Suzhou Keda Baş Bilimcisi Zhang Yong: Yapay zeka ultra hafif teknolojisi ve uç bilgi işlem gücü seçimi
27 Ekim'de Leifeng.com ve AI Nuggets'ın ev sahipliği yaptığı "Global AI Chip · Urban Intelligence Summit", Sheraton Shenzhen Greater China Hotel'de düzenlendi.
Leifeng.com'un sürekli yüksek standartlarını ve popülaritesini sürdüren, "Kentsel Görsel Hesaplamanın Yeniden Evrimi" temalı "Küresel Yapay Zeka Çipi Kentsel Zeka Zirvesi", kentsel vizyon ve kentsel bilgi işlem gücü alanına odaklanıyor. "Hash Power" tarafından başlatılan büyük ölçekli bir akıllı şehir forumu.
Zirve, sektördeki 14 tanınmış uzmanı, dünyanın en iyi yapay zeka bilimcileri, çip girişimcileri, endüstri devlerinin baş teknoloji yöneticileri ve ünlü yatırımcıları sektördeki kıdemli uygulayıcılar için ileriye dönük teknik araştırma ve araştırmaları paylaşmak üzere bir araya getirmeye davet etti. İş modeli metodolojisi.
Bunlar arasında, Suzhou Keda'nın baş bilim adamı ve Broadcom'un görüntüleme bölümünün eski kıdemli bilim adamı Zhang Yong, öğleden sonraki oturumda beşinci konuk konuşmacı olarak sahneye çıktı ve "AI ultra hafif teknolojisi ve uç hesaplama gücü seçimi" konulu harika bir konuşma yaptı.
Zhang Yong, mevcut derin öğrenme teknolojisinin esas olarak yüz tanıma, araç özelliği çıkarma ve video yapılandırma gibi desen eşleştirme ve görüntü tanımada kullanıldığını söyledi. Kodak, bu derin öğrenme teknolojisini ön uç sensör görüntü iyileştirme işleme teknolojisi alanına uygular, ön uç görüntü sensörü tarafından çıplak veri çıktısını doğrudan kurtarır ve düşük ışıklı ortamlarda gerçek görüntü efektinin geri yüklenmesini en üst düzeye çıkarır.
Bu işleme teknolojisinin avantajı, geleneksel kameralarda ISP teknolojisinin sınırlamalarını aşmasıdır. Şu anda ISP düzinelerce görüntü işleme modülünden oluşuyor. Deneyime dayalı olarak yüzlerce parametrenin manuel olarak ayarlanması gerekiyor.Bu sadece zaman alıcı ve zahmetli değil, aynı zamanda geleneksel algoritmaların sınırlamaları nedeniyle, düşük ışık ve yüksek gürültü koşulları altında görüntülerde yararlı bilgileri görüntülemek zordur. . Yapay zeka ultra düşük ışık teknolojisi, sensör verilerini doğrudan işler ve çıktı görüntülerinin uçtan uca doğrusal olmayan eşleştirmesini tamamlamak için sinir ağlarını kullanır. Sadece bu değil, gelişmiş dolgu ışığı ve çoklu göz ve çok spektral tasarıma sahip donanım çözümleriyle karşılaştırıldığında, orijinal derin öğrenme görüntü geliştirme algoritması, bayonetin dolgu ışığına olan güvenini büyük ölçüde azaltabilir ve görüntü parlaklığını ve tamamen iyileştirebilir. Nesne rengi ve dokusu gibi ayrıntılı bilgileri geri yükleyin.
Öte yandan, bu teknoloji aynı zamanda uç yongaların hesaplama gücü için büyük bir zorluk teşkil ediyor. Piyasadaki göz kamaştırıcı yonga dizisiyle karşı karşıya kalan Kodak, ultra düşük ışık teknolojisinin sahne özellikleriyle birleşti ve uç hesaplama güç yongaları modeli işlem puanı, takım zinciri etkinliği, esneklik, maliyet, yapay zeka dışı için altı tarama kriteri önerdi İşlev, TOPS / W.
