嵌入式AI應用持續成長 深度學習大顯神威(1)

深度學習可指導電腦以受人腦啟發的方式來處理資料,可以彈性滿足不同應用的需求。企業使用深度學習模型來分析資料,並在各種應用程式中進行預測,廣泛導入嵌入式AI系統中。 深度學習是人工智慧(AI)中的一種方法,可指導電腦以受人腦啟發的方式來處理資料。深度學習模型可識別圖片、文字、聲音和其他資料的複雜模式,藉此產生更準確的洞察和預測。使用者可以透過深度學習方法將通常需要人類智慧的任務自動化,例如描述影像或將聲音檔案轉錄為文字。 ...
2024 年 06 月 18 日

嵌入式AI應用持續成長 深度學習大顯神威(2)

深度學習可指導電腦以受人腦啟發的方式來處理資料,可以彈性滿足不同應用的需求。企業使用深度學習模型來分析資料,並在各種應用程式中進行預測,廣泛導入嵌入式AI系統中。 機器學習背景下的深度學習 (承前文)深度學習是一種機器學習,深度學習演算法的出現是為了提高傳統的機器學習技術的效率。傳統的機器學習方法需要大量的人力來訓練軟體。例如,在動物影像識別中,使用者需要手動標記成千上萬的動物影像、讓機器學習演算法處理這些影像、在一組未知的影像上測試這些算法,接著確定某些結果不準確的原因,最後透過標記新影像來改善資料集,進而提高結果的準確性。...
2024 年 06 月 18 日

嵌入式AI應用持續成長 深度學習大顯神威(3)

深度學習可指導電腦以受人腦啟發的方式來處理資料,可以彈性滿足不同應用的需求。企業使用深度學習模型來分析資料,並在各種應用程式中進行預測,廣泛導入嵌入式AI系統中。 深度學習的訓練 (承前文)深度學習的訓練(Training)可以分為三個步驟:定義網路架構(Define...
2024 年 06 月 18 日

整合嵌入式系統/神經網絡/邊緣運算 Easy Chat+為障礙者發聲(1)

無法有效表達自己的思想以及在與他人溝通方面的挑戰,已導致聽力損失和言語障礙者生活中的許多不便。透過整合嵌入式系統、神經網路和邊緣運算,團隊設計Easy Chat+替代人類言語和聽覺,為聽力和言語障礙者提供聲音。...
2024 年 03 月 07 日

整合嵌入式系統/神經網絡/邊緣運算 Easy Chat+為障礙者發聲(2)

無法有效表達自己的思想以及在與他人溝通方面的挑戰,已導致聽力損失和言語障礙者生活中的許多不便。透過整合嵌入式系統、神經網路和邊緣運算,團隊設計Easy Chat+替代人類言語和聽覺,為聽力和言語障礙者提供聲音。...
2024 年 03 月 07 日

整合嵌入式系統/神經網絡/邊緣運算 Easy Chat+為障礙者發聲(3)

無法有效表達自己的思想以及在與他人溝通方面的挑戰,已導致聽力損失和言語障礙者生活中的許多不便。透過整合嵌入式系統、神經網路和邊緣運算,團隊設計Easy Chat+替代人類言語和聽覺,為聽力和言語障礙者提供聲音。...
2024 年 03 月 07 日

AI強化影像感測效能 自駕/智慧工廠視覺能力步步高(1)

工業場域透過影像辨識實現智慧化技術,實現工廠系統對於各類物件的自動辨識,是機器視覺發展的方向。目前影像視覺技術越來越普及,未來各產業的電子設備,勢必會加入更多的機器視覺功能。 人工智慧(Artificial...
2024 年 02 月 02 日

AI強化影像感測效能 自駕/智慧工廠視覺能力步步高(2)

工業場域透過影像辨識實現智慧化技術,實現工廠系統對於各類物件的自動辨識,是機器視覺發展的方向。目前影像視覺技術越來越普及,未來各產業的電子設備,勢必會加入更多的機器視覺功能。 實例分割 (承前文)實例分割是對圖像中不同的物體分類,並且確定物體之間的邊界、關係與差異性。實例分割是物體辨識加上語義分析的結合體。典型的模組為Mask...
2024 年 02 月 02 日

機器學習場景測距有一套 監督式學習深度測量就是準(2)

自從機器學習被用來估算場景的深度(Depth)以來,已逐漸採用單目相機(Monocular Camera)來實作,但若考慮到測量的精確度,雙目相機結合監督式學習模型仍然是最佳的選擇。本文將介紹專門測量場景「深度」的監督式學習技術。...
2024 年 01 月 16 日

CNN硬體轉換解封邊緣AI潛力

本系列文章由三部分組成,主要探討卷積神經網路(CNN)的特性和應用。CNN主要用於模式識別和物件分類。本文為系列文章的第三部分,重點解釋如何使用硬體轉換卷積神經網路,並特別介紹使用具有CNN硬體加速器的人工智慧(AI)微控制器在物聯網(IoT)邊緣實現人工智慧應用所帶來的好處。...
2023 年 10 月 13 日

深度訓練提升CNN網路精度

本文是卷積神經網路,機器學習系列文章的第二部分,重點為介紹卷積神經網路(CNN)的特性和應用。CNN主要用於模式識別和物件分類。在第一部分文章中,比較了在微控制器中運作經典線性規劃程式與運作CNN的區別,並展示了CNN的優勢。探討了CIFAR網路,該網路可以對圖像中的貓、房子或自行車等物件進行分類,還可以執行簡單的語音辨識。而本文重點,將解釋如何訓練這些神經網路以解決實際問題。...
2023 年 09 月 29 日

CNN網路建模精確特徵萃取

隨著人工智慧(AI)技術的快速發展,AI可支援越來越多以前無法實現或者難以實現的應用。有鑑於此,本系列文章特別解釋了卷積神經網路(Convolutional Neural Network, CNN)及其對人工智慧和機器學習的意義。CNN是一種能夠從複雜資料中擷取特徵的強大工具,例如識別音訊訊號或圖像訊號中的複雜模式就是其應用之一。本文討論了CNN相對於經典線性規劃的優勢,後續文章《訓練卷積神經網路:解析機器學習—第二部分》將討論如何訓練CNN模型,而第三部分則將討論一個特定用例,並使用專門的AI微控制器對模型進行測試。本文為「CNN相對於經典線性規劃」的一部分。...
2023 年 09 月 06 日