基于稀疏高效的流卷积操作与自动网络架构搜索技术,构建轻量化流卷积图像分类网络(FGNet),在ImageNet图像分类数据集上,FGNet相比ResNet参数量明显下降,Top1精度明显提升。
融合轻量化分类网络FGNet与目标检测框架YOLO,采用多尺度纹理随机化处理的数据增强操作,相比YOLOv5s参数量明显下降,mAP50精度明显提升。
基于GPU与NPU芯片自主研发高性能嵌入式计算模组,通过对算法模型和核心系统做大量计算优化,在摄像机前端实现目标识别和系统整体控制,显著降低了网络带宽压力和后台服务器计算压力。
基于PuzzleNet实现融合处理多帧间的冗余信息以及加速推理,支持创建高效视频信号流模型,并进行高效的运动目标特征提取,极大提升目标快速检测精度。
基于深度学习技术,采用不依赖背景的算法,参考大脑神经工作方式,对特征进行抽象提取,极大提升视频识别的准确率。
将目标识别算法、高精度联动技术、低误报率技术植入摄像机前端芯片,实现1080p高清视频信号实时分析识别,确认目标后再向服务器传递报警信息,有效降低网络带宽成本。
模型轻量化技术
高性能目标识别技术
实时可靠的边缘加速技术
PuzzleNet 快速检测技术
低误报率识别技术
边缘计算技术