基于稀疏(shu)高(gao)效的流(liu)卷積操作與自動網(wang)絡架構(gou)搜索技術(shu)，構(gou)建輕量化流(liu)卷積圖像分類網(wang)絡（FGNet），在(zai)ImageNet圖像分類數據集上，FGNet相(xiang)比ResNet參數量明顯(xian)下降，Top1精度明顯(xian)提升。
融合輕量化(hua)分類網(wang)絡FGNet與目標檢(jian)測框架YOLO，采(cai)用多尺度紋(wen)理(li)隨機化(hua)處(chu)理(li)的數據增強(qiang)操作，相(xiang)比YOLOv5s參數量明(ming)顯下降，mAP50精度明(ming)顯提升(sheng)。
基于GPU與NPU芯片自(zi)主研發高性能(neng)嵌入(ru)式計算(suan)(suan)(suan)模(mo)(mo)組，通過對(dui)算(suan)(suan)(suan)法模(mo)(mo)型(xing)和(he)核心系統做大量計算(suan)(suan)(suan)優化，在攝像機(ji)前(qian)端實現目(mu)標識別(bie)和(he)系統整(zheng)體(ti)控制，顯著降(jiang)低了網絡帶(dai)寬壓(ya)力(li)和(he)后臺服務器計算(suan)(suan)(suan)壓(ya)力(li)。
基(ji)于PuzzleNet實現融合(he)處理多幀間(jian)的(de)(de)冗余信息以及加速(su)推理，支持創(chuang)建高(gao)效視頻信號流模型，并進行高(gao)效的(de)(de)運(yun)動目標(biao)特征(zheng)提取(qu)，極大提升目標(biao)快速(su)檢測精度。
基于(yu)深度學習技術，采用(yong)不依賴背景的算法，參考大(da)(da)腦神經工作方式，對特征(zheng)進行抽象(xiang)提(ti)取，極(ji)大(da)(da)提(ti)升視頻識(shi)別的準確率。
將(jiang)目標識別算法、高精(jing)度聯動技(ji)術、低(di)(di)誤報率(lv)技(ji)術植入攝像(xiang)機前(qian)端(duan)芯片(pian)，實現1080p高清視頻(pin)信(xin)號實時分(fen)析(xi)識別，確認(ren)目標后再向服(fu)務器傳遞報警(jing)信(xin)息，有效降(jiang)低(di)(di)網絡帶寬成本。
模型輕量化技術
高性能目標識別技術
實(shi)時(shi)可靠(kao)的(de)邊緣加速技術
PuzzleNet 快速(su)檢(jian)測技(ji)術
低誤報率識別技術
邊緣計算技術
