在深度學(xué)習(xí)中，解決訓(xùn)練數(shù)據(jù)不足常用的一個(gè)技巧是“預(yù)訓(xùn)練-微調(diào)”（Pretraining-finetune），即大數(shù)據(jù)集上面預(yù)訓(xùn)練模型，然后在小數(shù)據(jù)集上去微調(diào)權(quán)重。但是，在訓(xùn)練數(shù)據(jù)極其稀少的時(shí)候（只有個(gè)位數(shù)的訓(xùn)練圖片），這個(gè)技巧是無法奏效的。圖2展示了一個(gè)檢測模型預(yù)訓(xùn)練過后，在單張訓(xùn)練圖片上微調(diào)的過程：盡管訓(xùn)練集上逐漸收斂，但是檢測器仍無法檢測出測試圖片中的物體。這反映出了“預(yù)訓(xùn)練-微調(diào)”框架的泛化能力不足。利用SpeedDP經(jīng)過大量的數(shù)據(jù)訓(xùn)練后，機(jī)器就能夠精確檢測跟蹤圖像中的物體。快速移動的汽車怎么鎖定跟蹤？比較好的目標(biāo)跟蹤性價(jià)比

SpeedDP的出現(xiàn)則正好解決了這一問題，它是一個(gè)基于瑞芯微的深度學(xué)習(xí)算法開發(fā)平臺，提供從數(shù)據(jù)標(biāo)注、模型訓(xùn)練、測試驗(yàn)證到RockChip嵌入式硬件平臺模型部署的可視化AI開發(fā)功能。平臺支持本地化服務(wù)器部署，高校、特殊單位等數(shù)據(jù)敏感的用戶無需擔(dān)心數(shù)據(jù)信息泄露的問題。高校等單位可以通過模型訓(xùn)練和模型評估等功能，打造一個(gè)符合需求的AI模型，來幫助進(jìn)行海量的數(shù)據(jù)標(biāo)注，這不僅將節(jié)約大量的數(shù)據(jù)標(biāo)注時(shí)間，更重要的是能夠幫助提升自身算法在RK3588圖像處理板的檢測識別能力。新疆目標(biāo)跟蹤功效慧視RV1126圖像處理板能實(shí)現(xiàn)24小時(shí)、無間隙信息化監(jiān)控。

目標(biāo)跟蹤時(shí)，多維度、多層級信息融合也十分重要。為了提高對運(yùn)動目標(biāo)表觀描述的準(zhǔn)確度與可信性,現(xiàn)有的檢測與跟蹤算法通常對時(shí)域、空域、頻域等不同特征信息進(jìn)行融合,綜合利用各種冗余、互補(bǔ)信息提升算法的精確性與魯棒性.然而,目前大多算法還只是對單一時(shí)間、單一空間的多尺度信息進(jìn)行融合,使用者可以考慮從時(shí)間、推理等不同維度,對特征、決策等不同層級的多源互補(bǔ)信息進(jìn)行融合,提升檢測與跟蹤的準(zhǔn)確性。成都慧視開發(fā)的Viztra-HE030圖像處理板采用了RK3588高性能芯片，工業(yè)級的處理能力能夠運(yùn)用到諸多行業(yè)。

無人機(jī)能夠通過高空拍攝快速獲取大范圍、多角度的地面信息。但是傳統(tǒng)的攝像頭只能獲取視頻數(shù)據(jù)，對于許多需要進(jìn)行數(shù)據(jù)分析的行業(yè)來說顯然不夠智能化，從無人機(jī)視頻數(shù)據(jù)中快速獲取提煉大量有價(jià)值的信息，不僅能夠提升工作效率，還能夠減少不小的成本支出。這就是無人機(jī)的AI識別能力。通過識別算法，在無人機(jī)工作時(shí)就對目標(biāo)范圍進(jìn)行AI檢測識別，從而提煉所需信息。這就需要對無人機(jī)進(jìn)行智能化改造，可以在傳統(tǒng)無人機(jī)吊艙中植入成都慧視開發(fā)的高性能AI圖像處理板，如利用RK3588深度開發(fā)而成的Viztra-HE030圖像處理板，6.0TOPS的算力能夠快速處理無人機(jī)識別到的復(fù)雜畫面信息，這樣就有了硬件基礎(chǔ)，剩下的就需要對自身算法進(jìn)行不斷優(yōu)化提升?；垡昍K3399PRO板卡可以用于大型公共停車場。

目標(biāo)跟蹤是計(jì)算機(jī)視覺研究領(lǐng)域的熱點(diǎn)之一，并得到廣泛應(yīng)用。相機(jī)的跟蹤對焦、無人機(jī)的自動目標(biāo)跟蹤等都需要用到了目標(biāo)跟蹤技術(shù)。另外還有特定物體的跟蹤，比如人體跟蹤，交通監(jiān)控系統(tǒng)中的車輛跟蹤，人臉跟蹤和智能交互系統(tǒng)中的手勢跟蹤等。簡單來說，目標(biāo)跟蹤就是在連續(xù)的視頻序列中，建立所要跟蹤物體的位置關(guān)系，得到物體完整的運(yùn)動軌跡。給定圖像首幀的目標(biāo)坐標(biāo)位置，計(jì)算在下一幀圖像中目標(biāo)的確切位置。在運(yùn)動的過程中，目標(biāo)可能會呈現(xiàn)一些圖像上的變化，比如姿態(tài)或形狀的變化、尺度的變化、背景遮擋或光線亮度的變化等。目標(biāo)跟蹤算法的研究也圍繞著解決這些變化和具體的應(yīng)用展開?；垡旳I板卡能夠凸顯AI的智慧之能，變被動為主動，提供多種能主動預(yù)警的視頻分析和人臉識別黑白名單管理。比較好的目標(biāo)跟蹤性價(jià)比

慧視光電的RK3588跟蹤板怎么樣？比較好的目標(biāo)跟蹤性價(jià)比

2010年以前，目標(biāo)跟蹤領(lǐng)域大部分采用一些經(jīng)典的跟蹤方法，比如Meanshift、Particle Filter和Kalman Filter，以及基于特征點(diǎn)的光流算法等。Meanshift方法是一種基于概率密度分布的跟蹤方法，使目標(biāo)的搜索一直沿著概率梯度上升的方向，迭代收斂到概率密度分布的局部峰值上。首先Meanshift會對目標(biāo)進(jìn)行建模，比如利用目標(biāo)的顏色分布來描述目標(biāo)，然后計(jì)算目標(biāo)在下一幀圖像上的概率分布，從而迭代得到局部密集的區(qū)域。Meanshift適用于目標(biāo)的色彩模型和背景差異比較大的情形，早期也用于人臉跟蹤。由于Meanshift方法的快速計(jì)算，它的很多改進(jìn)方法也一直適用至今。比較好的目標(biāo)跟蹤性價(jià)比