Geliştirilmiş ve optimize edilmiş algoritmalara ve seçilen uç hesaplama gücüne güvenen Suzhou Keda, uç tarafta yapay zeka ultra mikro ışığının gerçekleştirilmesini yenilikçi bir şekilde tamamladı ve bir ürün serisi oluşturdu ve bir dizi patent için başvurdu.
Leifeng.com'un asıl niyetini değiştirmediği Zhang Yong'un konuşmasının içeriği aşağıdadır:
Yeni teknoloji AI ultra hafif teknolojimizi sizlerle paylaşma fırsatına sahip olmaktan onur duyuyorum.
Bugünkü konuşmam Moore Yasası ile başlayacak. Moore Yasası, entegre bir devrede bulunabilecek bileşen sayısının her 18-24 ayda iki katına çıktığını söylüyor. Aslında, AI endüstrisinde, IBM ve UIUC'den iki bilim insanı tarafından önerilen ve Xiv.org'daki yapay zeka ile ilgili makale sayısının her 18-24 ayda bir ikiye katlanacağını söyleyen bir Moore Yasası var. Bu yılın Haziran ayında CVPR'ye katılmak için Amerika Birleşik Devletleri'ne gittim.Konferansta CVPR kağıtlarının istatistiklerini gördüm ve bu yasaya uygun olduğunu gördüm. 2019'daki CVPR makale sayısı ikiye katlanma eğilimi gösterdi.
Son zamanlarda, mevcut AI'nın sahte AI olduğunu düşünerek, AI hakkında sık sık kötümser argümanlar duyuyoruz. Ancak akademik eğilimler açısından, yapay zekanın yakın gelecekte patlamaya devam edeceğine inanmak için nedenlerimiz var.
Yapay zekanın uygulandığı birçok alan arasında şüphesiz en başarılı olanı video gözetimdir. Video gözetiminin gelişimi dört aşamadan geçti: 2005 öncesindeki analog video gözetim çağından, ağ dijital gözetimi ve yüksek çözünürlüklü dijital gözetim çağına kadar, nihayet 2015 yılında yeni bir yapay zeka çağına girdi.
Geçtiğimiz beş veya altı yılda, Suzhou Keda'nın Expo'ya katılımının teması AI ile yakından ilgiliydi.Bu yıl temamız "AI Pratik Fraksiyonu". Bu aynı zamanda yapay zekanın video gözetimi alanında kök saldığını da gösteriyor.
Peki, video gözetimi için yapay zeka ne yapabilir? Özetle, personel özellikleri, araç özellikleri ve video yapılandırması gibi ilgili video gözetim uygulamalarını türetmek için algılama, sınıflandırma, regresyon ve izleme algoritmaları gibi gelişmiş derin öğrenme algoritmalarını kullanabilir. Personel nitelikleri arasında yüz tanıma, portre algılama, yaş tanıma, cinsiyet tanıma vb. Yer alır; araç özellikleri arasında sürücü ve yolcu yüzü, pencere algılama, asılı algılama vb. Yer alır; video yapılandırması insanlar, arabalar ve yollar arasındaki ilişki için anlamsal anlam kullanabilir Bunu tarif etmenin yolu.
Az önce bahsedilen uygulamalar temelde görüntü anlama ve görüntü analizi kategorisine aittir.Bilgisayarla görmede üst düzey ve orta düzey görme görevleridir.Ana amacı görüntüleri analiz etmek ve içindeki anlamsallığı çıkarmaktır. Aksine, düşük seviyeli görme görevlerinin geçmişte video gözetimi alanında çok fazla uygulaması yoktu. Suzhou Keda'nın bu Expo-AI ultra düşük ışık teknolojisinde getirdiği ana teknolojik atılım, esasen AI tarafından desteklenen düşük seviyeli bir görüntü işleme teknolojisidir. Spesifik olarak, kenar tarafında düşük ışıkta görüntü geliştirme elde etmek için derin öğrenme algoritmalarına dayalı bir teknolojidir.
