AMD-賽靈思自適應(yīng)計(jì)算挑戰(zhàn)賽已圓滿落幕，本屆挑戰(zhàn)賽歷時(shí)半年，獲得全球FPGA開發(fā)者廣發(fā)關(guān)注。此次大賽要求開發(fā)者們結(jié)合自身技術(shù)能力，綜合運(yùn)用 AMD-賽靈思自適應(yīng)計(jì)算平臺(tái)與 Vivado? ML、Vitis? 統(tǒng)一軟件平臺(tái)以及 Vitis AI 開發(fā)環(huán)境，開發(fā)創(chuàng)新創(chuàng)意應(yīng)用，解決現(xiàn)實(shí)問(wèn)題。

　　本屆挑戰(zhàn)賽由三大主要賽道構(gòu)成，每個(gè)賽道最高獎(jiǎng)金 10,000 美元：

　　邊緣計(jì)算（使用賽靈思 Kria? KV260 視覺入門套件）

　　數(shù)據(jù)中心 AI（使用賽靈思 VCK5000 AI 推斷開發(fā)卡）

　　數(shù)據(jù)中心分析（使用賽靈思Varium? C1100 區(qū)塊鏈加速器）

　　此外，大賽今年新增了兩個(gè)賽道。一個(gè)是“賽靈思大學(xué)計(jì)劃”，鼓勵(lì)高校學(xué)子提交創(chuàng)新項(xiàng)目，積極參與工程實(shí)踐；另一個(gè)是“科技女性”，旨在號(hào)召更多女性開發(fā)者領(lǐng)導(dǎo)與參與技術(shù)競(jìng)賽，最高獎(jiǎng)金均為 2,500 美元。

　　今年的比賽有來(lái)自 35 個(gè)國(guó)家的 2000 多位個(gè)人和團(tuán)隊(duì)報(bào)名參賽，共提交 634 個(gè)硬件申請(qǐng)借用項(xiàng)目，其中 165 個(gè)項(xiàng)目經(jīng)評(píng)選后成功獲得硬件進(jìn)行開發(fā)。

　　五個(gè)賽道總共產(chǎn)生 14 位獲獎(jiǎng)?wù)?，?jiǎng)金總額 70,000 美元。與去年相比，入圍比賽的應(yīng)用數(shù)量增加了 3 倍以上。AMD-賽靈思很高興看到比賽規(guī)模的持續(xù)擴(kuò)大與參與者的技術(shù)熱情，再次感謝每一位參賽者。

　　獲獎(jiǎng)作品概覽：

　　邊緣計(jì)算第一名

　　1. Karp - Kria 自主機(jī)器人平臺(tái)

　　Jorge Lamperez

　　項(xiàng)目簡(jiǎn)介

　　Kria自動(dòng)機(jī)器人平臺(tái) （Karp） 采用 Kria KV260 視覺 AI 入門套件構(gòu)建。KV260 套件以開箱即用的方式為設(shè)計(jì)視覺應(yīng)用提供可負(fù)擔(dān)、易于使用的開發(fā)平臺(tái)。作為 Kria K26 SOM 的開發(fā)平臺(tái)，KV260專門針對(duì)高級(jí)視覺應(yīng)用開發(fā)，而且不需要具備復(fù)雜的硬件設(shè)計(jì)知識(shí)。

　　該項(xiàng)目使用了多種不同的先進(jìn)技術(shù)，如 AMD-賽靈思 FPGA、Vitis-AI 2.0、ROS 2、Odrive 電機(jī)控制器、Velodyne 激光雷達(dá)等。Karp高度可定制，方便用戶在這個(gè)低成本機(jī)器人平臺(tái)上開發(fā)自己的應(yīng)用。

　　邊緣計(jì)算第二名

　　1. PhiGent Heimdallr 雙目視覺雷達(dá)方案

　　Phigent Robotics

　　該項(xiàng)目在 KV26 SOM 上實(shí)現(xiàn)了基于 CNN 的立體應(yīng)用。

　　項(xiàng)目簡(jiǎn)介

　　深度估算是自動(dòng)駕駛領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)。為了獲取障礙物的距離信息，此項(xiàng)技術(shù)可以采用包括激光雷達(dá)、單目攝像頭和紅外線在內(nèi)的各種傳感器實(shí)現(xiàn)。作為自動(dòng)駕駛的最常用傳感器，攝像頭能夠獲取更全面、豐富而又密集的信息。基于立體視覺的深度估算技術(shù)可以準(zhǔn)確識(shí)別和定位運(yùn)動(dòng)與靜止目標(biāo)及路面對(duì)象。此外，它還能夠獲取隨機(jī)障礙物的臨界點(diǎn)云深度信息，從而有效降低漏檢率。

