非常贴合这两个角色。
《恋与制作人》公测前期的人气王是“看板郎”白起，但后期霸总李泽言却实现了“弯道超车”，除了人设、剧情的塑造更符合女性玩家的喜好之外，吴磊的配音也起着至关重要的作用。
查理苏的霸总人设和李泽言存在一定的区别，故事设定中他是女主角的未婚夫，也是世界四大财阀之一NOVATEN药业集团唯一的继承人，关键在于他是外国人，所以声线、吐字、发音等各方面都和李泽言有一定的区别。
两个角色虽然是同一个CV，但早期吴磊的配音能够将查理苏和李泽言做出明显的区分 ，并不会让玩家产生“串场”的既视感，所以早期乙游玩家对于吴磊的配音好评度非常高，对他的业务能力也很认可。
但似乎是从2024年初开始，吴磊的状态就出现了下滑，当时已经有不少玩家反映他的配音年龄感越来越重，并且经常出现吐词不清、吞音严重等问题，为查理苏配音时英文发音也会出现错误，就好比你的霸总老公突然换成了霸总他爸 。
长期积累的配音问题得不到解决，游戏体验感持续降低之下，玩家终于“爆发”了，一部分忍无可忍的玩家选择了退游，而另一部分正在持续敲打官方“维权”中。
事实上，这并非吴磊独有的问题，随着配音演员和乙游男主角绑定越来越深，CV对于角色的影响也会来越大，整个乙游圈被玩家“炮轰”过的配音不止吴磊一人。
一个无法回避的事实在于，三次元配音演员成了二次元乙游中最不稳定的因素 ，一直以来被称为配音演员养老保险的乙游，还能否保配音演员“一生荣华富贵”呢？
养老保险还“保险”吗？
为什么说乙游是配音演员的“养老保险”？其实此次玩家“讨伐”吴磊就是一个典型的例子。
明知道吴磊的配音问题重重，配音质量下滑十分明显，但没有一位玩家要求叠纸或是腾讯为角色更换CV，明明更换配音演员就是最快、最简单的解决方案，玩家的诉求却只是要求吴磊精进业务能力，改掉现有的问题。
即便有部分玩家希望换掉吴磊，但也不是换一个新的配音演员，而是希望使用AI技术来还原吴磊早期的声线。
事实证明，对于配音演员而言，乙游确实是一份相对更为稳定的工作 。而出现这种情况的主要原因在于：
一方面，乙游玩家更容易与男主角形成较强的情感连接 ，并且女性对于情感的忠诚度与专一度较高，她们的感情更加细腻，一旦形成情感连接之后，更换声音就像换了个老公，势必会产生一定的落差感和不适感。
为了保证玩家与男主角之间的情感连接，乙游官方一般也不会随意更换配音演员，除非真的遭遇不得不换的情况，比如配音演员姜广涛涉嫌刑事案件，他参与配音的米哈游《未定事件簿》和网易《时空中的绘旅人》两款乙游都被迫更换了角色CV。
在被迫更换CV的情况下，官方也都选择尽量去贴合姜广涛的声音，《未定事件簿》直接使用了AI配音模拟原本的声线，而《时空中的绘旅人》则更换成了姜广涛徒弟、与他声线较为相似的马正阳，即便如此后期姜广涛恢复工作后也依旧有不少玩家希望原声回归。
另一方面，为乙游男主配音给配音演员本身带来了更大的利益加成。
不得不承认，女性玩家在注重二次元男主形象背后的三次元声音的同时，也确实会对配音演员产生移情，从乙游玩家转变为CV粉。
配音演员偶像化实际上就是从乙游开始有了明显的跃进，为乙游配音的CV能够在短期内积累大量的女粉丝，这部分庞大的女性群体所拥有的网络声量和消费能力，带动了配音演员名气以及商业价值的提升。无论是从情感还是利益出发，乙游男主角和配音演员都深度绑定在了一起，甚至配音演员已经成了乙游的一部分，所以说乙游是配音演员的“养老保险”也不为过。
但问题就在于，深度绑定之下，配音演员本人的状态对于乙游以及玩家的影响无疑是巨大的。轻则是像吴磊、谷江山这种业务水平下滑，严重一点则是私生活混乱，《光与夜之恋》陆沉原CV李元韬就是因为个人作风问题被腾讯“退货”，难免会对男主角以及游戏本身带来一定的负面影响，甚至导致玩家退游。
不稳定的三次元男性配音演员，正在劝退二次元女性乙游玩家 ，这一现象其实已经受到了行业重视。
