EEJournal

专题文章
现在就订阅

基于云计算的遗传算法和计算机视觉应用

你记得我之前的列当遗传算法满足人工智能吗?这反映出我的家伙发现,chapessesAlgolux他们使用一个进化算法方法吗阿特拉斯相机优化套件。这里的想法是,当涉及到创建一个新的摄像系统,每个组件——镜头组装、传感器和图像信号处理器(ISP)——有许多参数(变量)。这意味着一个巨大和复杂的参数空间控制每个摄像机的图像质量配置。

传统人性化摄像系统调优涉及周的实验室优化结合数月的领域和主观的调优。悲伤的一部分,所有这一切是没有保证的结果在计算机视觉的应用程序使用人工智能(AI)和机器学习(ML)。问题是调优的摄像系统计算机视觉应用程序是一个完全不同的“水壶的鱼,”,比优化人类消费的图像或视频流。

底线是,人类几乎可以肯定不是最好的法官的一个AI /毫升系统喜欢看到它的图片。这里的解决方案是让AI /毫升系统本身或作出判断,至少,让阿特拉斯决定关闭AI / ML体系来要求,使用human-supplied元数据作为比较的“地面实况”状态。此外,采用进化算法允许地图探索解空间来调整相机的系统变量,以自动最大化的结果计算机视觉系统应用程序的使用。

在上述列,几个月后我回到了后续的一篇文章:Eos嵌入式软件看到所有知觉。我必须承认这是相当惊人的。我们开始通过观看视频AAA行人侦测ADAS测试。警告,这不是一颗卑微的心。我知道,看完这个视频,如果有人问我介入自主车辆的前面,我将会非常自信地说,他们不是我的朋友。

这个视频真正可怕的事情是它最佳的照明条件下拍摄。你能想象事情会有多糟等不利条件下的雨,冰雹,冰雹,雪,雾吗?所以我们来Eos嵌入式知觉软件。Algolux所描述的人,“通过联合设计和培训的光学、图像处理和视觉任务,Eos提供高达3倍提高精度在所有条件下,特别是在低光和恶劣的天气。“如果你看看我之前的专栏中,你会看到各种视频的行动,但它仍然是下面的图片真的令我始料未及。

Eos-designed /训练摄像系统检测像奥运冠军(图片来源:Algolux)

如您所见,这张图片显示了一个摄像系统设计/训练使用Eos检测人(紫色框),车辆(绿框),——我认为——迹象或交通信号灯(蓝框)。如我我在早期文章中所提到的,“我一直走在这样的夜晚我和我知道如何确定难”是什么,“所以上图印象的袜子我(这不是你想要的东西发生在寒冷的天气)”。

继续,原因我在这里闲聊关于所有这是我最近听到我的伴侣马克斯Algolux(我知道,我也是糊涂了,有时感觉就像我发邮件或者跟自己- Max不喜欢,哈哈)。Anyhoo,马克思最终分享各种有趣的花絮掘金的知识和信息。

我们打开Algolux已经被命名为2021的事实CB的见解100年人工智能。这是一个著名的列表展示100年世界上最有前途的人工智能的民营企业。根据一个关联新闻稿”,AI 100从池中被选中的6000多家公司基于几个因素,包括专利活动,投资者质量、新闻情绪分析,市场潜力,合作,竞争格局,团队的力量,和技术新颖。”

现在,这已经不是什么秘密,相机的传感器系统开发人员的首选之一对安全性要求苛刻的应用,如汽车ADAS,自驾车辆和机器人和视频安全。然而,正如我们前面提到的,相机开发目前依赖于成像专家团队或外部摄像机图像质量服务公司手工调整架构。这种艰苦的方法可能需要数月时间,需要难以寻获的深度的专业知识,和视觉上是主观的。因此,这个过程并不确保相机提供了图像质量的最佳产量或计算机视觉应用程序。

