Reklama

Postęp technologii zwiększa możliwości systemów obserwacji

Jesteśmy świadkami dynamicznego rozwoju elektrooptycznych systemów obserwacyjnych.
Jesteśmy świadkami dynamicznego rozwoju elektrooptycznych systemów obserwacyjnych.
Autor. Teledyne FLIR OEM

Sztuczna inteligencja (AI), obrazowanie obliczeniowe i procesory mobilne wpływają na wzrost możliwości różnego typu urządzeń. Umożliwia to m.in. zaawansowaną integrację w zakresie przetwarzania sygnału termowizyjnego i wielospektralnego w zakresie wykrywania obiektów przez urządzenia termowizyjne.

Gwałtowny postęp w technikach głębokiego uczenia AI wykorzystywanych w cyfrowej percepcji opartej na wizji i postępy w obrazowaniu obliczeniowym przynoszące korzyści dla jakości obrazu, zbiegł się z innowacjami w procesorach mobilnych i obsłudze urządzeń, aby zapewnić bardzo dużą moc obliczeniową urządzeniom peryferyjnym. Ta konwergencja stwarza możliwości dla rozwoju systemów elektrooptycznych, aby stały się inteligentne i wyeliminowane zostały problemy z opóźnieniami, artefaktami (wadami) będącymi skutkami ubocznymi kompresji obrazu, przepustowością łączy danych, zarządzaniem termiką i złożonością systemu.

Reklama

W 2012 roku, podczas konkursu ImageNet Large Scale Visual Recognition Challenge (ILSVRC), pojawienie się AlexNet, architektury konwolucyjnej sieci neuronowej (convolutional neural network, CNN), stanowiło znaczący krok naprzód w dziedzinie sztucznej inteligencji. Zasadniczo zmieniło to wyzwania związane z wykrywaniem obiektów, od ręcznego wyodrębniania cech do generowania dużych zbiorów danych szkoleniowych i wykorzystywania ich do uczenia coraz bardziej zaawansowanych sieci neuronowych. Sukces AlexNet podkreślił skalowalność i zdolności generalizacji głębokich sieci neuronowych. Jak to często bywa w przypadku wczesnego rozwoju technologii, niewiele uwagi poświęcono mocy obliczeniowej potrzebnej do uczenia i uruchamiania CNN.

Czytaj też

Od czasu opublikowania AlexNet w 2012 roku, nastąpił znaczący postęp w głębokim uczeniu. Wczesne innowacje w sieciach neuronowych rozwijały się szybciej niż sprzęt, ponieważ cykle życia produktów dla urządzeń cyfrowych są znacznie dłuższe. Konwergencja mocy obliczeniowej i wydajnych sieci neuronowych sprawia, że możliwe jest dodawanie do urządzeń bardzo wydajnego przetwarzania sygnału obrazu oraz wyrafinowanego i wysoce precyzyjnego oprogramowania, jednocześnie umożliwiając wydajne działanie systemów optoelektronicznych.

W analizie przygotowanej przez firmę Teledyne FLIR opisany został aktualny stan wiedzy na temat procesorów wbudowanych oraz integracji przetwarzania sygnałów termicznych i obrazów wielospektralnych oraz bibliotek wykrywania i śledzenia obiektów z powszechnie stosowanymi obecnie platformami wbudowanymi.

Materiał sponsorowany

Reklama
WIDEO: Defence24 Days 2024 - Podsumowanie największego forum o bezpieczeństwie
Reklama

Komentarze

    Reklama