Yapay zekanın ana uygulama senaryosu olarak neden düşük ışık ve düşük ışık kullanıyoruz? Çünkü düşük ışık ve düşük ışık seviyeleri, video gözetimi alanında önemli bir sorun noktasıdır. Bir kameranın görüntüleme prensibi, insan gözününkine benzer. İnsan gözü görüntüleme, hedef nesne üzerinde parlamak için bir ışık kaynağı gerektirir ve ışık, görüntüleme için insan gözünün retinasına yansıtılır. Aynısı güvenlik kameraları için de geçerlidir.Yansıtılan ışık lense girdikten sonra, görüntü sensörü fotoelektrik dönüşüm gerçekleştirir ve ISP işleminden sonra görüntü nihayet önümüzde görüntülenir. Aydınlatmanın görüntülemenin anahtarı olduğunu bulmak zor değil. Genellikle uzandığınızda beş parmağınızı göremeyeceğinizi söyleriz. Burası insan gözlerinin göremeyeceği kadar karanlık. Aslında, kameranın çekemeyeceği kadar karanlık.
Video gözetiminin bir özelliği, gün ışığında meydana gelen yasa dışı ve suç olaylarının olasılığının çok düşük olması ve yararlı video gözetim bilgilerinin çoğunun zayıf ışık dönemlerinde toplanmasıdır. Bu nedenle, düşük ışıklı görüntüleme teknolojisinin uygulama senaryoları, güvenli şehirler, kar ışıklı projeler, oteller, konut toplulukları vb. Dahil çok kapsamlıdır. Hemen hemen tüm video gözetim kameraları, düşük aydınlatma endeksini gösterecektir, bu da düşük aydınlatmanın video gözetim kameralarının temel özelliği olduğunu gösterir.
Kamera görüntüleme sürecinde, termal gürültü, akım gürültüsü, uzaysal gürültü vb. Dahil olmak üzere birçok gürültü vardır. Görüntü sinyali çok zayıfsa ve gürültü güçlüyse, yani sinyal-gürültü oranı çok düşükse, görüntü tamamen gürültüye batacaktır. Örneğin bir sonraki sayfadaki ppt'deki resimde sol taraftaki resim hala genç bir adam olarak görülebilir, ancak sağdaki resim tamamen görünmez ve değersizdir. Bu nedenle, izlemenin odak noktası fotoğraf çekmek değil, net fotoğraflar çekmek, insanlara yararlı bilgiler vermek ve içindeki belirli içeriği analiz etmektir.
Öyleyse, düşük ışıkta izleme problemini nasıl çözebiliriz? En kolay yol, ışık yeterli olmadığından, dolgu ışığını güçlendiriyorum. Ama bu aynı zamanda ciddi ışık kirliliğine de neden oldu. Herkesin bunu derinlemesine anladığına inanıyorum. Örneğin, gece eve giderken, yanıp sönen bir ışıkla gözlerimi açamıyorum. Kötü kullanıcı deneyimine ek olarak, bu yaklaşım aynı zamanda bir kaynak israfıdır ve sistemin ek yükünü artıracaktır, çünkü her kameranın yanına bir ışık takması gerekir ki bu çok korkutucu.
İkinci yaklaşım, kamera donanımını istiflemektir. Birkaç yıl önce, özellikle popüler olan, süper geniş diyafram açıklığı ve yüksek hassasiyetli sensör kullanan Super Starlight Teknolojisi adlı bir teknoloji vardı. Bu teknolojinin dezavantajı, geniş diyafram açıklığının çekimin alan derinliğini etkileyecek olmasıdır. Fotoğrafçılık alanında, süper geniş diyafram açıklığı bazı özel sanatsal efektler üretebilir, ancak bu, video gözetimi için olumsuz bir etkidir. Ek olarak, yüksek hassasiyetli sensör başlangıçta askeri alanda kullanılıyordu ve onu hareket ettirmek şüphesiz ekipmanın maliyetini önemli ölçüde artıracaktır.
