XiaoMi-AI文件搜索系统
World File Search System30FPS
Atlas 200 DK AI开发套件
H.264硬件解码，16路1080p 30FPS（2路3840 x 2160 @ 60FPS） H.265硬件解码，16路1080p 30FPS（2路3840 x 2160 @ 60FPS） H.264硬件编码，1路1080p 30FPS H.265硬件编码，1路1080p 30FPS JPEG解码：1080p 256FPS；编码：1080p 64FPS；最高分辨率：8192 x 4320 PNG解码：1080p 24FPS；最高分辨率：4096 x 2160
数据表 AI-deck 彩色相机模块 - Rev 1
超低功耗图像传感器，专为始终开启的视觉设备和应用而设计 高灵敏度 3.6μ BrightSense(TM) 像素技术 324 x 324 有效像素分辨率，支持 QVGA 窗口、垂直翻转和水平镜像读出 30FPS 时 <1.1mW QQVGA 分辨率，30FPS 时 < 2mW QVGA 分辨率 可编程黑电平校准目标、帧大小、帧速率、曝光、模拟增益（高达 8 倍）和数字增益（高达 4 倍） 自动曝光和增益控制环路，支持 50Hz/60Hz 闪烁避免 灵活的 1 位、4 位和 8 位视频数据接口，具有视频帧和行同步 具有可编程 ROI 和检测阈值的运动检测电路，具有数字输出作为中断 片上自振荡器 用于寄存器访问的 I2C 2 线串行接口 CSP 和裸片传感器封装选项 高 CRA，适用于小型模块设计
AI-deck 单色相机模块数据表 - Rev 1
超低功耗图像传感器，专为始终开启的视觉设备和应用而设计 高灵敏度 3.6μ BrightSense(TM) 像素技术 324 x 324 有效像素分辨率，支持 QVGA 窗口、垂直翻转和水平镜像读取 30FPS 时 <1.1mW QQVGA 分辨率，30FPS 时 < 2mW QVGA 分辨率 可编程黑电平校准目标、帧大小、帧速率、曝光、模拟增益（高达 8 倍）和数字增益（高达 4 倍） 自动曝光和增益控制环路，支持 50Hz / 60Hz 闪烁避免 灵活的 1 位、4 位和 8 位视频数据接口，具有视频帧和行同步 具有可编程 ROI 和检测阈值的运动检测电路，具有可用作中断的数字输出 片上自振荡器 用于寄存器访问的 I2C 2 线串行接口 CSP 和裸片传感器封装选项 高 CRA，适用于小型模块设计
业界最高性能AI（人工智能）监控摄像头
产品规格 产品名称 室内 AI 摄像机 室外 AI 摄像机 (IP66) 型号 SI7201TX2 SI7220TX2 电源 DC12V 或 PoE (IEEE802.3at) 防水外置电源 (单独出售) 功耗 DC12V：30W 或以下 PoE：25W 或以下 DC12V：30W 或以下 PoE：25W 或以下 工作温度 -10°C ~ +50°C -20°C ~ +50°C 存储温度 -15°C ~ +60°C -25°C ~ +60°C 音频输入/输出 内置麦克风 / LINE-OUT 连接器（机壳内） 内置麦克风 / LINE-OUT 连接器（机壳内） 视频输出 HDMI 1.4 1ch。输出类型 D 机壳连接器 HDMI 1.4 1ch。输出类型 D 外壳连接器 SD 端口 microSD 插槽 microSD 插槽 图像传感器 2.13M 像素 1/2.8” CMOS 图像传感器 2.13M 像素 1/2.8” CMOS 图像传感器 最低照度 0.1 lx 0.1 lx 镜头 90°/60°/37°/18° 出厂设置 90°/60°/37°/18° 出厂设置 分辨率 全高清 1920 x 1080 全高清 1920 x 1080 高清 1280 x 720 高清 1280 x 720 VGA 640 x 480 VGA 640 x 480 帧率 H.264 1 ~ 30FPS H.264 1 ~ 30FPS JPEG 1 ~ 30FPS JPEG 1 ~ 30FPS 比特率 64Kbps ~ 12,228Kbps 64Kbps ~ 12,228Kbps 视频编解码器 JPEG/H.264 JPEG/H.264 音频编解码器 G.711 μ-law G.711 μ-law LAN RJ-45 100Base-TX /1000Base-T WiFi 802.11ac 100Base-TX /1000Base-T WiFi 802.11ac 通信模块 内置 LTE 通信模块 NTT Docomo Xi 兼容 内置 LTE 通信模块 NTT Docomo Xi 兼容 NVIDIA Jetson TX-2 Jetson TX-2 RAM 8GB 128bit LPDDR4 8GB 128bit LPDDR4 OS L4T 28.2.1 64bit L4T 28.2.1 64bit 记录介质 microSDHC 32GB / microSDXC 62GB~512G microSDHC 32GB / microSDXC 62GB~512G 注：请注意，工业级 512GB SDXC 尚未发售。 外形尺寸（主体） W80mm x D207mm x H80mm（不包括突起部分） W120mm x D330mm x H100mm（不包括突起部分） 重量（主体） 1.15Kg 1.85Kg
高性能AI（人工智能）移动盒子
