跨界打广告：玩出另一番风格！

跨界打广告，玩出另一番风格！

在当今的市场竞争中，广告的作用越来越重要。越来越多的企业开始跨界打广告，希望通过各种创意方式吸引目标顾客的关注。跨界打广告不仅可以扩大品牌知名度，还可以提升企业的声誉和收益。本文将为您介绍跨界打广告的相关知识和方法，帮助您玩出另一番风格。

一、跨界打广告有哪些形式？

跨界打广告最常见的方式就是和其他行业、领域的品牌进行合作。通过跨界合作，企业可以借助对方的品牌形象和客户群体，吸引新的目标顾客。此外，还可以通过植入性广告、原创音乐、短剧等方式跨界打广告。这些形式都可以将产品或服务与其他领域相结合，营造出新的视觉和听觉感受。

植入性广告是跨界打广告的一种有效方式。它包括将产品或服务的形象、名称、特点等植入电影、电视剧、综艺节目等媒体中，让观众在自然的情境中接触到产品或服务的品牌形象。这种方式不仅能够积累品牌知名度，还能够提高消费者的购买意愿。然而，在进行植入性广告时，必须符合相关的法律法规，不得误导消费者。

原创音乐和短剧也是跨界打广告的另一种形式。这种形式可以将产品或服务的特点与音乐和短剧相结合，营造出新的视觉和听觉感受。在这种形式中，音乐和短剧必须与产品或服务的特点相匹配，以达到广告宣传的效果。

二、跨界打广告的优势是什么？

跨界打广告可以带来很多优势。首先，跨界合作可以扩大品牌知名度。通过与其他行业、领域的品牌进行合作，企业可以借助对方的品牌形象和客户群体，吸引新的目标顾客。其次，跨界合作还能提升企业的声誉和收益。通过跨界合作，企业可以借助对方的品牌形象和客户群体，提高消费者的购买意愿和忠诚度，从而增加企业的收益。

跨界打广告还可以提高企业的创意和创新能力。在跨界合作中，两个品牌的创造力相互碰撞，可以产生许多新奇的创意和想法。这些创意和想法可以帮助企业推动产品和服务的升级和优化，提升企业的核心竞争力。最后，跨界打广告可以带来长期的经济效益。通过跨界合作，企业可以建立长期的合作关系，提高品牌的稳定性和连贯性，从而带来长期的经济效益。

三、如何进行跨界打广告？

跨界打广告需要遵循一些原则和方法。首先，必须确保广告内容符合中国广告法的相关规定。广告内容必须真实、合法、合规，不可误导消费者。其次，必须确保广告内容与目标顾客的需求和兴趣相匹配，以达到最佳的效果。如果广告内容与目标顾客的需求和兴趣不符，可能达不到预期的效果。

在跨界合作中，企业必须选择与自己品牌形象和发展战略相符合的品牌进行合作。如果两个品牌的形象和发展战略不符，可能会带来负面影响。此外，跨界合作需要考虑品牌的形象和文化差异，以避免出现不必要的冲突。

最后，跨界打广告需要注意广告效果的追踪和评估。企业需要通过各种途径收集消费者的反馈，并对广告效果进行评估。如果广告效果不佳，需要根据反馈情况及时进行调整和优化，以达到预期的效果。

结论

跨界打广告是企业进行品牌营销的一种重要方式。跨界合作可以扩大品牌知名度，提升企业的声誉和收益，提高企业的创意和创新能力，带来长期的经济效益。在进行跨界打广告时，企业必须遵循相关的原则和方法，确保广告内容符合中国广告法的相关规定，符合目标顾客的需求和兴趣，并注意广告效果的追踪和评估。通过跨界打广告，企业可以玩出另一番风格，赢得市场竞争的优势。

跨界打广告：玩出另一番风格！随机日志

根据用户每日使用空调的习惯，智能控制空调温度，分析出用户的温度曲线，一键控制室内的温度，享受智能家居带来的舒适生活。

1、•您也可以在普通键旁边的文件夹中添加日期和时间键。

2、请先确认您的本地网络环境，玩游戏建议有线链接效果最好，无线链接可以先win键加上R键同时按下会出来命令提示符输入cmd回车进入，再次出入ping96t注意是有空格的建议直接复制。这样就可以查看到您本地内网的延迟是多少了,一个正常的家庭内网环境理论延迟应该是

