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
视频理解：视频内容分析，封面选取
腾讯：OCR
face++:人脸，ocr
阿里云：NLP，asr
还有IOT的解决方案
商汤：主要人脸，也在做slam等，没有开放，有示意。
在图像增强里最重要的前三是
- 图像去雾
- 超分辨率
- 修复（快速去噪）