Алгоритмы компьютерного зрения и их аппаратные реализации: обзор
Computer vision algorithms and hardware implementations: A survey
2019-08-06
SCID: 54.1/e6ku64qg
Discuss with AI
компьютерное зрениеглубокое обучениеаппаратные ускорителиклассификация изображенийобнаружение объектов
Figures from the paper
Abstract (AI)
В настоящее время область компьютерного зрения развивается быстрыми темпами. В статье представлен комплексный обзор последних достижений в области алгоритмов компьютерного зрения и соответствующих аппаратных реализаций. В частности, рассмотрены выдающиеся результаты, достигнутые благодаря методам глубокого обучения в таких задачах компьютерного зрения, как классификация изображений, обнаружение объектов и сегментация изображений. Кроме того, проведён обзор методов реализации и оптимизации алгоритмов компьютерного зрения на основе глубокого обучения на графических процессорах (GPU), программируемых пользователем вентильных матрицах (FPGA) и других аппаратных ускорителях нового поколения для обеспечения работы в реальном времени и/или энергоэффективного функционирования. Наконец, представлены несколько перспективных направлений будущих исследований, призванных стимулировать дальнейшее развитие данной области.
Key Findings
1
Методы глубокого обучения обеспечили значительный прогресс в классификации изображений, обнаружении объектов и сегментации изображений.
2
GPU, FPGA и новые аппаратные ускорители позволяют оптимизировать алгоритмы компьютерного зрения на основе глубокого обучения для работы в реальном времени и повышения энергоэффективности.
3
В статье определены перспективные направления дальнейших исследований для развития алгоритмов и аппаратного обеспечения компьютерного зрения.
4
Обзор подчёркивает важность совместной оптимизации алгоритмов и аппаратного обеспечения для практического внедрения компьютерного зрения.
5
В обзоре рассматриваются последние достижения в алгоритмах компьютерного зрения и соответствующих аппаратных реализациях.
Research Object
алгоритмы компьютерного зрения на основе глубокого обучения и их аппаратные реализации
Research Subject
современный прогресс, реализация и оптимизация классификации изображений, обнаружения объектов и сегментации изображений, включая работу в реальном времени и энергоэффективное выполнение
Publication Details
Publication Date
2019-08-06
Journal
Publisher
ISSN
Cited by
350
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Градиентное обучение для распознавания документов1998
Сети Squeeze-and-Excitation2018
ShuffleNet: чрезвычайно эффективная сверточная нейронная сеть для мобильных устройств2018
Глубокое обучение для универсального обнаружения объектов: обзор2019
YFCC100M2016
Мультимодальная распределённая система Интернета вещей реального времени для управления городским движением (приглашённый доклад)2024
Работы, цитирующие эту статью4
О возможностях и рисках фундаментальных моделей2021
Интеграция технологий на основе Интернета вещей и искусственного интеллекта (ИИ) для сценариев умного города: современные достижения и будущие тенденции2023
Обзор методов машинного обучения и глубокого обучения для обнаружения объектов, семантической сегментации и распознавания действий человека в машинном и роботизированном зрении2024
Технологии искусственного интеллекта в сельскохозяйственном секторе: систематический обзор литературы2022