3、拥有非常强大的检索功能，直接输入关键字，就可以查找具体的视频资源，满足你的使用需求。

4、如果网络端口已经被别的软件占用，启动任擎服务器时，会在服务管理器内显示类似以下的错误：

5、借助本机6位支持，ProxyCap支持6位应用程序，与Windows和MacOSX操作系统上的位应用程序一样。

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>USB：首(shou)個(ge)將(jiang)視(shi)覺(jiao)、語(yu)言(yan)和(he)音(yin)頻(pin)分(fen)類(lei)任(ren)務(wu)進(jin)行(xing)統(tong)壹(yi)的(de)半(ban)監(jian)督(du)分类學(xue)習(xi)基(ji)準(zhun)

新(xin)智(zhi)元(yuan)報(bao)道(dao)

作(zuo)者(zhe)：王(wang)一棟(dong)、王晉(jin)東(dong)

編(bian)輯(ji)：QQ

【新智元導(dao)讀(du)】微(wei)軟(ruan)亞(ya)洲(zhou)研(yan)究(jiu)院(yuan)的研究員(yuan)們(men)聯(lian)合(he)西(xi)湖(hu)大(da)学、东京(jing)工(gong)業(ye)大学、卡(ka)內(nei)基梅(mei)隆(long)大学、馬(ma)克(ke)斯(si)-普(pu)朗(lang)克研究所(suo)等(deng)機(ji)構(gou)的科(ke)研人(ren)员提(ti)出(chu)了(le) Unified SSL Benchmark（USB）：第(di)一个将视觉、语言和音频分类任务进行统一的半监督分类学习基准。

當(dang)前(qian)，半监督学习的發(fa)展(zhan)如(ru)火(huo)如荼(tu)。但(dan)是(shi)現(xian)有(you)的半监督学习基准大多(duo)局(ju)限(xian)於(yu)計(ji)算(suan)机视觉分类任务，排(pai)除(chu)了對(dui)自(zi)然(ran)语言處(chu)理(li)、音频处理等分类任务的一致(zhi)和多樣(yang)化(hua)評(ping)估(gu)。此(ci)外(wai)，大部(bu)分半监督論(lun)文(wen)由(you)大型(xing)机构发表(biao)，学術(shu)界(jie)的實(shi)驗(yan)室(shi)往(wang)往由于计算資(zi)源(yuan)的限制(zhi)而(er)很(hen)難(nan)參(can)與(yu)到(dao)推(tui)動(dong)該(gai)領(ling)域(yu)的发展中(zhong)。

為(wei)此，微软亚洲研究院的研究员们联合西湖大学、东京工业大学、卡内基梅隆大学、马克斯-普朗克研究所等机构的科研人员提出了 Unified SSL Benchmark（USB）：第一个将视觉、语言和音频分类任务进行统一的半监督分类学习基准。

该论文不(bu)僅(jin)引(yin)入(ru)了更(geng)多样化的應(ying)用(yong)领域，還(hai)首次(ci)利(li)用视觉預(yu)訓(xun)練(lian)模(mo)型大大縮(suo)減(jian)了半监督算法(fa)的验證(zheng)時(shi)間(jian)，使(shi)得(de)半监督研究对研究者，特(te)別(bie)是小(xiao)研究團(tuan)體(ti)更加(jia)友(you)好(hao)。相(xiang)關(guan)论文已(yi)被(bei)國(guo)際(ji)人工智能(neng)领域頂(ding)級(ji)学术大會(hui) NeurIPS 2022 接(jie)收(shou)。

文章(zhang)鏈(lian)接：https://arxiv.org/pdf/2208.07204.pdf

代(dai)碼(ma)链接：https://github.com/microsoft/Semi-supervised-learning

监督学习通(tong)過(guo)构建(jian)模型來(lai)擬(ni)合有標(biao)記(ji)數(shu)據(ju)，当使用监督学习 (supervised learning)对大量(liang)高(gao)質(zhi)量的标记数据（labeled data）进行训练时，神(shen)經(jing)網(wang)絡(luo)模型会產(chan)生(sheng)有競(jing)爭(zheng)力(li)的結(jie)果(guo)。

例(li)如，据 Paperswithcode 网站(zhan)统计，在(zai) ImageNet 這(zhe)一百(bai)萬(wan)量级的数据集(ji)上(shang)，傳(chuan)统的监督学习方(fang)法可(ke)以(yi)達(da)到超(chao)过88%的准確(que)率(lv)。然而，獲(huo)取(qu)大量有标簽(qian)的数据往往費(fei)时费力。