　　隨著卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展以及大規(guī)模標(biāo)準(zhǔn)立體數(shù)據(jù)集的問(wèn)世，基于神經(jīng)網(wǎng)絡(luò)的立體匹配算法得以快速發(fā)展，計(jì)算精度與效率均超過(guò)了傳統(tǒng)算法。為了把這種算法應(yīng)用于自動(dòng)駕駛，關(guān)鍵是在邊緣設(shè)備中部署立體匹配算法。

　　在自動(dòng)駕駛領(lǐng)域，作為最合適的人體識(shí)別解決方案，立體視覺解決方案一直獲得大量關(guān)注。它可以獲取非?？煽康母呔让芗疃刃畔?。借助強(qiáng)大的特征提取功能，基于深度學(xué)習(xí)的端到端雙目立體匹配技術(shù)能夠確保那些具有弱紋理和重復(fù)紋理的對(duì)象仍然可以輸出有效的高精度深度信息，從而滿足智能駕駛系統(tǒng)在各種場(chǎng)景下的感測(cè)需求。此外，通過(guò)持續(xù)的數(shù)據(jù)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)可以獲得更高的準(zhǔn)確性。這些因素使基于 CNN 的立體應(yīng)用成為 ADAS/AD 的大勢(shì)所趨。

　　與 GPU 平臺(tái)相比，F(xiàn)PGA 的優(yōu)勢(shì)是功耗低且具有更高的效率與靈活性水平。FPGA 中的豐富接口使其能夠靈活適應(yīng)各種自動(dòng)駕駛場(chǎng)景。

　　在該作品中，參賽團(tuán)隊(duì)針對(duì)基礎(chǔ)數(shù)據(jù)注入演示選用了 KV260 開發(fā)板，驗(yàn)證在 ZU5 中部署 CNN 立體應(yīng)用的可行性。在最終版本中制作了被稱為 heimdallr-DEB 的 ZU5 擴(kuò)展板，用于針對(duì)實(shí)時(shí)演示連接 FPGA 與立體攝像頭。

　　2. 采用邊緣計(jì)算的人類-AI 交互式診斷系統(tǒng)

　　All-Nighter Valkyrie

　　這是在 KV260 上創(chuàng)建的、基于深度學(xué)習(xí)的全新診斷系統(tǒng)，用于參照專家注釋來(lái)推斷準(zhǔn)確的腫瘤分級(jí)。

　　該項(xiàng)目的目標(biāo)是設(shè)計(jì)出原型系統(tǒng)，即：用于肝臟腫瘤分割、基于邊緣計(jì)算設(shè)備的人類-AI 交互式診斷系統(tǒng) （HIDE）。參賽者并未采用常規(guī)的云-客戶端架構(gòu)，而是將 HIDE 的主要工作流程集成到單個(gè)現(xiàn)場(chǎng)可編程門陣列 （FPGA） 電路板，即 AMD-賽靈思 Kria KV260 視覺 AI 入門套件，該套件旨在實(shí)現(xiàn)交互式數(shù)據(jù)與注釋導(dǎo)入、數(shù)據(jù)存儲(chǔ)、AI 推斷和輸出圖像可視化等功能。為了解原型系統(tǒng)的其他優(yōu)勢(shì)，參賽者進(jìn)一步估算了模型的性能與功耗。

　　KV260 與 Vitis AI 平臺(tái)可以為交互式診斷系統(tǒng)主動(dòng)解決實(shí)際難題提供快速解決方案。根據(jù)該項(xiàng)目團(tuán)隊(duì)的的開發(fā)經(jīng)驗(yàn)，最大的優(yōu)勢(shì)是 AI 工程師/科學(xué)家無(wú)需具備過(guò)多有關(guān) FPGA 計(jì)算的知識(shí)就能夠?qū)⒒?GPU 的深度學(xué)習(xí)解決方案并行轉(zhuǎn)換到 KV260。參賽者認(rèn)為KV260 具有低時(shí)延、高吞吐量、低能耗等優(yōu)勢(shì)，有很大潛力成為輕量級(jí) AI 應(yīng)用產(chǎn)前的知名業(yè)務(wù)預(yù)備平臺(tái)。