Bu yaklaşımın altında, son iki yıldır herkesin aradığı yeni bir teknoloji olan siyah ışık teknolojisi adı verilen bir dal da var. Görünür ışığın ve kızılötesi ışığın çoklu spektral füzyonunu gerçekleştirmek için ışığı iki mercekten veya iki sensörü tek bir mercekten ayıran çok göz füzyon teknolojisi kullanır. Bu aynı zamanda üç sorunu da beraberinde getirir: Biri maliyet artışı; ikincisi, kaçınılmaz olarak çözünürlüğün düşmesine yol açacak olan iki ışık yolunun birleşmesidir; üçüncüsü, güçlü kızılötesi yansımayla nesneleri çekememesi ve kızılötesi ışık geçirgenliğine nüfuz edememesidir. bardak. Son nokta çok ciddidir, çünkü artık çoğu insan ısı yalıtımı için arabanın camlarına film yapıştırmaktadır ve işlevi aslında kızılötesi penetrasyonu önlemektir.
Üçüncü yaklaşım, gelişmiş bir ISP aracılığıyla görüntü kalitesini iyileştirmektir. Geleneksel yöntem, ISP dijital kazancını artırmak ve görüntü parlaklığını artırmaktır, ancak dijital kazanç, görüntü sinyali ile gürültü arasında ayrım yapmaz ve gürültüyü artırır, bu nedenle temelde faydasızdır. Diğer bir yöntem de deklanşör hızını düşürmektir, ancak bu şekilde yüksek hızlı hareket eden nesneleri yakalamanın bir yolu yoktur.Gerçekte, genellikle yüksek hızlı hareket eden araçları ve insanları yakalamamız gerekir, bu nedenle bu yöntem işe yaramaz. Uzay ve zaman etki alanı gürültü azaltma gibi çeşitli gürültü azaltma algoritmaları vardır. Bu algoritmaların kendileri oldukça iyidir, ancak düşük ışık koşullarında, sinyal-gürültü oranı çok düşük olduğu için, gürültüyü filtrelerken görüntü sinyalini de filtreler ve sonuç, görüntünün çok bulanık olmasıdır.
Yapay zekanın düşük ışıklı gözetimde kullanılıp kullanılamayacağı hakkında düşünmeye başlamamızın nedeni, şu ya da bu türden acı noktalarıdır.
Kamera ISP'si giriş görüntüsünden çıktı görüntüsüne doğrusal olmayan bir eşlemedir. Bunu iki boyutlu bir işlev olan f (x) olarak tanımlıyorum. Derin öğrenme ağının doğrusal olmayan işlevler için iyi bir yaklaşım yeteneğine sahip olduğunu biliyoruz: birincisi, ağı çok derin ve karmaşıktır; ikincisi, her bir nöronun çeşitli ağırlıklandırma işlevleri vardır ve kesinlik işlevi de doğrusal değildir. Bu nedenle, düşük ışıklı sahnelerde denetimli derin öğrenme eğitimi yürütmek ve sinir ağının sensör tarafından veri çıkışındaki görüntüdeki yararlı bilgileri otomatik olarak bulmasına ve geliştirmesine izin veren böyle bir yöntemi benimsedik. Bu fikir çok güzel, biz de denedikten sonra bulduk, algoritma simülasyonunda başarılı olabilir.
İşlem akışının tamamı kabaca şu şekildedir: önceki giriş süreci aynı kalır. Işık, fotoelektrik dönüşümü tamamlamak için sıradan lens ve sensörden geçtikten sonra, orijinal ISP'nin yerini almak için derin sinir ağı kullanılır. Bayer görüntüsü derin sinir ağına girildikten sonra, girdi İnsan gözünün görmek istediği ISP görüntüsü. Bu yaklaşım aynı zamanda ek bir fayda da getiriyor, çünkü artık ISP tamamen bilinmeyen bir alana girdi. İçinde yüzlerce modül var ve her modülün ayarlanacak çok fazla parametresi var. Bu tamamen ISP mühendisinin deneyimidir. Yığınlanmış, bu nedenle ISP mühendisleri çok değerlidir ve çözümümüz ISP parametrelerinin ayarlanmasını atlayabilir.
Bu fikir çok iyi olsa da, uçta uygulandığında hesaplama gücü için hala çok büyük bir zorluk oluşturacaktır. Genel görüntü analizi ve anlama görevleri için, görüntü önce kırpılmalı ve 24 × 24 veya 300 × 300 piksele küçültülmelidir. Yani, sinir ağına giriş büyük ölçüde küçültülmüş bir resimdir ve çıktı, kodlanmış özellikleri çıkarmaktır.