为了緩(huan)解(jie)对标註(zhu)数据的依(yi)賴(lai)，半监督学习（semi-supervised learning/SSL）致力于在仅有少(shao)量的标注数据时利用大量無(wu)标签数据（unlabeled data）来提升(sheng)模型的泛(fan)化性(xing)。半监督学习亦(yi)是机器(qi)学习的重(zhong)要(yao)主(zhu)題(ti)之(zhi)一。深(shen)度(du)学习之前，这一领域的研究者们提出了諸(zhu)如半监督支(zhi)持(chi)向(xiang)量机、熵(shang)正(zheng)則(ze)化、協(xie)同(tong)训练等经典(dian)算法。

深度半监督学习

隨(sui)著(zhe)深度学习的興(xing)起(qi)，深度半监督学习算法也(ye)取得了長(chang)足(zu)的进步(bu)。同时，包(bao)括(kuo)微软、谷(gu)歌(ge)、和 Meta 等在内的科技(ji)公(gong)司(si)也認(ren)識(shi)到了半监督学习在实际場(chang)景(jing)中的巨(ju)大潛(qian)力。

例如，谷歌利用噪(zao)聲(sheng)学生训练（noisy student training）这一半监督算法提高了其(qi)在搜(sou)索(suo)方面(mian)的性能[1]。当前最(zui)具(ju)代表性的半监督算法通常(chang)对标注数据使用交(jiao)叉(cha)熵損(sun)失(shi)进行训练，对无标注数据使用一致性正则技术（consistency regularization）鼓(gu)勵(li)对輸(shu)入擾(rao)动进行不變(bian)预測(ce)。

例如，谷歌在 NeurIPS 2020 提出的 FixMatch[2] 算法，利用增(zeng)強(qiang)錨(mao)定(ding)（augmentation anchoring）和固(gu)定閾(yu)值(zhi)（fixed thresholding）技术来增强模型对不同强度增强数据的泛化性和减少噪声偽(wei)标签（noisy pseudo labels）的影(ying)響(xiang)。在训练中，FixMatch 过濾(lv)了低(di)于用戶(hu)指(zhi)定（user-provided / pre-defined）阈值的无标签数据。

微软亚洲研究院与东京工业大学等在 NeurIPS 2021 合作提出的 FlexMatch[3] 则考(kao)慮(lv)到了不同类之间的学习难度不同，因(yin)此提出了課(ke)程(cheng)伪标签（curriculum pseudo labeling）技术，对于不同类应该采(cai)用不同的阈值。

具体来說(shuo)，对于容(rong)易(yi)学习的类别，模型应该設(she)置(zhi)高阈值以降(jiang)低噪声伪标签的影响；对于难学习的类别，模型应该设置低阈值鼓励该类的拟合。每(mei)个类的学习难度评估取決(jue)于落(luo)入该类且(qie)高于固定值的未(wei)标记数据样本(ben)的数量。

同时，微软亚洲研究院的研究员们还合作提出了一个统一的基于 Pytorch 的半监督方法代码庫(ku) TorchSSL[4]，对该领域的深度方法、常用数据集和基准结果进行了统一的支持。

圖(tu)1：FlexMatch 算法流(liu)程

当前半监督学习代码库存(cun)在的問(wen)题与挑(tiao)戰(zhan)

盡(jin)管(guan)半监督学习的发展如火如荼，但是，研究员们注意(yi)到目(mu)前大部分半监督方向的论文只(zhi)关注计算机视觉 (CV) 分类任务，对于其他(ta)领域，例如自然语言处理 (NLP)、音频处理 (audio)，研究者无法得知(zhi)这些(xie)在 CV 任务上有效(xiao)的算法到了不同领域是否(fou)依然有效。

另(ling)外，大部分半监督相关的论文都(dou)是由大型机构发表，学术界的实验室往往由于计算资源的限制而很难参与到推动该领域的发展中。總(zong)的来说，半监督学习基准目前存在以下(xia)兩(liang)个问题：

（1）多样性不足。现有的半监督学习基准大多局限于 CV 分类任务（即(ji) CIFAR-10/100，SVHN，STL-10 和 ImageNet 分类），排除了对 NLP、audio 等分类任务的一致和多样化评估，而在 NLP 和 audio 中缺(que)乏(fa)足夠(gou)的标记数据也是一个普遍(bian)问题。

