基于稀疏高效的流卷積操作與自動網(wǎng)絡架構搜索技術,構建輕量化流卷積圖像分類網(wǎng)絡(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FGNet與目標檢測框架YOLO,采用多尺度紋理隨機化處理的數(shù)據(jù)增強操作,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)高性能嵌入式計算模組,通過對算法模型和核心系統(tǒng)做大量計算優(yōu)化,在攝像機前端實現(xiàn)目標識別和系統(tǒng)整體控制,顯著降低了網(wǎng)絡帶寬壓力和后臺服務器計算壓力。
基于PuzzleNet實現(xiàn)融合處理多幀間的冗余信息以及加速推理,支持創(chuàng)建高效視頻信號流模型,并進行高效的運動目標特征提取,極大提升目標快速檢測精度。
基于深度學習技術,采用不依賴背景的算法,參考大腦神經(jīng)工作方式,對特征進行抽象提取,極大提升視頻識別的準確率。
將目標識別算法、高精度聯(lián)動技術、低誤報率技術植入攝像機前端芯片,實現(xiàn)1080p高清視頻信號實時分析識別,確認目標后再向服務器傳遞報警信息,有效降低網(wǎng)絡帶寬成本。
模型輕量化技術
高性能目標識別技術
實時可靠的邊緣加速技術
PuzzleNet 快速檢測技術
低誤報率識別技術
邊緣計算技術