AI会革了配音演员的命吗？
观察2024年的乙游市场就会发现，乙游官方正在逐渐与配音演员进行切割 。
一个非常明显的变化就是，早期乙游会特意标注出男主角CV的姓名，以示对幕后工作人员的尊重，甚至会对配音演员进行专业访谈、直播，但今年年初开服的叠纸乙游《恋与深空》与网易乙游《世界之外》官方都没有公开配音演员的身份。虽然乙游玩家靠猜也能猜出男主CV，毕竟配音圈就那么大，玩家对于声线都非常熟悉了，但官方选择不公开也表明了与配音演员切割的态度，将配音演员个人带来的负面影响降到最低。
但无法避免的是，互相切割的做法导致配音演员很难吃到乙游红利，即便游戏官方依旧不会随意更换CV，但场外人气和商业价值的加成势必会打折扣，这份“养老保险”的含金量大大降低 。
更关键的是，这份“养老保险”能不能保得住也成了一个问题。
在此次乙游玩家“讨伐”吴磊的行动中，出现了一种“不如上AI ”的声音，三次元真人配音水平起伏不定，受配音演员本人状态影响较大，相对来说AI配音反而能够做到稳定、高质量的声音输出。
事实上，AI配音在乙游市场并非没有先例，比如上文提到的《未定事件簿》，莫弈的CV姜广涛涉案后，米哈游就直接使用AI模拟姜广涛的声线，虽然前期宣布AI配音遭受了不少非议，但落实之后玩家其实是比较满意的。
AI配音的优势在于水平比较稳定，且能够与三次元男性完全切割，而一旦AI配音大举进入乙游市场，配音演员的养老保险势必会保不住。
不过目前玩家对于AI还是抵制多过认可，米哈游用AI代替姜广涛是无奈之举，主动将声线授权给AI的配音演员赵乾景备受非议，对于AI技术的应用大部分玩家还是持否定态度。
但随着三次元配音演员业务水平和私生活对于乙游以及玩家的影响越来越大，游戏官方的切割或许只是第一步，不精进业务、管好自己，配音演员的这份“养老保险”或许就那么好拿了。
人脸识别：AI产品经理需要了解的CV通识
最近整理了CV方向的一些产品基础知识，我的上一篇文章《看AI产品经理如何介绍“计算机视觉”（基于实战经验和案例）》算是这个系列的第一篇；本文是本系列下的第二篇，主要针对人脸识别进行梳理。后续还会有多目标跟踪、OCR等方向的内容。希望大家能从这个系列收获到更多的CV干货：）
人脸识别（Face Recognition）：对图像中的人脸进行检测、识别和跟踪。
一、技术流程详解
技术流程：
1、人脸采集
人脸采集主要关注以下因素——
1）图像大小：人脸图像过小会影响识别效果，人脸图像过大会影响识别速度。非专业人脸识别摄像头常见规定的最小识别人脸像素为60*60或100*100以上。在规定的图像大小内，算法更容易提升准确率和召回率。图像大小反映在实际应用场景就是人脸离摄像头的距离。
2）图像分辨率：越低的图像分辨率越难识别。图像大小综合图像分辨率，直接影响摄像头识别距离。现4K摄像头看清人脸的最远距离是10米，7K摄像头是20米。
3）光照环境：过曝或过暗的光照环境都会影响人脸识别效果。可以从摄像头自带的功能补光或滤光平衡光照影响，也可以利用算法模型优化图像光线。
4）模糊程度：实际场景主要着力解决运动模糊，人脸相对于摄像头的移动经常会产生运动模糊。部分摄像头有抗模糊的功能，而在成本有限的情况下，考虑通过算法模型优化此问题。
5）遮挡程度：五官无遮挡、脸部边缘清晰的图像为最佳。而在实际场景中，很多人脸都会被帽子、眼镜、口罩等遮挡物遮挡，这部分数据需要根据算法要求决定是否留用训练。
6）采集角度：人脸相对于摄像头角度为正脸最佳。但实际场景中往往很难抓拍正脸。因此算法模型需训练包含左右侧人脸、上下侧人脸的数据。工业施工上摄像头安置的角度，需满足人脸与摄像头构成的角度在算法识别范围内的要求。
2、人脸检测（Face Detection）
人脸位置检测：
