随着人工智能兴起，利用“深度学习”技术进行计算机视觉工作已是很普遍的应用，如图像分类、对象检测等。通常只需将单张图像送入训练好的模型中进行推理即可得到输出结果，但当遇到视频文件或串流视频时，逐格(by Frame)图像分析就变得很没效率，因为帧间时间差距过短（通常为 1/30 ~ 1/60 秒），场景中的对象位移量（变形量）可能过小，导致帧间得到几乎相同的计算结果（对象位置、尺寸及分类），浪费计算
openlab_4276841a
3年前
全文链接：https://chinait-intel.oss-cn-beijing.aliyuncs.com/OpenVINO/0413-20210308_OpenVINO%E6%95%99%E5%AD%B8_DLWorkbench_JackHsu.pdf
openlab_4276841a
3年前
全文链接：https://chinait-intel.oss-cn-beijing.aliyuncs.com/OpenVINO/2-OpenVINO%E5%BC%80%E5%8F%91%E9%85%8D%E7%BD%AE%E4%B8%8E%E5%BF%85%E5%A4%87%E5%9F%BA%E7%A1%80%E7%9F%A5%E8%AF%86.pdf
openlab_4276841a
3年前
OpenVINO ToolKit 深度学习部署框架系统化介绍
一、OpenVINO框架概述与产生背景OpenVINO ToolKit是英特尔发布的一套支持快速开发视觉、语音识别、自然语言处理应用开的框架，受益于人工智能技术的快速发展，框架采用了最新的人工智能神经网络包括卷积神经网络、循环神经网络、注意力机制网络等模型。实现视觉与非视觉任务的底层硬件加速、达到最佳性能。支持人工智能应用从云端到边缘的部署与推理全链路技术。OpenVINO ToolKit主要功能
openlab_4276841a
3年前
第二章 OpenVINO™ 的核心组件 在上篇中我们了解到OpenVINO™ 是为加速人工智能应用和解决方案开发而生的工具包，基于最新一代的深度学习人工神经网络-包括卷积神经网络 (CNN)、递归神经网络（RNN），能够部署于从边缘到云端的各种架构中，从而实现包括机器视觉、自动语音识别、自然语言处理和推荐系统等多种人工智能应用。 我们知道如果从零开始进行人工智能应用及方案开发将是一项巨大的工程，搜
openlab_4276841a
3年前
