附近目标跟踪互惠互利

跟踪任务与检测任务有着密切的关系。从输入输出的形式上来看，这两个任务是极为相似的。它们均以图片（或者视频帧）作为模型的输入，经过处理后，输出一堆目标物置的矩形框。它们之间比较大的区别体现在对“目标物体”的定义上。对于检测任务来说，目标物体属于预先定义好的某几个类别，如图1左图所示；而对于跟踪任务来说，目标物体指的是在首帧中所指定的跟踪个体，如图1右图所示。实际上，如果我们将每一个跟踪的个体当成是一个类别的话，跟踪任务甚至能被当成是一种特殊的检测任务，称为个体检测（Instance Detection）。慧视光电开发的慧视AI图像处理板，采用了国产高性能CPU。附近目标跟踪互惠互利

安全生产一直是发展过程中不变的话题。当前，我国建筑行业正处于高速发展阶段，不少建筑工地陆续开工，建筑行业安全也越发受到社会各界的关注。该行业以事故高发、危险系数高而闻名，建筑工人常常暴露于高处坠落、电气和化学危险以及涉及重型机械和车辆的环境中。一般情况下，工地开工都会对工人进行安全教育培训，并且设有安全监管人员，但纯人力监管，常常因为疏忽大意酿成悲剧。加入科技的力量如监控等设备来辅助人力监管是一个很好的补充，但是传统监控也需要人守在屏幕前，也具有不小的弊端。于是，慧视光电基于AI图像处理的监控监管方案就应运而生。信息化目标跟踪性价比慧视RK3399图像处理板能实现24小时、无间隙信息化监控。

无人机是巡检领域的空中巡检员，搭载智慧“眼”的无人机能够替代人工，实现自主巡检。无人机可以搭载红外光和可见光两种传感器，实现昼夜巡检也不是梦，一基杆塔*用十分钟的时间便可完成巡检工作。例如在电力巡检中，传统模式下，工人只能采用望远镜远程查看线路，不仅费眼睛，还费时间。同时，由于光线等外界因素的干扰，缺陷的确认也加大了难度，不得不背着安全带近距离校验，工人的安全也受到威胁。而无人机则可以在发现缺陷后，通过抵近观察的方式进行仔细查看，收集缺陷周围360°照片回去分析，不仅安全也高效率。

在深度学习中，解决训练数据不足常用的一个技巧是“预训练-微调”（Pretraining-finetune），即大数据集上面预训练模型，然后在小数据集上去微调权重。但是，在训练数据极其稀少的时候（只有个位数的训练图片），这个技巧是无法奏效的。图2展示了一个检测模型预训练过后，在单张训练图片上微调的过程：尽管训练集上逐渐收敛，但是检测器仍无法检测出测试图片中的物体。这反映出了“预训练-微调”框架的泛化能力不足。利用SpeedDP经过大量的数据训练后，机器就能够精确检测跟踪图像中的物体。Viztra-LE034图像处理板识别概率超过85%。

无人机的迅猛发展，使得无人机的反制技术也水涨船高，常见的有电子干扰、无人机识别对抗等方式。后者采用图像识别技术，通过在无人机摄像头的基础上加装AI高性能图像处理板，在算法的作用下，就具备无人机识别的功能，为无人机对抗创造条件。由于无人机飞行速度极快，因此针对于这样环境下的AI识别需要“与众不同”的图像处理板。我们都知道，当视频帧率越高时，视频越能够体现画面细节信息，而图像识别算法正是逐帧进行识别，因此，摄像头捕捉到的画面细节越多，识别的精度就会越高。无人机可能会受到敌方势力或者强风等因素干扰，造成不同幅度的振动，从而影响板卡能否正常完成任务。网络目标跟踪功能

振动测试是否通过正是确定板卡能否在这样的环境下正常完成工作的关键手段。附近目标跟踪互惠互利

无人机在农业领域能够实现高效率的施肥、播种等操作。但是不同的作业环境对于无人机的工作性能要求不一样，同样的方案在平原地区适用，在高原地区就不行。因此针对于特殊作业环境需要制定不同的智慧化方案。像青藏高原这样地貌复杂、低气压、大温差的特点，参与智能化工作的各个部件需要符合这样作业环境特点的性能要求。不比平原的一马平川，高原由于环境复杂，地形起伏对于无人机的飞行也需要进行控制，无论是高度还是速度甚至距离都需要进行严格限制，防止出现撞机等事故。因此，这个方面的智慧化建设就需要无人机具备智能避障的功能，无人机需要在高速度或者远距离的情况下识别树木、电线杆、石头等障碍物，并能够实现避障。附近目标跟踪互惠互利