（2）耗(hao)时且对学术界不友好。现有的半监督学习基准（如 TorchSSL）通常是耗时且不環(huan)保(bao)的，因为它(ta)往往需(xu)要從(cong)頭(tou)開(kai)始(shi)训练深度神经网络模型。具体而言，使用TorchSSL 评估 FixMatch[1]大約(yue)需要300个 GPU 日(ri)。如此高的训练成(cheng)本使得許(xu)多研究实验室（尤(you)其是学术界的实验室或(huo)小研究团体）无法負(fu)擔(dan)得起 SSL 的相关研究，从而阻(zu)礙(ai)了 SSL 的进展。

USB：任务多样化且对研究者更友好的新基准库

为了解决上述(shu)问题，微软亚洲研究院的研究员们联合西湖大学、东京工业大学、卡内基梅隆大学、马克斯-普朗克研究所等机构的科研人员提出了 Unified SSL Benchmark（USB），这是第一个将视觉、语言和音频分类任务进行统一的半监督分类学习基准。

相比(bi)于之前的半监督学习基准（如 TorchSSL）只关注少量视觉任务，该基准不仅引入了更多样化的应用领域，还首次利用视觉预训练模型（pretrained vision Transformer）大大缩减了半监督算法的验证时间（从7000 GPU 时缩减至(zhi)900 GPU 时），从而使得半监督研究对研究者、特别是小研究团体更为友好。

相关论文已被国际人工智能领域的顶级学术大会 NeurIPS 2022 接收。（點(dian)擊(ji)「閱(yue)读原(yuan)文」可了解更多）

USB 提供(gong)的解决方案(an)

那(na)麽(me)，USB 如何(he)一次性解决当前半监督基准所存在的问题呢(ne)？研究员们主要进行了如下改(gai)进：

（1）为增强任务多样性，USB 引入了5个 CV 数据集，5个 NLP 数据集和5个 audio 数据集，並(bing)提供了一个多样化且具有挑战性的基准，从而能够对来自不同领域的多个任务进行一致的评估。表1提供了 USB 与 TorchSSL 的任务和训练时间等方面的詳(xiang)細(xi)对比。

表1：USB 与 TorchSSL 框(kuang)架(jia)的任务和训练时间对比

（2）为了提高训练效率，研究员们将预训练的 vision Transformer 引入 SSL，而不是从头训练 ResNets。具体而言，研究员们发现在不影响性能的情(qing)況(kuang)下使用预训练模型可以大大减少训练叠(die)代次数（例如，将 CV 任务的训练迭代次数从100万步减少到20万步）。

（3）为了对研究人员更加友好，研究员们开源实现了14種(zhong) SSL 算法并开源了一个模塊(kuai)化代码库和相关的配(pei)置文件(jian)以供研究者輕(qing)松(song)再(zai)现 USB 报告(gao)中的结果。为了快(kuai)速(su)上手(shou)，USB 还提供了详细的文檔(dang)和教(jiao)程。此外，USB 还提供了 pip 包以供使用者直(zhi)接調(tiao)用 SSL 算法。研究员们承(cheng)諾(nuo)未来会在 USB 中不斷(duan)加入新的算法（例如不平(ping)衡(heng)半监督算法等）和更多更具挑战性的数据集。表2展示(shi)了 USB 中已支持的算法和模块。

表2：USB 中已支持的算法和模块

半监督学习通过利用大量无标签数据来训练更精(jing)确、更魯(lu)棒(bang)的模型，在未来有着重要的研究和应用價(jia)值。微软亚洲研究院的研究员们期(qi)待(dai)通过 USB 这一工作，能够予(yu)力学术界和工业界在半监督学习领域取得更大的进展。

参考资料(liao)：

[1]https://ai.googleblog.com/2021/07/from-vision-to-language-semi-supervised.html

[2] Kihyuk Sohn, David Berthelot, Nicholas Carlini, Zizhao Zhang, Han Zhang, Colin A Raffel, Ekin Dogus Cubuk, Alexey Kurakin, and Chun-Liang Li. Fixmatch: Simplifying semi-supervised learning with consistency and confidence. Advances in Neural Information Processing Systems, 33:596–608, 2020.

[3] Bowen Zhang, Yidong Wang, Wenxin Hou, Hao Wu, Jindong Wang, Manabu Okumura, and Takahiro Shinozaki. Flexmatch: Boosting semi-supervised learning with curriculum pseudo labeling. Advances in Neural Information Processing Systems, 34, 2021.

[4] TorchSSL: https://github.com/TorchSSL/TorchSSL返(fan)回(hui)搜狐(hu)，查(zha)看(kan)更多

責(ze)任编辑：