　　邊緣計(jì)算第三名

　　1. 基于賽靈思 KV260 實(shí)現(xiàn)智能家用設(shè)備的手勢(shì)控制

　　Peter Quinn

　　編譯運(yùn)行在賽靈思 Kria KV260 上的 PyTorch 預(yù)訓(xùn)練模型，通過(guò) USB 攝像頭進(jìn)行手勢(shì)識(shí)別來(lái)控制FireTV 手柄。

　　當(dāng)今的家庭擁有日益增多的大量智能設(shè)備，而智能家庭監(jiān)控?cái)z像頭日益普及，但是它們生成的視頻大部分未得到利用，只不過(guò)是偶然查看而已。如果對(duì)已經(jīng)生成的此類數(shù)據(jù)進(jìn)行處理并且把它用于控制 IoT 設(shè)備會(huì)怎么樣？幸運(yùn)的是，利用功能強(qiáng)大的最新邊緣計(jì)算設(shè)備，如賽靈思 Kria KV260，此類應(yīng)用的可行性在日益提高。

　　在本項(xiàng)目中，參賽者展示了如何采用賽靈思 KV260 處理輸入視頻，以實(shí)現(xiàn)對(duì)手勢(shì)的實(shí)時(shí)檢測(cè)與分類，同時(shí)展示了如何采用相關(guān)預(yù)測(cè)結(jié)果控制智能家居設(shè)備。

　　2. 基于視覺演示學(xué)習(xí)的自動(dòng)駕駛小車

　　Chuanhong Guo and Wang Yankui

　　由 KV260 和車前安裝的 USB 攝像頭驅(qū)動(dòng)的模型車。

　　項(xiàng)目簡(jiǎn)介

　　很多情況下我們只希望汽車僅完成新場(chǎng)景中的某些特定任務(wù)。在傳統(tǒng)的自動(dòng)駕駛?cè)蝿?wù)中，通常需要由激光雷達(dá)、攝像頭和其他設(shè)備協(xié)調(diào)新的行走或巡游任務(wù)。此類解決方案需要針對(duì)每個(gè)新的環(huán)境對(duì)參數(shù)進(jìn)行調(diào)節(jié)，而且靈活性不足。

　　3. Kria 智能監(jiān)控?cái)z像頭

　　Ralph Yamamoto

　　根據(jù)飛行時(shí)間傳感器測(cè)量的距離切換 AI 檢測(cè)模型的智能攝像頭。

　　從本項(xiàng)目開始到結(jié)束，作者在努力嘗試確定哪個(gè)設(shè)計(jì)流程能夠最完美地實(shí)現(xiàn)他的設(shè)計(jì)目標(biāo)。最終挑選出三個(gè)流程 – PetaLinux、Ubuntu 或者 Ubuntu/PYNQ。所有這些流程都采用了 AMD-賽靈思的Vitis-AI 和 DPU。

　　為了使車輛快速適應(yīng)新的場(chǎng)景，項(xiàng)目作者從演示學(xué)習(xí)中獲得了靈感，并利用靈活、易于收集的視覺數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)執(zhí)行模仿學(xué)習(xí)。通過(guò)這種方法，我們只需要手動(dòng)駕駛車輛來(lái)收集圖像數(shù)據(jù)與駕駛參數(shù)，用作創(chuàng)建數(shù)據(jù)集和訓(xùn)練網(wǎng)絡(luò)模型的標(biāo)簽。在應(yīng)用中，車輛可以讀取攝像頭數(shù)據(jù)，然后通過(guò)模型輸出轉(zhuǎn)向角度，完成相關(guān)任務(wù)。

　　數(shù)據(jù)中心 AI

　　1. 用于8 個(gè)臨床檢驗(yàn)室的即時(shí)醫(yī)療圖像分析助手

　　NYCity

　　項(xiàng)目簡(jiǎn)介

　　在這個(gè)類別里，開發(fā)者們希望 VCK5000 與 Vitis AI 實(shí)現(xiàn)最完美的搭配使用，為 AI 推斷加速。VCK5000 開發(fā)卡專門針對(duì)需要高吞吐量 AI 推斷和信號(hào)處理計(jì)算性能的設(shè)計(jì)。