AI süper düşük ışık görevinde, piksel piksel çalıştırmak gerekir ve resim genellikle 1080P, 4K veya hatta 1200W pikseldir.Aynı zamanda, her bir renk kanalını da işlememiz gerekir ve çıktı verileri girdinin üç katıdır. Bu nedenle, AI ultra hafif görevinin hem bilgi işlem gücü hem de depolama için çok yüksek gereksinimleri vardır. Ek olarak, bu işlem uç noktada uygulanır ve aynı zamanda maliyet ve güç tüketimi kısıtlamalarıyla karşı karşıya olduğundan, uygun bir kenar tarafı bilgi işlem güç yongası seçmek çok önemlidir.
Piyasadaki göz kamaştırıcı cips dizisiyle karşı karşıya kaldığımızda, yardım edemeyiz ama kafa karışıklığına düşüyoruz Nasıl seçilir? Birkaç referans göstergesi vardır:
İlk gösterge TOPS'tur. 2015'ten başlayarak, uç taraftaki yongaların TOPS'leri büyük bir hızla gelişti.Bu yıl 16T-20T bilgi işlem gücüne sahip uç-yan yongaların çıktığını gördük. Ancak herkes TOPS'nin nasıl hesaplandığını net bir şekilde açıklamadı Çoğu şirketin hesaplama yöntemi "çarpan sayısı x çalışma frekansı x 2" dir. Bu algoritma çok basit ve kaba ve enerji tüketiminin bir değerlendirmesinden yoksun. Bu şekilde hesaplarsanız, iki yongayı bir araya getirerek hesaplama gücünü ikiye katlamaz mıyız?
İkinci gösterge TOPS / W'dir. Aşağıdaki sayfadaki ppt, bir MIT uzmanı tarafından hesaplanan bir tablodur.Yatay eksen güç tüketimini, dikey eksen ise TOPS değerini temsil eder. Yapay zeka süper mikro ışığının görevinin çip için birkaç gereksinimi vardır: birincisi, bit genişliği 8 bit veya daha büyük olmalıdır, çünkü görüntüleri işliyoruz; ikincisi, güç tüketimi 10W'dan az, çünkü uçta konuşlandırılması gerekiyor; son olarak , TOPS / W değeri birden büyük olmalıdır. Geçen hafta Amerika Birleşik Devletleri'nde bir Facebook seminerine katıldım.Ayrıca ilgili şeyler de yapıyorlar. 5'e eşit veya daha büyük bir TOPS / W değeri peşinde koşuyorlar.
TOPS / W açıkça mükemmel bir gösterge değildir, çünkü aynı zamanda kullanım konusunu da içerir. Aşağıdaki sayfadaki ppt, yaygın olarak kullanılan bazı derin sinir ağlarının ihtiyaç duyduğu bilgi işlem gücünü listeler. Temelde onlarca G civarında olduklarını görebiliriz. Öyleyse neden her zaman birkaç T hesaplama gücüne ihtiyacımız var? Nedeni önceki konuklar tarafından ortaya atılmıştı, çünkü sinir ağı çok karmaşık, SIMD / SIMT mimarisine veya veri akışı mimarisine dayanıp dayanmadığına bakılmaksızın, alışılmadık bir mimari kullanıyor Bu mimarideki haritalama açıkça çok su içeriyor. Bu nedenle, OPS'nin zirvesine değil, OPS kullanımına bakmalıyız.
Üçüncü gösterge, depolama bant genişliğidir. Depolama bant genişliği söz konusu olduğunda çatı modeli (Roofline modeli) kullanılır. Depolama bant genişliğimizin değeri, sonraki sayfadaki ppt'deki formülle ifade edilir. Formülün altındaki resim çok anlamlıdır.Mavi çizginin sağ tarafı hesaplama sınırlaması ve mavi çizginin sol tarafı hafıza erişim sınırlamasıdır.Hafıza erişim sınırlamasından kaçınmak istiyorsak saçakları sürekli yükseltmeliyiz.
