基于稀疏高效的流卷積操作與自動(dòng)網(wǎng)絡(luò )架構搜索技術(shù)，構建輕量化流卷積圖像分類(lèi)網(wǎng)絡(luò )（FGNet），在ImageNet圖像分類(lèi)數據集上，FGNet相比ResNet參數量明顯下降，Top1精度明顯提升。
融合輕量化分類(lèi)網(wǎng)絡(luò )FGNet與目標檢測框架YOLO，采用多尺度紋理隨機化處理的數據增強操作，相比YOLOv5s參數量明顯下降，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(guò)對算法模型和核心系統做大量計算優(yōu)化，在攝像機前端實(shí)現目標識別和系統整體控制，顯著(zhù)降低了網(wǎng)絡(luò )帶寬壓力和后臺服務(wù)器計算壓力。
基于PuzzleNet實(shí)現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(jìn)行高效的運動(dòng)目標特征提取，極大提升目標快速檢測精度。
基于深度學(xué)習技術(shù)，采用不依賴(lài)背景的算法，參考大腦神經(jīng)工作方式，對特征進(jìn)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(dòng)技術(shù)、低誤報率技術(shù)植入攝像機前端芯片，實(shí)現1080p高清視頻信號實(shí)時(shí)分析識別，確認目標后再向服務(wù)器傳遞報警信息，有效降低網(wǎng)絡(luò )帶寬成本。
模型輕量化技術(shù)
高性能目標識別技術(shù)
實(shí)時(shí)可靠的邊緣加速技術(shù)
PuzzleNet 快速檢測技術(shù)
低誤報率識別技術(shù)
邊緣計算技術(shù)
