基于稀疏高效的流卷積操作與自動(dòng)網(wǎng)絡(luò)架構(gòu)搜索技術(shù),構(gòu)建輕量化流卷積圖像分類網(wǎng)絡(luò)(FGNet),在ImageNet圖像分類數(shù)據(jù)集上,F(xiàn)GNet相比ResNet參數(shù)量明顯下降,Top1精度明顯提升。
融合輕量化分類網(wǎng)絡(luò)FGNet與目標(biāo)檢測(cè)框架YOLO,采用多尺度紋理隨機(jī)化處理的數(shù)據(jù)增強(qiáng)操作,相比YOLOv5s參數(shù)量明顯下降,mAP50精度明顯提升。
基于GPU與NPU芯片自主研發(fā)高性能嵌入式計(jì)算模組,通過(guò)對(duì)算法模型和核心系統(tǒng)做大量計(jì)算優(yōu)化,在攝像機(jī)前端實(shí)現(xiàn)目標(biāo)識(shí)別和系統(tǒng)整體控制,顯著降低了網(wǎng)絡(luò)帶寬壓力和后臺(tái)服務(wù)器計(jì)算壓力。
基于PuzzleNet實(shí)現(xiàn)融合處理多幀間的冗余信息以及加速推理,支持創(chuàng)建高效視頻信號(hào)流模型,并進(jìn)行高效的運(yùn)動(dòng)目標(biāo)特征提取,極大提升目標(biāo)快速檢測(cè)精度。
基于深度學(xué)習(xí)技術(shù),采用不依賴背景的算法,參考大腦神經(jīng)工作方式,對(duì)特征進(jìn)行抽象提取,極大提升視頻識(shí)別的準(zhǔn)確率。
將目標(biāo)識(shí)別算法、高精度聯(lián)動(dòng)技術(shù)、低誤報(bào)率技術(shù)植入攝像機(jī)前端芯片,實(shí)現(xiàn)1080p高清視頻信號(hào)實(shí)時(shí)分析識(shí)別,確認(rèn)目標(biāo)后再向服務(wù)器傳遞報(bào)警信息,有效降低網(wǎng)絡(luò)帶寬成本。
模型輕量化技術(shù)
高性能目標(biāo)識(shí)別技術(shù)
實(shí)時(shí)可靠的邊緣加速技術(shù)
PuzzleNet 快速檢測(cè)技術(shù)
低誤報(bào)率識(shí)別技術(shù)
邊緣計(jì)算技術(shù)