　　為了準(zhǔn)確檢測(cè)息肉并減輕醫(yī)生的負(fù)擔(dān)，開發(fā)團(tuán)隊(duì)使用 VCK5000 開發(fā)板來(lái)創(chuàng)建實(shí)時(shí)息肉檢測(cè)系統(tǒng)。該系統(tǒng)最多可實(shí)時(shí)并行批量處理 8 個(gè)息肉分割任務(wù)，同時(shí)不劣化多個(gè)任務(wù)的推斷速度。

　　來(lái)自每臺(tái)單獨(dú)儀器的影像通過(guò)網(wǎng)絡(luò)傳送給服務(wù)器，隨后，服務(wù)器使用 VCK5000 內(nèi)置的 DPU 檢測(cè)息肉，最后將分割結(jié)果回傳給原始儀器。

　　依托此類結(jié)果，醫(yī)生便能夠更清楚地向患者闡述他們的疾病。而且已標(biāo)記息肉的手術(shù)視頻能夠?yàn)閷W(xué)術(shù)討論提供寶貴信息。該團(tuán)隊(duì)希望這一創(chuàng)意和設(shè)計(jì)能夠?yàn)獒t(yī)療行業(yè)帶來(lái)貢獻(xiàn)，同時(shí)也希望能夠幫助醫(yī)生拯救更多生命。

　　2. 綠色計(jì)算：基于Versal 的圖像修復(fù)流水線

　　Stefan Blattmann

　　展示基于超越業(yè)界一流計(jì)算系統(tǒng)性能的 VCK5000 的低功耗圖像修復(fù)流水線。

　　項(xiàng)目簡(jiǎn)介

　　1. 背景

　　該項(xiàng)目作者具有移動(dòng)測(cè)繪經(jīng)歷，因而決定創(chuàng)建一個(gè)能夠改進(jìn)汽車與無(wú)人機(jī)等移動(dòng)測(cè)繪系統(tǒng)的圖像質(zhì)量的圖像修復(fù)流水線。移動(dòng)測(cè)繪系統(tǒng)通常用于獲取道路、城市與基礎(chǔ)設(shè)施的 3D 數(shù)據(jù)。大多數(shù)移動(dòng)系統(tǒng)通常都采用攝像頭與激光掃描儀來(lái)獲取 3D 數(shù)據(jù)。由于測(cè)繪系統(tǒng)只從一個(gè)場(chǎng)景獲取一副圖像，因此圖像質(zhì)量至關(guān)重要，所以該項(xiàng)目要?jiǎng)?chuàng)建一個(gè)能夠改進(jìn)圖像質(zhì)量的處理流水線。并且由于移動(dòng)測(cè)繪的要求非常特殊，因此也需要?jiǎng)?chuàng)建一個(gè)適應(yīng)移動(dòng)測(cè)繪難題的更常用解決方案。

　　移動(dòng)測(cè)繪應(yīng)用的另一個(gè)要求是能源效率。大多數(shù)系統(tǒng)的能源都有限，尤其是無(wú)人機(jī)。參賽者決定密切關(guān)注系統(tǒng)的能耗。項(xiàng)目作者認(rèn)為這一點(diǎn)不單單是對(duì)移動(dòng)測(cè)繪應(yīng)用至關(guān)重要，因?yàn)樵葡到y(tǒng)耗電量在 2030 年之前幾乎會(huì)一直以指數(shù)方式增長(zhǎng)。

　　由于 VCK5000 卡常用于數(shù)據(jù)中心應(yīng)用而非移動(dòng)測(cè)繪車輛，所以將該項(xiàng)目命名為“綠色計(jì)算：基于 Versal 的圖像修復(fù)流水線”。

　　2. 簡(jiǎn)介

　　本項(xiàng)目推出一種基于 UNet 卷積網(wǎng)絡(luò)的圖像修復(fù)處理流水線。圖像流水線是專門面向 Versal VCK5000 卡進(jìn)行設(shè)計(jì)的，同時(shí)采用中等規(guī)模 SIDD 數(shù)據(jù)集進(jìn)行訓(xùn)練。整個(gè)處理流水線進(jìn)行優(yōu)化處理，以期在每秒幀數(shù) （FPS） 性能方面實(shí)現(xiàn)高效運(yùn)行，同時(shí)達(dá)到基于 GPU 的推斷的準(zhǔn)確性。除了流水線開發(fā)，另外還對(duì) Versal 與 GPU 系統(tǒng)的功耗進(jìn)行了詳細(xì)研究。該項(xiàng)目的研究重點(diǎn)涵蓋三項(xiàng)不同的要求：