目的是在图像中准确标定出人脸的位置和大小。
人脸关键点检测（人脸对齐）：
目的是自动估计人脸图片上脸部特征点的坐标
一般可以使用Openface中的Dlib模型实现人脸检测，利用OpenCV库对数据进行处理。最近人脸检测算法模型的流派包括三类及其之间的组合：viola-jones框架（性能一般速度尚可，适合移动端、嵌入式上使用），dpm（速度较慢），cnn（性能不错）。
人脸检测关注以下指标：
检测率：识别正确的人脸/图中所有的人脸。检测率越高，代表检测模型效果越好。误检率：识别错误的人脸/识别出来的人脸。误检率越低，代表检测模型效果越好。漏检率：未识别出来的人脸/图中所有的人脸。漏检率越低，代表检测模型效果越好。速度：从采集图像完成到人脸检测完成的时间。时间约短，检测模型效果越好。举一个实际例子说明：
在摄像头某张抓拍图像中，一共有7张人脸，算法检测出4张人脸，其中3张是真实人脸，1张是把路标误识为人脸。
在这个实际案例中：检测率=3/7 误检率=1/4 漏检率=（7-3）/7
3、图像预处理
图像预处理的目的是消除图像中无关的信息，尽可能去除或者减少光照、成像系统、外部环境等对图像的干扰，使它具有的特征能够在图像中明显地表现出来。主要过程包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
1）灰度化：将彩色图像转化为灰色图像的过程。
2）直方图均衡化：直方图描述了一副图像的灰度级内容。直方图均衡化主要目的是为了提高对比度和灰度色调的变化，使图像更加清晰。
3）归一化：通过一系列变换，将待处理的原始图像转换成相应的唯一标准形式（该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性），使得图像可以抵抗几何变化的攻击。例如用放大缩小图像、减少图片由于光照不均匀造成的干扰等。
4）中值滤波：将图片进行平滑操作以消除噪声。
预处理的效果直接影响到人脸识别率。可以通过不同方法，相同算法、相同训练模式评估模型效果，选择最佳的预处理方式。
4、人脸特征提取及人脸识别方法
传统的人脸识别模型一般都是在SVM等分类器分类后，通过CNN提取特征。
但随着深度学习的发展，人脸识别有更多端到端的框架选择。这里简单介绍一下三种近两年基于深度学习人脸识别的方法：Deep face、Deep ID、FaceNet
1）Deep face
a.Deep face 与其他方法最大的不同在于，DeepFace在训练神经网络前，使用了基于3D模型人脸对齐的方法。
b.使用深度神经网络学习特征
c.该模型在LFW数据集上取得了0.9735准确率
2）DeepID
DeepID有三代：DeepID、DeepID2、DeepID2+
DeepID2+对遮挡有很好的鲁棒性
有两种方式对人脸进行多种尺度的遮挡，第一种是从下往上进行遮挡，从10%-70%。第二种是不同大小的黑块随机放，黑块的大小从10×10到70×70。
结论是：遮挡在20%以内，块大小在30*30以下，Deep2+的输出向量的验证正确率几乎不变。
3）FaceNet
直接将人脸图像映射到欧几里得空间，空间的距离代表了人脸图像的相似性。该方法基于深度卷积神经网络。FaceNet得到人脸最终表示后不用像DeepID那样需要再训练模型进行分类，直接计算距离，效率很高。
它在LFW数据集上使用了两种模式：
直接取LFW图片的中间部分进行训练，使用额外的人脸对齐工具，准确率为0.9963，超过DeepID。当然基于深度学习的人脸识别方法还有很多种，比如baidu的方法等等。对这块有兴趣的朋友可以看看这篇文章：《基于深度学习的人脸识别技术综述》
5、人脸匹配与识别
