深度學習使用的視覺系統
深度學習在電腦視覺應用中快速普及。人造神經網路 (ANN) 帶來兩方面的好處。在工廠自動化、機器人或零售應用領域中，ANN 具有提高正確度與穩定性的潛力。同時，ANN 具有解決影像應用方面過去無法解決問題的能力，例如顯微鏡病理檢驗或表面檢查中的複雜圖樣分類。
傳統影像處理與使用深度學習的比較
傳統影像處理
可能應用：
辨識簡單形狀與結構
校正與座標轉換
位置、距離、大小的測量
影像處理
讀取碼
優點：
快速且簡易的設定
成熟、可追蹤的演算法
深度學習影像處理
可能應用：
辨識變動形狀與大小的元素
複雜元素與結構的分類
在變化背景下進行辨識
在變化光源條件下進行辨識
文字辨識
優點：
穩定的設定
辨識複雜元素時具有高效能
適用於深度學習的 FPGA 影像擷取系統：最快的推理與最高的可靠度
最佳效能、最快每秒推理次數、最高的可靠度 - 如果你的應用需要高生產能力，適用於深度學習的 FPGA 影像擷取系統最適合你。來自 Silicon Software 的 microEnable 5 marathon deepVCL 以及 FPGA 配置軟體 VisualApplet，讓你只需按幾下就能完成 FPGA 上的 ANN 布署工作！
適用於深度學習的 FPGA 影像擷取系統詳情
用於深度學習的電腦系統：快速上市、最低的整合成本
最低整合成本與最快的上市時間：電腦系統因其易用的設計而受青睞。使用我們提供的隨插即用硬體與軟體元件，打造你的電腦深度學習視覺系統。我們提供多種 ace 相機產品組合與 pylon 相機軟體套件，讓你在布署 ANN 時輕鬆愉快，無需花費許多整合心力。
深度學習電腦系統詳情
適用於最緊湊且具性價比的深度學習嵌入式視覺解決方案
可以採用嵌入式技術來設計出最緊湊也最具性價比的視覺系統。結合板件層級相機與嵌入式處理單元，確保最低單機成本。智慧邊緣裝置帶來快速執行時間、低延遲與先進的隱私與資安防護。從相機模組到概念研究和即用解決方案，讓我們來負責打造你的深度學習嵌入式系統。
深度學習嵌入式系統詳情Binning 有哪幾種類型？
雖然此順序不會改變，但可以透過多種方式處理訓練資料：
監督式學習：演算法同時接收問題和對應的答案。這些資料是學習而來的，因此只需要正確給予新問題即可。
無監督式學習：演算法僅接收問題，並學習自資料中找出模式和結構。例如以資料的正確分組，就可以進行叢集分析。
強化學習：系統與環境互動，以便透過不正確或正確的行為來學習最佳行動。錯誤的動作會受到懲罰，而正確執行的動作會得到加強。
由於神經網路是演算法的核心，對系統的成功有重大貢獻，因此訓練網路非常重要。Google、微軟和 IBM 等大公司投入大量資金發展機器學習並建構資料庫，這並非巧合。Google 甚至將自己的 TensorFlow 資料庫以開放原始碼對外提供，因此該資料庫不僅可以公開存取，而且還在不斷持續開發。
