进一步对监控摄像头进行视觉处理

    对于实时视觉处理，大多数摄像头干扰器应用场景都是基于运动目标的识别，如人脸识别、运动目标跟踪定位、手势识别等。此外，由于DynapCNN可以提供超低延迟的动态视觉解决方案，从而显著减少监控屏蔽器识别响应时间10倍以上，因此该处理器是高速飞机等任何高速场景的完美选择。

 

    这种摄像头屏蔽器芯片结合了传统和神经形态的深度学习的优点，应该是超低功耗动态图像处理和点云信号处理的首选。例如，在点云信号处理中，可以对LiDAR等信号进行实时处理，以实现行为识别、目标识别、区域划分和图像分割。在实时视觉处理中，几乎所有的应用都是针对运动驱动的任务，如存在检测、手势识别、人脸检测等。一般来说，DynapCNN将有助于各种需要超低延迟和超低功耗功能的AI边缘计算应用，包括物联网应用、安全、可穿戴医疗系统以及移动和嵌入式设备的协处理器等。DynapCNN:可用性：据这家瑞士初创公司称，DynapCNN的相应开发包将于2019年第三季度上市，这意味着该芯片很可能在2020年进行采样，并将成为首款商用监控干扰器脉冲神经网络大脑芯片。

 

    当宣布DynapCNN，aiCTX的承诺，颠覆传统的冯诺依曼架构正在获得牵引力。该摄像头干扰器芯片有望显著减少实时视觉处理引起的延迟时间，其热效率比现有解决方案高100至1000倍。这有两层含义：新版本将加速视觉信号处理中的人工智能算法，并将打开长寿命电池供电设备的前景。正如人们所期待的那样，该芯片应该超越传统的基于帧的静态视觉处理技术，开创一个动态视觉处理的新时代。它将为人工视觉的动态处理带来新的机遇，并为事件驱动的应用带来新的启示毕竟，人工智能处理不一定是一个耗电的应用程序。