　　· 圖像修復(fù)流水線的能耗

　　· 能夠在特定模型精度每秒處理特定幀數(shù)

　　· 可靠推斷時(shí)間與可擴(kuò)展性

　　對(duì)圖像修復(fù)處理進(jìn)行訓(xùn)練，以消除圖像噪聲。圖像流水線針對(duì)智能手機(jī)攝像頭圖像進(jìn)行優(yōu)化?？尚袘?yīng)用可能是基于云的圖像增強(qiáng)服務(wù)。

　　本項(xiàng)目開發(fā)的 VCK5000 圖像修復(fù)流水線在性能 （FPS） 和功耗方面超越最先進(jìn)的 GPU。除了性能分析，詳細(xì)分析展示出不同訓(xùn)練與量化步驟如何影響卷積網(wǎng)絡(luò)的準(zhǔn)確性。相關(guān)分析并不局限于特定模型或網(wǎng)絡(luò)，針對(duì)定制應(yīng)用可以輕松調(diào)整所需的步驟。由 Versal VCK5000 處理的最終網(wǎng)絡(luò)進(jìn)入 paperswithcode 網(wǎng)站 15 強(qiáng)“SIDD 圖像降噪”網(wǎng)絡(luò)榜單（2022 年 3 月 30 日）。

　　在網(wǎng)絡(luò)優(yōu)化之后對(duì) Versal 系統(tǒng)進(jìn)行了詳細(xì)功率分析。Versal 系統(tǒng)功耗與基于GPU 的推斷相當(dāng)。本項(xiàng)工作的核心是運(yùn)行時(shí)間功耗與推斷性能。訓(xùn)練與預(yù)處理的分析主要取決于訓(xùn)練數(shù)據(jù)集的規(guī)模（參賽者觀點(diǎn)），其不在本項(xiàng)目范圍內(nèi)。有關(guān)代碼結(jié)構(gòu)的靈感來(lái)自AMD-賽靈思 Vitis-AI 教程。所需步驟全部都分配到不同的 Python 或 Shell 腳本。run_all.sh 腳本處理實(shí)現(xiàn)整個(gè)處理流水線的所有步驟。

　　3. 基于 VCK5000 的 Deepfakes C-L-I

　　TheMatrix

　　采用 CautionVCK5000 AI 推斷卡加速 Deepfake C-L-I（分類-本地化-推斷）。

　　項(xiàng)目簡(jiǎn)介

　　更好地生成模型和更大的數(shù)據(jù)集已經(jīng)催生出能夠騙過(guò)人眼與機(jī)器的更真實(shí)虛假視頻。如今假新聞的危害已經(jīng)眾所周知，而在通過(guò)社交網(wǎng)絡(luò)每天視頻內(nèi)容觀看時(shí)長(zhǎng)超過(guò) 1 億小時(shí)的大背景下，偽造視頻的傳播正在引起越來(lái)越多的關(guān)注。

　　由于技術(shù)快速增長(zhǎng)和計(jì)算速度提升，深度偽造視頻在將來(lái)會(huì)隨處可見并且可以到處直播，例如：通過(guò)直播新聞?lì)l道以及 Youtube、Twitch、Instagram 等視頻流網(wǎng)站進(jìn)行傳播。

　　有效檢測(cè)是阻止深度偽造視頻的惡意傳播與濫用的關(guān)鍵。需要在惡意深度偽造視頻擴(kuò)散失控之前對(duì)其進(jìn)行速度更快的解碼。

　　本項(xiàng)目的目標(biāo)是采用賽靈思 VCK5000 AI Versal 卡增強(qiáng)深度偽造推斷。

　　大數(shù)據(jù)分析

　　1. TRIDENT：硬件實(shí)現(xiàn)的 Poseidon哈希算法

　　DatenLord

　　在 FPGA 中實(shí)現(xiàn)了用于提高區(qū)塊鏈證明存儲(chǔ)性能的 ZK-SNARK 友好Poseidon 哈希算法。

　　2. 向多重哈希算法的快速 DFX

　　Quarky

　　通過(guò)具備快速動(dòng)態(tài)函數(shù)交換功能的時(shí)間分割方法高效計(jì)算多重哈希算法。

　　3. 分散管理的云加速器

　　EdOliver, Victor Altamirano, Alejandro Sanchez

　　采用賽靈思 Varium C1100 在 Flux 上加快區(qū)塊鏈傳輸系統(tǒng)。

　　科技女性（WIT）

　　1. 用于自動(dòng)注射的肌內(nèi)部位檢測(cè)