Sağdaki resimde üç yonga var. Yeşil olan bellek erişimi sınırlı, ortadaki kırmızı olan biraz daha iyi, ancak yine de hesaplama sınırına tam olarak ulaşmadı ve üstteki sarı olan hesaplama sınırına tamamen girmiş ve teorik sınırlara ulaşabilir. OPS tepe değeri. Roofline modeli sayesinde, hesaplama miktarını ve bellek erişimini belirleyen bir algoritma modeli ve bilinen hesaplama gücü ve bant genişliğine sahip bir bilgi işlem platformunda elde edilebilecek teorik performans üst sınırı belirlenebilir.
Diğer bir yol, değerlendirme için gerçek donanım veya donanım simülatörleri üzerinde çeşitli yaygın AI modellerini çalıştırmaktır.Bu, şu anda büyük şirketler tarafından benimsenen yöntemlerden biridir. Facebook gibi birçok şirket tarafından onaylanan MLPerf gibi bu tür birçok değerlendirme aracı vardır. Çin Yapay Zeka Sektörü Geliştirme İttifakı da bir Karşılaştırma aracı yayınladı. AI MATRIX, Alibaba'nın dahili bir açık kaynak aracıdır, ML Mark ise özellikle gömülü sistemler için bir araçtır. Şu anda AI-Benchmark, Çin'de görüntü sınıflandırma, görüntü algılama, oyun animasyonu ve görüntü çukurunun kaldırılması dahil olmak üzere 11 görevi içeren en yaygın kullanılan yöntemdir. Üzerinde çeşitli AI modelleri çalıştırabilir ve ardından puan alabiliriz.
İşte iki örnek, biri Stanford'un DAWNBench'i (sağ üstteki resim), diğeri kullanılan modeli, ilgili donanımı ve hangi algoritma çerçevesinin kullanıldığını gösteren ML Perf (sağ alt resim).
Ek olarak, bilgi işlem gücü araç zincirinin performansını ve kullanım kolaylığını da göz önünde bulundurmalıyız. Bu, araç zincirinin çeşitli AI algoritma çerçevelerine (Caffe, TF, pytorch, vb.) Bağlanıp çeşitli çerçeve modellerini dönüştürüp dönüştüremeyeceğine ve bir performans simülatörüne sahip olup olmadığına ve algoritma personeline doğru hata ayıklama geri bildirimi verip veremeyeceğine bağlıdır. Ağın iyi bir nicel optimizasyonunun yapılıp yapılmayacağı.
Bilgi işlem gücünün esnekliği de vardır: birincisi, bilgi işlem gücünün alışılmadık ağlarla baş edip edemeyeceği, ikincisi, hesaplama gücünün desteklenen katman türlerini genişletip genişletemeyeceği ve üçüncüsü, bilgi işlem gücünün gelecekte ortaya çıkabilecek yeni ağlarla uyumlu olup olamayacağı. Ağ çok hızlı değiştiği için algoritma personeli birçok yeni fikir üretebilir.Bu fikirler yazılım simülasyonunda çok kullanışlıdır, ancak gerçek yonga üzerinde çalıştıklarında çeşitli sorunlar ortaya çıkacaktır.
Son olarak, uç hesaplama çiplerine entegre edilmiş AI dışı işlevler vardır. Temel olarak birkaç noktaya odaklanın: 1. Uygulama işlemci çekirdeği (AP) -SoC yongası var mı; 2. Diğer derin öğrenme olmayan görüntü işleme modülleri içeriyor mu; 3. Video işleme ve kodek modülleri içeriyor mu; 4. o
Veri aktarımı ve kontrolü için PCIE, USB, MIPI, Ethernet, SPI gibi çok sayıda gömülü arayüz var mı ... çünkü bunları uçta kullanıyoruz.
Genel olarak, uç hesaplama güç modeli çalışma skoru, takım zinciri etkinliği, esneklik, maliyet, yapay zeka dışı işlevler, TOPS / W seçimi için altı gösterge önerdik. Son olarak, hangi çipin indeks parametrelerinin radar grafiğinde geniş bir alanı kapsadığını görün ve yapay zeka süper düşük ışık görevini tamamlamak için kullanın.