将提取的人脸特征数据与数据库中储存的特征模板进行搜索匹配，设定一个最佳的相似度阈值，当相似度超过该阈值，则输出匹配后的结果。
最佳相似度阈值的决定需要考虑到输出结果的正确率和数量。假设1000张样本图片里，共600张正样本。相似度为0.9的图片一共100张，其中正样本为99张。虽然0.9阈值的正确率很高，为99/100；但是0.9阈值正确输出的数量确很少，只有99/600。这样很容易发生漏识的情况。
有的同学可能很快就通过这个场景联想到精确率和召回率的概念，是的，这也是需要应用精确率和召回率的实际评估场景之一。这里再解释一下精确率和召回率：
精确率（precision）：识别为正确的样本数/识别出来的样本数=99/100召回率（recall）：识别为正确的样本数/所有样本中正确的数=99/600（图by@mousever）
只有当选择的阈值实现：a.阈值以上结果的精确率极高；b.阈值以上结果的召回率极高。这个阈值才是在该算法模型下最佳阈值。
除精确率和召回率值得关注外，误报率（False Alarm）也是非常重要的指标。家用家用机器人/摄像头，可能会常开人脸检测，误报会非常影响用户体验（比如，没有异常情况但频繁报警提示）。因此误报率会是这类场景的重要指标。
另外在这一个识别的步骤中，产品还需要确定具体输出的需求点是人脸认证还是人脸识别——
1）人脸认证：一对一的匹配过程，解决“这是否为某人”的问题。系统需先找出已储存的对象信息，再将待认证的信息与前者对比核对，从而判定接受或拒绝待认证的身份。
常见的应用场景：例如移动支付认证、安全性身份核对等。
产品在系统设计的逻辑上，需要先考虑调取已储存对象信息的先验条件。通过界面/语音的提示，使得待认证者预先知道自己正处于被核对的过程中，且已预先了解拟核对对象的身份。
2）人脸比对：一对多的匹配过程，解决“这是谁”的问题。系统将待识别人脸图像的特征值与数据库中存储的所有已知身份的对象的特征值进行比较，来确定待识别者的身份。
常见的应用场景：人脸开门、人脸检索等。
产品在本需求的设计上，需要考虑系统的实时性和架构方案的不同对产品逻辑的影响。例如人脸开门常见架构是跨互联网和局域网的，人脸检索常见架构是在某一个局域网（互联网）下的。
a.人脸开门等跨网方案需要关注的因素
远程算法更新：远程算法更新必然会造成本地局域网功能暂时性无法使用。因此远程算法更新的频率、时间、更新效果都需要产品在更新前精确评估。增删改人脸数据与本地数据的同步：本地局域网和互联网是无法直接交互的，因此用户在互联网一旦对人脸数据库进行增删改的操作，下发程序的稳定性和及时性都需要重点关注。硬件环境：本地存储空间的大小和GPU直接影响到本地识别的速度。服务器的稳定性影响到功能地正常使用。守护程序：断电等外置情况意外情况发生又被处理完善后，程序能自动恢复正常。b.人脸检索等某一局域网（互联网）方案需要关注的因素
二、与人脸识别相关的其他CV内容
1、人脸表情识别（Face expression recognition 简称FER）
人脸表情识别的一般步骤：图片获取、图像预处理（主要有图片归一化、人脸检测与定位）、特征提取及表情分类。
现普遍认为人类主要有六种基本情感：愤怒（anger）、高兴（happiness）、悲伤（sadness）、惊讶（surprise）、厌恶（disgust）、恐惧（fear）。而大多数表情识别是基于这六种情感及其拓展情绪实现的，目前主要困难点是：
表情的精细化程度划分：每种情绪最微弱的表现是否需要被分类。分类的界限需要产品给出评估规则。表情类别的多样化：是否还需要补充其他类别的情绪，六种情绪在一些场景下远不能变现人类的真实情绪。因此除了基本表情识别外，还有精细表情识别、混合表情识别、非基本表情识别等细致领域的研究。缺少鲁棒性2、人脸性别识别
