卷積神經(jīng)網(wǎng)絡(luò )（CNN）

　　現如今，隨著(zhù)計算任務(wù)的愈發(fā)繁重復雜，實(shí)時(shí)系統面臨著(zhù)一個(gè)前所未有的挑戰-不僅要快速處理所有數據還要針對下一步工作作出智能的決策。卷積神經(jīng)網(wǎng)絡(luò )(CNN)是快速處理海量數據的關(guān)鍵，作為業(yè)界領(lǐng)先解決方案，量身定制的 Tensilica? 處理器及 DSP 可以高效執行性能需求極高的 CNN 運算，是用戶(hù)的不二之選。CNN 的應用領(lǐng)域非常廣泛，主要包括圖像和模式識別、語(yǔ)音識別、自然語(yǔ)言處理，以及視頻分析。從智能手機到智能手表，從高級駕駛輔助系統(ADAS)到虛擬現實(shí)游戲機，再到無(wú)人機控制和安防設備，依賴(lài)高分辨率成像(1080p，4K，甚至更高)的應用領(lǐng)域正在快速發(fā)展。

　　發(fā)展至今，高分辨度成像技術(shù)已經(jīng)非常成熟，無(wú)論智能手機的人臉檢測功能，安防系統的人臉識別功能，還是智能車(chē)輛的交通標志識別功能都已經(jīng)離不開(kāi)它;未來(lái)，它還將繼續為無(wú)人駕駛的實(shí)現保駕護航(詳細內容請參閱 Tensilica 視覺(jué) DSP)。我們非?？春?nbsp;CNN 技術(shù)在計算機視覺(jué)領(lǐng)域的應用前景，它將推動(dòng)成像精度和準確度的大幅增強。

　　神經(jīng)網(wǎng)絡(luò )由信息共享的人工互聯(lián)“神經(jīng)元”構成，每個(gè)互聯(lián)神經(jīng)元的數字權重都通過(guò)反復訓練而得到持續優(yōu)化，經(jīng)過(guò)良好訓練的神經(jīng)網(wǎng)絡(luò )可以對圖像或模式作出精準識別。神經(jīng)網(wǎng)絡(luò )包括多個(gè)由特征檢測“神經(jīng)元”組成的數據層，每一層的神經(jīng)元都會(huì )對前一層不同組合的數據輸入作出回應。

　　圖一：人工神經(jīng)網(wǎng)絡(luò )示意圖

　　卷積神經(jīng)網(wǎng)絡(luò )(CNN)是上述神經(jīng)網(wǎng)絡(luò )的其中一種，由一個(gè)或多個(gè)卷積層組成。CNN 通常包括一個(gè)下采樣層，以及與標準神經(jīng)網(wǎng)絡(luò )一致的一個(gè)或多個(gè)全連接層。隨著(zhù)半導體技術(shù)的發(fā)展，芯片尺寸更小，高度并行處理器的功耗更低，基于卷積神經(jīng)網(wǎng)絡(luò )的計算機視覺(jué)解決方案將不再是紙上談兵。