机器学习提升嵌入式视觉应用

机器学习将持续作为众多应用的重要推动因素，尤其是视觉导向的机器人或所谓的"协作机器人"应用。结合处理器核心与可编程逻辑的异质SoC，能打造出高效且可重配置的解决方案。

Nick Ni和Adam Taylor，Xilinx, Jul. 24, 2017 – 

在目前的嵌入式视觉领域中，最热门的话题之一就是机器学习(machine learning)。机器学习涵盖多个产业重要趋势，不仅是嵌入式视觉(Embedded Vision；EV)，而且在工业物联网(IIoT)和云端运算中均发挥极为显著的作用。

对于不熟悉机器学习的人来说，很多时候机器学习是透过神经网络的创造和训练而实现的。神经网络(neural network)一语极为通用，包含大量截然不同的子类别。这些子类别的名称一般用于辨识被实现的具体网络类型。这些网络在大脑皮层上建模，大脑皮层中每个神经元接收输入、处理后并将其传达给另一个神经元。因此，神经元一般由输入层、多个内部隐藏层和一个输出层组成。

在最简单的层面上，神经元取得输入、施加权重给输入，然后在加权输入总和上执行传递函数。其结果随后传递至隐藏层中的另一层，或传递给输出层。将某一阶段的输出传递给另一阶段而不形成一个周期的神经网络被称为"前馈神经网络"(FNN)，而那些存在反馈、内含定向周期的神经网络则被称为"循环神经网络"(RNN)。

 Back