性别分类是一个典型的二类问题，人脸性别分类问题需要解决的两个关键问题是人脸特征提取和分类器的选择。
人脸性别识别其实仅能识别到人脸外貌更偏向于女性还是男性，很难对女生男相、男生女相进行正确判断。产品需制定合理的性别划分规则。
3、人脸年龄识别
年龄识别的难度在于单人的不同年龄段识别和多人的不同年龄段识别，人脸年龄识别常和人脸识别进行组合识别，能更正确的判断在一定年限内“是否是一个人”的问题。
识别年龄无变化的人脸用分类即可，而对年龄变化的人脸识别方法是通过年龄模拟，将测试图像和查询库中的图像变换到某一共同的年年龄，从而去除年龄不同的影响，使识别在年龄相同的人脸图像进行。
除了以上内容，还有是否戴眼镜、头发长度、肤色等等方向，产品可根据需求对算法提出不同的组合类别。值得强调的是，随着行业的深入，我们会发现单纯的人脸识别并不能满足实际应用场景的需求，比如在安防行业或者金融领域，活体技术（如何验证目前的人是真人而不是照片或视频）和防欺诈技术才是戳中用户痛点的、更本质的关键。人脸识别技术和多个技术相互结合，是现在场景中运用得比较广泛的方案。
三、补充说明
1、测试环境说明
例如：
CPU：Intel(R) Core(TM) i7-4790 CPU @ 3.60 GHz内存：8GB系统：Ubuntu 14.04 x86_64/Windows 7 SP1 64bitGCC版本：4.8.2注：以上测试环境是PC，也可以在手机上。
2、需要说明测试集是什么，或者图片要求（比如“图片包含人脸大小应超过96*96像素）
a.经典人脸身份识别测试集LFW（LFW benchmark http://vis-www.cs.umass.edu/lfw/）共包含13233 张图片 5749 种不同身份；世界记录99.7%。
b.CK+一个是人脸表情数据集（CK+，Extended Cohn-Kanade Dataset， http://www.pitt.edu/~emotion/ck-spread.htm），包含固定表情和自发表情，包含123个人的593个表情序列。每个序列的目标表情被FACS编码，同时添加了已验证的情感标签（生气、厌恶、害怕、快乐、悲伤、惊讶）。
3、需要说明“有效距离，左右角度，上下角度，速度”等参数值（范围）
注：这和“部署的灵活性”相关——由于不同客户不同场景的需求不同，所以技术方的人脸检测模块，一般可以通过调整参数得到N种亚型，以适应不同应用场景(光照、角度、有效距离、速度) 下对运算量和有效检测距离的需求。
4、需要知道的是，很多公司刷榜的数据，更多是PR效果
UCLA的@朱松纯 教授 在文章《浅谈人工智能：现状、任务、构架与统一 | 正本清源》里就提到：
咱们刷榜比打乒乓球还厉害，刷榜变成咱们AI研究的“国球”。所谓刷榜，一般是下载了人家的代码，改进、调整、搭建更大模块，这样速度快。我曾经访问一家技术很牛的中国公司（不是搞视觉的），那个公司的研发主管非常骄傲，说他们刷榜总是赢，美国一流大学都不在话下。我听得不耐烦了，我说人家就是两个学生在那里弄，你们这么大个团队在这里刷，你代码里面基本没有算法是你自己的。如果人家之前不公布代码，你们根本没法玩。很多公司就拿这种刷榜的结果宣传自己超过了世界一流水平。
四、人脸识别的现状
1、实验室效果和现实效果对比
1）实验室训练数据和实际抓拍数据
大多数情况下，实际抓拍图像质量远低于训练图像质量。由于训练数据普遍是由用户经过手机app/web采集上来的图片，所以光照、角度、模糊程度都可以由产品控制，但是实际抓拍图片质量是和实际场景中的光线、摄像头分辨率等等因素相关，照片质量比较难把握。
在上图的情况下，即使算法模型可以达到很高的精确度，但由于抓怕图片质量不好的原因，实际效果会大打折扣甚至不可用。
这种情况的解决办法是：
