图像算法怎么移植到嵌入式产品上

图像算法怎么移植到嵌入式产品上

一般可以比较容易地移植c语言实现的算法,有可能需要调整算法用到的数据类型,数据结构这些
如果要利用嵌入式产品的优化性能(一般与硬件和指令系统相关),就需要替换现有算法的部分函数以嵌入式产品提供的算法库函数,这当然又涉及数据类型,接口,数据结构这些内容
如果算法效率仍然不能满足要求,就需要汇编级,寄存器级的编程了,充分利用嵌入式芯片的流水线,总线,并行运算,特殊指令这些特点来优化算法关键部分.
普通可以更换嵌入式芯片,选择速度更快,能力更强的来减少优化花费的成本,以适应芯片的不断更新换代.

深度学习在物体识别中最重要的进展体现在imagenet ilsvrc3挑战中的图像分类任务。传统计算机视觉方法在此测试集上最低的错误率是26.172%。2012年，欣顿的研究小组利用卷积网络把错误率降到了15.315%。此网络结构被称为alex net，与传统的卷积网络相比，它有三点与众不同之处：首先，alex net采用了dropout的训练策略，在训练过程中将输入层和中间层的一些神经元随机置零。这模拟了噪音对输入数据的各种干扰使一些神经元对一些视觉模式产生漏检的情况。dropout使训练过程收敛得更慢，但得到的网络模型更加鲁棒。其次，alex net采用整流线型单元作为非线性的激发函数。这不仅大大降低了计算的复杂度，而且使神经元的输出具有稀疏的特征，对各种干扰更加鲁棒。第三，alex net通过对训练样本镜像映射和加入随机平移扰动，产生了更多的训练样本，减少了过拟合。 在imagenet ilsvrc 2013比赛中，排名前20的小组使用的都是深度学习技术。获胜者是纽约大学罗伯·费格斯(rob fergus)的研究小组，所采用的深度模型是卷积网络，并对网络结构作了进一步优化，错误率为11.197%，其模型称作clarif。 在ilsvrc 2014比赛中，获胜者goolenet[18]将错误率降到了6.656%。goolenet突出的特点是大大增加了卷积网络的深度，超过了20层，这在此之前是不可想象的。很深的网络结构给预测误差的反向传播带了困难，这是因为预测误差是从最顶层传到底层的，传到底层的误差很小，难以驱动底层参数的更新。goolenet采取的策略是将监督信号直接加到多个中间层，这意味着中间层和底层的特征表示也要能够对训练数据进行准确分类。如何有效地训练很深的网络模型仍是未来研究的一个重要课题。 虽然深度学习在imagenet上取得了巨大成功，但是很多应用的训练集是较小的，在这种情况下，如何应用深度学习呢？有三种方法可供参考：(1)可以将imagenet上训练得到的模型作为起点，利用目标训练集和反向传播对其进行继续训练，将模型适应到特定的应用[10]。此时imagenet起到预训练的作用。(2)如果目标训练集不够大 ，可以将底层的网络参数固定，沿用imagenet上的训练集结果，只对上层进行更新。这是因为底层的网络参数是最难更新的，而从imagenet学习得到的底层滤波器往往描述了各种不同的局部边缘和纹理信息，而这些滤波器对一般的图像有较好的普适性。(3)直接采用imagenet上训练得到的模型，把最高的隐含层的输出作为特征表达，代替常用的手工设计的特征。