技术

ScF网络

现场可编程门阵列 (FPGA)

PLK以非内存半导体现场可编程门阵列(FPGA)
形式提供集成的自动驾驶解决方案。
FPGA弥补了通用处(以及与专用集成电路特性的结合),
(成为了)最近关注的焦点。通过FPGA,(我们将为
客户提供具备极高价格竞争力和先进技术的快速响应处理速度)。

FPGA要实现机器学习需要大量数据而不造成系统混乱和瓶颈现象,
又能高速处理,所以我们提供采用准确性高的人工智能系统解决方案。

图形处理器 (GPU)

PLK正以快速运算处理大量数据的图形处理器(GPU)开发深度学习算法
为有利于同时计算和并行计算,我们通过GPU进行了多次图像识别训练,
提高识别速度和准确性。由此特别是在)行人识别性能方面取得(了)
显着改善,能以接近实时的速度识别远近距离的行人,
甚至只靠(部分身体特征)也能(进行)识别。

此外,亦可通过同时识别道路上的目标,如车辆、行车线、
道路交通标志和行人等,以应对各种危险情况。


算法 (ALGORITHM)

卷积神经网络CNN: Convolution Neural Network

PLK以非内存半导体现场可编程门阵列 (FPGA)形式提供集成的自动驾驶解决方案。FPGA弥补了通用处理器的性能限制和结合专用集成电路的特性,而成为最近关注的焦点。通过FPGA,我们会为客户提供价格竞争力强和配备先进技术的快速处理速度。FPGA要实现机器学习需要大量数据而不造成系统混乱和瓶颈现象,又能高速处理,所以我们提供采用准确性高的人工智能系统解决方案。

循环神经网络RNN: Recurrent Neural Network

RNN是一种专门处理重复和序列数据学习的深度学习方式。RNN的内部循环结构,能处理含序列信息的数据。RNN可用于识别常规数据的流动及提取抽象信息,并以此分析如视频、语音和语言等连续输入的数据,其优点是即使在学习中也能反映连续数据流而不会丢失之前学习的信息。由于最近各行业领域的动态数据增加,RNN也被用于更多领域,而我们正积极利用RNN来识别车辆内外的图像和语音。

强化学习RL: Reinforcement Learning

RL强化学习是根据机器自己与环境之间的关系,改善自己行为的学习方法。 强化学习的意思是通过适应性加强学习,就像做更多得到赞扬的行为及减少做出受到惩罚的行为,此方法常用于机器人和人工智能的领域中。通过学习过程,做得好的话会获得奖励,相反,做得不好则得到惩罚,且并不像CNN或RNN需要出现正确的输入、输出对,因此,强化学习是学习如何通过一连的过程取得最多奖励的方法。

生成(式)对抗网络 GAN: Generative Adversarial Network

GAN是带领未来深度学习的方式而受到关注的学习方法。生成(式)对抗网络是非指导学习方法,不像CNN和RNN那样需要大量数据来学习。亦与学习配对数据和标记的学习方式不同,可从无标记数据中获取知识,自己主动掌握事物特征。通过这方式就可以摆脱识别和区分,使自己有创造力,在建立图像、编辑、转换和复原等方面展示多种效用。