对摄像头进行补光/滤光将摄像头固定在角度合适的位置算法在识别前进行图像预处理2）训练时的标准和实际应用的标准
大多数情况下，实际应用的标准会远高于训练标准。例如，人脸识别实验室的标准是通过正脸数据训练出模型，能识别正确人脸就可以。而实际情况可能没有正脸数据，对训练提出了更高的要求。
3）训练效果和现实效果
大多数情况下，实际效果会远低于训练效果。现在市面上CV公司都是说自己的训练效果在99%以上（无限接近于100%），但这不等于实际应用的效果就是99%。工业上场景复杂的人脸应用（类似识别黑名单这种1:N的人脸比对）正确率在90%以上就已经是表现得很好的算法模型。
2、算法漏洞常被利用破解人脸识别系统
人脸识别常常被质疑是否安全性不够高，很多人脸识别的产品都能被破解。比如长得比较像的人可能会被误认为同一人；用录入人员的照片或者视频也能通过人脸系统。
而现在安全性能比较高的系统一般是人脸识别技术和其他生物识别技术相结合，例如人脸识别+指纹识别；人脸识别+虹膜识别等等。
以上所有内容，就是本次对人脸识别的梳理。文章参考了大量文献，也结合了本人的实战项目经验，希望能通过这样体系化的梳理让大家有所收获。也非常欢迎大家和我沟通对人脸识别的见解和看法。
附：参考文章
《人脸面部特征提取技术的研究》 http://t.cn/RTm3Xwm《人机交互中的人脸表情识别研究进展》 http://t.cn/RTm3pLS《基于深度学习的人脸识别技术综述》http://t.cn/RJeczWj《人脸识别之端到端的框架（二）—DeepID》http://t.cn/RHlEVZU相关问答
cv 是什么意思_作业帮[最佳回答]chinavoice的简写,即声优,就是给广播剧或者游戏等配音的人,他们在网络上有自己的ID,比如我最喜欢的是CV多多chinavoice的简写,即声优,就是给广播...
【统计学中的 CV 的符号含义是什么】作业帮[最佳回答]变异系数,均数/标准差,无量纲单位,用于比较不同量纲指标的变异程度.
CV 是啥?CV就是声优(日语平假名:せいゆう)即配音演员,与演员的区别就是可以隐于幕后,不露面,要的是语音效果。声优组织在日本多与影视部门、广告公司、政府媒体合作...
CV 是什么意思?CV是CurriculumVitae的缩写,是指履历表或简历。它是用来展示个人学术背景、工作经历、技能、成就等详细信息的一种文档。CV通常用于学术界、科研机构申请学术...
cv 和ev分别是什么意思?EV是等价变动,指在价格变化以前必须从消费者那里取走多少货币,才能使他的境况与价格变化后一样好。CV是补偿变动,指使消费者回到初始无差异曲线上所必须的收入...
CV 是什么意思啊?在人工智能领域,CV是计算机视觉(ComputeVision)。计算机视觉的目标是使计算机能像人那样通过视觉观察和理解世界,具有自主适应环境的能力。计算机视觉是采...
cv 是什么意思娱乐圈?cv的全称为charactervoice,意思是动画角色的配音员,其实就是声优。常用于日本动画,在古汉语和日语中,“优”有着演员、表演者的含义,所以声优就是指为影音...
配音中的 CV 是什么意思?这个要看具体用在哪里了,有以下几种CV、Cv、cv可以指:恶魔城(欧美版名称Castlevania)配音演员(CharacterVoice)变异系数(CoefficientofVariatio...
cv 是什么岗位物理?cv是计算机视觉岗位物理。计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,...
电路 CV 是什么?以C开头的,应该是电容,贴片电容一般是黄色或白色的。而且电容一般一端接地,一定接VCC。以C开头的,应该是电容,贴片电容一般是黄色或白色的。而且电容一般一...