机器学习/设备上的AI

使用低分辨率图像传感器始终开启的神经网络算法,低功率面检测

相关产品


通讯订阅

这款iCE40 UltraPlus参考设计使用了人工智能(AI)来实现人体检测算法。人工智能是指将技术用于通常由人类完成的传统任务,因为机器可以更高效、快速地处理和计算大量数据。根据设计,fpga具有并行处理数据的能力,与微处理器相比,在处理此类任务时效率更高。

本申请中使用了神经网络模型。通过通过未经训练的模型通过100,000人面孔来计算权重和激活并创建培训的模型,在强大的GPU上完成培训。然后将重量和激活输送到IC​​E40超普利装置上,其中物体可以通过训练有素的模型,并且如果它是人的脸部,模型将推断。

将AI带到网络边缘具有挑战性,但它也提供了巨大的机会。将AI构建为ICE40 UltraPlus FPGA而不是基于云的资源,可以在加速响应时间时显着降低功耗。同时,保持处理本地提高安全性。并且通过将AI构建到设备设计人员即使网络被关闭以节省电源,也可以始终获得智能。

特征

  • 使用神经网络模型加速,网络边缘的低功率面检测
  • 采用二进制权值和8位固定点激活,在保持高精度的同时降低整体功耗
  • 集成128K字节的内存,重量/激活可以直接存储在iCE40 UltraPlus FPGA中
  • 可以根据系统需求在电源和响应时间之间进行优化
  • 相同的技术可用于检测其他物品,如狗,猫,汽车,船舶或特定声音

框图

文件

技术资源
标题 数字 版本 日期 格式 大小
ICE40 UltraPlus脸部检测设计文件
1.0 2017/017/2017 压缩 1.1 MB.
ICE40 UltraPlus Face检测参考设计用户指南
fpga - ug - 02027 1.1 11/29/2017 PDF. 636.1 KB.

*点击“更改通知”按钮,即表示您同意收到更改所选文件的通知。

与大多数网站一样,我们使用cookie和类似的技术来增强您的用户体验。我们还允许第三方在我们的网站上放置Cookie。通过继续使用本网站,您同意使用cookie,如我们所述Cookie政策