Elbette, ağı düzene koymak ve optimize etmek ve aynı zamanda gömülü programlamayı ayrıntılı olarak optimize etmek için birkaç ay harcadık. İyileştirme algoritmaları ve uç tarafı uygulamaları hakkında birkaç patent sunduk.
Son olarak, size AI süper ışıltısının etkisini göstereceğim.
Bir sonraki sayfadaki ppt'ye bakın.Sol resimdeki aydınlatma parametreleri çok parlak ve sağdaki daha zayıf bir dolgu ışığı ile değiştirilmiş Her iki resim de süngü sahnesinde. Ancak çekilen resimlere baktığımızda soldaki resim arabadaki insanları göremiyor çünkü anti-şeffaf bir film var ve sağdaki yüz net bir şekilde görülebiliyor ve yüz tanıma işlemi yapılıyor.
Bir sonraki sayfadaki ppt bir gece sahnesi Sol taraftaki ışıklar çok parlak ama sağdaki ışıklar aslında sokak lambalarından daha karanlık. Gece çekimlerinin etkisine bir göz atabiliriz, soldaki resimdeki yayalar temelde görünmezken, sağdaki resimdeki yayalar süper düşük ışık teknolojisi ile iyileştirildikten sonra net bir şekilde görülebiliyor. Bu nedenle gece ultra düşük ışık teknolojisinin uygulanması çok önemli bir değere sahiptir.
Son olarak personel süngü sahnesine bakalım. Aşağıdaki ppt'de soldaki grup, geleneksel personel süngüsü ile ultra düşük ışık teknolojisi arasında bir karşılaştırmadır. Toplulukta çok parlak dolgu ışıkları varsa bu bir baş ağrısıdır. Geleneksel personel süngüsünün çok fazla gürültü ve karanlık görüntüye sahip olduğunu görebiliyoruz ve temelde net değil.Sağdaki süper düşük ışık teknolojisini kullandıktan sonra çok daha net.
Sağdaki grup siyah ışık teknolojisi ile süper düşük ışık teknolojisi arasında bir karşılaştırmadır.İki resmin parlaklığı tamamen farklıdır. Sağda süper düşük ışık teknolojisi kullanılır ve güçlü bir dolgu ışığı olmadan yüz çok net bir şekilde geri yüklenebilir.
Benim paylaşımım burada, umarım AI Super Shimmer'ın bu yeni ürününe göz atmak için standımıza gelmek için zamanınız olur. hepinize teşekkür ederim!
soru Zamanı:
Moderatör: Süper net ışık, süper düşük ışık ve siyah ışık teknolojisinden bahsettiniz, benim kişisel anlayışıma göre bunlar daha çok donanımsal olarak gerçekleştiriliyor. He Yuming tarafından CVPR'de önerilen karanlık kanal önceki algoritması, temel olarak saf yazılım aracılığıyla görüntü kalitesini denoize etmek ve iyileştirmektir. Gelecekte, donanıma güvenmeden yalnızca karanlık kanallar gibi algoritmaları kullanarak süper güçlü efektler elde etmek mümkün olabilir mi?
Zhang Yong: Bu bizim hedefimiz. Az önce karanlık kanal algoritmasından bahsettiniz Aslında şu anki algoritmamız aslında karanlık kanal algoritmasının gelişmiş bir versiyonu. Artık her pikseli işlemek için tamamen derin öğrenme algoritmaları kullanıyoruz.Gelecekte, kameranın performansını iyileştirmek için saf donanım yığınlaması kullanmamıza gerek kalmayacağını, ancak bunu yapabilmek için dahili yazılım işleme, özellikle de AI teknolojisi yoluyla kullanmamızı umuyoruz. Görüntü herkese mükemmel bir şekilde sunulur. Bu eğilimin giderek daha belirgin hale geldiğini görüyoruz.Apple ve Huawei de dahil olmak üzere birçok cep telefonu üreticisi, sadece donanımı yığmak yerine bu görüntü işleme yöntemini cep telefonu tarafında kullanmaya başladı.