如同我们前面提到的,Atlas相机套件自动化优化传统长达数月的人工ISP调优过程最大化几天计算机视觉精度和图像质量,从而提供一个改进的100 x在可伸缩性和资源利用。Atlas工作流许可快速评估不同相机传感器和镜头的成本降低,最佳性能,或适应客户需求的变化。

所以,你可以想象我的惊讶和高兴听到下一个诱人的急转弯从马克斯,涉及这一事实现在已经启用了Atlas相机优化套件在云端。更好的是,它支持一组扩展的相机从手臂和瑞萨isp,从而允许进行进一步的可伸缩性。

SoC的提供者部署手臂Mali-C71AE Mali-C52,他们可以利用Atlas工作流自动化和显著的规模支持客户发展视觉系统,可以预见的是减少ISP调优时间和项目风险。团队开发计算机视觉应用程序,阿特拉斯可以快速确定最佳的手臂马里ISP参数集来实现视觉精度最高,这与今天的手写的ISP的方法是不可能的。

此外,新的应用云计算的工作流支持了isp嵌入在瑞萨R-Car SoC,比如R-Car V3H和R-Car V3M智能和自动驾驶车辆(广告),以及最近宣布R-Car V3U ASIL D SoC高级驾驶员辅助系统(ADAS)和广告系统。

最后,正如我在我之前的文章中提到新范式实现、监控和调试嵌入式系统——我们讨论了Tracealyzer DevAlert Percepio工具和卢奥人分布式操作系统(不完全)从卢奥人)——我要在即将到来的演讲2021年嵌入式在线会议(转换端)。我演讲的主题是不是你的祖母的嵌入式系统。我提到这个的原因是,作为我的演讲的一部分,我将提及Percepio,卢奥人,Algolux——当然。

我敢希望你们公司在我演讲的乐趣?像往常一样,我欢迎您的意见和问题(最好是有关你所读的内容,但是我打开任何东西

一个想法在“基于云计算的遗传算法和计算机视觉应用程序”

留下一个回复

有特色的博客
2023年7月19日
了解光子集成电路(ICs)加速下一代AI ChatGPT等证据和高带宽的I / O驱动超大型数据中心。这个职位可以光子学下一代智能聊天机器人吗?第一次出现在芯片设计....
2023年7月18日
我们新的AI-powered定制设计方案,大师工作室,利用我们30年的行业知识和领导提供创新的特性,重基础设施无与伦比的生产力,和新级别的集成超出经典设计bounda…
2023年7月11日
就当我以为我看到了一切,我跑过一个视频的魔方解决本身而悬浮在表上方....

有特色的视频

作为PCIe 6.0 Synopsys对此端到端硬件连接和性能在一种总线标准团体2023年得复康

Synopsys对此

加入加里•Ruggles Synopsys对此产品经理作为PCIe & CXL在一种总线标准团体得复康2023看看Synopsys对此作为PCIe 6.0控制器和PHY IP在一个端到端的主机设备系统,使用Teledyne LeCroy插入器和分析器显示载荷大小对吞吐量的影响。

有关更多信息,访问https://www.synopsys.com/pcie

了纸

左移位与口径优化集成电路设计流程生产率,设计质量和上市时间

西门子数字行业软件

每个集成电路设计师致力于创建一个“干净”,或无错,细胞,块,chiplet SoC,或者3 dic组装之前通过其下游工作的全面验收确认。然而,等到结果验证找出你可能是最有效的方法实现生产就绪的布局,影响工程师的生产力,项目时间表,和硬件资源。

点击阅读更多

以注入式教学法亚博里的电子竞技

机器学习在边缘:应用和挑战
机器学习的TinyEdge是未来,但我们如何把机器学习融入我们的设计可以有各种不同的形式。注入式教学法在这节课中,阿米莉亚聊天与亚博里的电子竞技丹Kozin硅实验室如何您可以添加机器学习你的下一个设计。他们研究机器学习工作流程是什么样子的,你可以利用机器学习工具和关键挑战你会遇到机器学习作为一个开发人员。
2022年10月20日
32816的浏览量
Baidu