产品规格 产品名称 室内 AI Box（内置风冷风扇） 无风扇型（无风扇套件） 型号 AMB7201TX2 AMB7201TX2-HS01K 电源 DC12V 功耗 DC12V：30W 或更低 工作温度 -20°C ~ +60°C 存储温度 -25°C ~ +65°C 音频输入/输出 无 视频输出 HDMI 1.4 1ch. 输出 SD 端口 microSD 插槽 图像传感器 高性能 提供各种推荐的 USB 摄像头 镜头 90°/60°/37°/18° 出厂设置 分辨率 全高清 1920 x 1080 HD 1280 x 720 VGA 640 x 480 帧速率 H.264 1 ~ 30FPS JPEG 1 ~ 30FPS 比特率 64Kbps ~ 12,228Kbps 视频编解码器 JPEG/H.264 LAN RJ-45 100Base-TX/1000Base-T 通信模块 内置 LTE 通信模块 与 NTT Docomo Xi 兼容（与 KDDI Softbank 兼容） NVIDIA Jetson TX2 RAM 8GB 128bit LPDDR4 OS L4T 28.2.1 64bit 记录介质 microSDHC 32GB / microSDXC 62GB~512G 注：请注意，工业级 512GB SDXC 尚未发售。 外部尺寸（主机）：W160mm x D175mm x H36mm（包括突出部分） 重量：主机：约 1kg 安装支架（2 个/套）：约 0.5kg 无风扇散热器：约 1kg
根据会议状态动态调整摄像机分辨率和帧速率
步骤2：摄像头：默认高摄像头分辨率和帧率。步骤3：DCRFR：3x3 视频通话。是，转至步骤5。否，转至步骤4 步骤4：DCRFR：屏幕共享。是，转至步骤5。否，转至步骤2 步骤5：摄像头：降低摄像头分辨率和帧率。在3x3 视频通话或屏幕共享时，我们会将摄像头设置更改为降低摄像头分辨率和帧率。您可以在下一页看到屏幕。3x3 通话或屏幕时，摄像头视频较小。我们希望用户不会专注于一个摄像头视频。在这些情况下，我们不需要提供高分辨率和帧率。步骤6：DCRFR：系统功耗降低。您可以在下一页看到示例。当摄像头分辨率和帧率从1080p/30fps 降低到360p/15fps 时，系统功耗可以从10W 降低到8W。步骤7：用户：电池寿命延长，但对用户的影响较小。您可以在下一页中看到示例。电池寿命可以从 6 小时延长到 7.5 小时。共享屏幕或 3x3 视频通话时，由于摄像头视频较小，因此对用户的影响较小。出席者将专注于共享屏幕，而不是摄像头视频。用户摄像头 DCRFR
黄朝宗（Chao-tsung Huang）副教授...
摘要：在人工智能的时代，卷积神经网络（CNN）正在成为一种用于图像处理的强大技术，例如去核，超分辨率甚至样式转移。他们表现出很大的潜力，可以将下一代相机和展示带入我们的日常生活。但是，传统的CNN加速器很难在边缘生成超高分辨率视频，因为它们的大量急速带宽和功耗。例如，用于降级的高级FFDNET可能需要131 GB/s的DRAM带宽，而在4K UHD 30FPS处则需要106个计算顶部。在这次演讲中，我将介绍我们最近的两部作品，以应对DRAM带宽和功耗的挑战。首先，我将讨论图像处理CNN带来的图像二线革命并阐述其设计挑战；为了清楚起见，他们与识别CNN的差异将得到强调。然后，我将以整体方式介绍我们的第一份作品 - ECNN [Micro'19]，共同优化推理流，网络模型，指令集和处理器设计。尤其是，具有面向硬件的ERNET模型的基于块的推理流可以支持FFDNET级DINOISING和SRRESNET级超分辨率，在4K UHD 30 FPS下使用小于2 GB/s的DRAM带宽。最后，我将介绍我们的第二件作品（ISCA'21]，它利用了Ring Argebra的常规稀疏度，以实现近乎最大的硬件节省和优雅的卷积发动机质量降解。布局结果表明，可以分别使用3.76 W和2.22 W进行等效的41个高位计算，分别以40 nm的技术为50％（无质量下降）和75％和75％（PSNR下降的0.11 dB）。
基于计算机视觉的实时识别桥梁结构性健康监测的车辆负载
摘要：各种加载条件的耦合效应可能会导致偏转，定居点甚至在服务桥梁的失败。不幸的是，尽管它是最关键的负载之一，但通过桥梁监控系统目前为可持续操作，很难实时捕获行驶车辆的加载条件。要充分了解桥梁的状态，必须在动态的交通环境中获得瞬时车辆负载分布。尽管有一些可以识别超重车辆的方法，但捕获的车辆相关信息却分散且不完整，因此无法支持有效的桥梁结构性健康监测（BSHM）。本研究提出了一种基于视觉的非接触式方法，用于识别车辆负载，以实时监测桥梁结构健康。该提出的方法由四个主要步骤组成：（1）使用Yolov7为车辆建立双对象检测模型，（2）在桥面上开发一个混合坐标转换模型，（3）为移动车辆的实时轨迹监视的多对象跟踪模型，以及（4）建立级别融资模型的车辆和位置，并为车辆的负载和位置确定型号和位置。所提出的方法有效地可视化3D时空车辆载荷分布，速度低30fps。结果表明，混合坐标转换可确保车辆位置误差在1 m以内，与传统方法相比降低了5倍。轴距是通过双对象检测和转换来计算的，是车辆位置校正的主要参考。与传感器测得的速度相比，保留了车辆的轨迹和实时速度，平滑速度误差均低于5.7％。作者设想所提出的方法可以构成一种新的方法来进行实时的服务桥梁。