　　Team J-Eye: Runxi Wang, Yuqi Gu, Xinfei Guo

　　本項(xiàng)目探索一種用于檢測(cè)肌內(nèi)注射部位的低成本解決方案，以實(shí)現(xiàn)新一代自動(dòng)疫苗注射。

　　項(xiàng)目簡(jiǎn)介

　　COVID-19 疫情仍然在全球肆虐。它影響到人類生活的眾多方面，而且給公共健康、全球運(yùn)輸系統(tǒng)以及眾多領(lǐng)域帶來(lái)了前所未有的挑戰(zhàn)。大多數(shù)政府都實(shí)施了封鎖政策并且限制國(guó)際旅行，以緩解病毒傳播。盡管還不存在能夠抗擊病毒的靈丹妙藥，不過(guò)接種疫苗目前仍然是降低病毒的死亡率與發(fā)病率的最有效方法之一。

　　但是，全球疫苗接種率仍然較低，尤其是在低收入國(guó)家，因?yàn)槠溽t(yī)療資源與資金有限。提供低成本疫苗接種解決方案迫切而又極具挑戰(zhàn)。疫苗開發(fā)本身就成本高昂，而且另一個(gè)昂貴的成分是疫苗接種本身，其需要各類附加資源。此外，傳統(tǒng)疫苗接種可能會(huì)增加病毒傳播的風(fēng)險(xiǎn)，而且毋庸置疑也會(huì)增加醫(yī)護(hù)人員的工作量。

　　總而言之，當(dāng)前臨床需求表明，在持續(xù)疫情仍不斷帶來(lái)威脅而且全球社會(huì)實(shí)施前所未有的措施（包括社交疏離與封鎖）的時(shí)期迫切需要安全、充足的疫苗覆蓋。

　　“在這個(gè)項(xiàng)目中，我們提出了J-Eye，一種基于Xilinx KV260板的低成本2D視覺-人工智能輔助肌肉注射部位檢測(cè)方案。最終目標(biāo)是推動(dòng)開發(fā)新一代自動(dòng)疫苗注射應(yīng)用。

　　在這里，我們的目標(biāo)是利用Xilinx提供的強(qiáng)大工具套件，在KV260上構(gòu)建一個(gè)低成本的注射部位檢測(cè)應(yīng)用程序。我們還旨在探索使用輕量級(jí)AI模型的2D目標(biāo)檢測(cè)/定位技術(shù)的能力，該模型可以在FPGA板上輕松實(shí)現(xiàn)?！?—— Team J-Eye

　　賽靈思大學(xué)計(jì)劃 （XUP）

　　1. 面向智慧城市的一體化自適應(yīng)計(jì)算平臺(tái)

　　Yufan Lu

　　可以根據(jù)模型規(guī)模、處理分支、推斷間隔和硬件配置實(shí)時(shí)動(dòng)態(tài)調(diào)整性能。

　　項(xiàng)目簡(jiǎn)介

　　在本次項(xiàng)目中，作者基于 KV260 SoM 設(shè)計(jì)出了靈活的視頻處理框架，其可以用于智慧城市智能交通運(yùn)輸系統(tǒng) （ITS） 所使用的智能攝像頭應(yīng)用。該框架不但能夠利用語(yǔ)義分割與道路標(biāo)線檢測(cè)網(wǎng)絡(luò)自動(dòng)檢測(cè)應(yīng)用場(chǎng)景（如：車輛或行人），而且還可以自動(dòng)針對(duì)相關(guān)應(yīng)用場(chǎng)景自動(dòng)選擇最佳 DNN 模型。得益于具有動(dòng)態(tài)可重新配置功能與運(yùn)行時(shí)間管理 API，該系統(tǒng)在運(yùn)行時(shí)間無(wú)需停止視頻流水線即可動(dòng)態(tài)切換 DNN 推斷模型。因此此款智能攝像頭系統(tǒng)最終擁有真正的自適應(yīng)性，而且能夠以更聰慧的方式達(dá)到最高性能。