GitLab

采用硬件描述语言Verilog HDL完成数字图像识别。数字图像识别在传统处理器上（如CPU、GPU等）得到了非常有效地发展，精确度一度达到100%，这得益于现有深度学习框架提供的成熟神将网络算法，而在如FPGA，ASIC等定制化设备上的深度学习还存在开发周期长，程序语言门槛较高等困难，将深度学习部署在这些终端设备上还有待的发展。该项目是借助Verilog硬件描述语言在FPGA上完成的卷积神经网络对数字图像识别进行识别。

Several baselines for online adaptation of semantic segmentation. Architectures supported: Deeplabv2 with VGG-16, ERFNet, RFNet with Resnet-18 (Updating). Baselines including: BN Adapting, Tent, Pseudo Label, Ground Truth, CoTTA, etc. (Updating).

中煤项目人员值班接口

随着智能物联网的发展，越来越多的移动设备被赋予智能。然而，在实际部署中，边端设备和云端训练所处的实际情境是动态变化的（光线、形象等因素），因此边缘计算面临着边端情境分布变化等诸多问题。

针对边端情境复杂多样，潜藏情境难挖掘的问题，拟提出人机共融和数据潜藏情境挖掘技术，结合专家知识为特征提取提供指导，实现目标数据中潜藏情境的识别与挖掘；针对传统深度计算模型自适应能力差的问题，拟提出多模态输入自适应的深度计算方法，通过训练并行情境检测器细粒度地检测边端情境，并利用情境检测向量和超网

分层的同伴奖励机制，它允许每个智能体基于历史交互数据动态地将部分个体奖励赠予其他智能体，并引导智能体走向更协调的行为，同时确保智能体保持自私和分散的状态。

社交群体智能算法大赛 2023 官网源码 http://www.crowdhmt.com/crowdcompetition/

64位树莓派上的 PaddlePaddle 编译

AIoTSys 2023 官方网站：https://crowdos.cn/AIoTSys

该算法基于tensorflow后端生成模型，算法输入为像素大小为320x240的灰度图像的数字信息，输出为图像识别结果。该算法能够测量基础CNN模型在FPGA上的性能，同时可以根据需要选择不同位宽进行测试。此外在代码的实现过程中，参考了Suisuisi[1]、Shvlad[2]等项目经验

在实时视频流中往往存在大量的无效帧，如画面长期静止、画面运动过于强烈导致严重模糊等。针对该问题，提出了该方法。

该方法基于传统计算机视觉的边缘检测算法，使用 Sobel 算子对图像边缘特征进行提取，并在像素层面进行平均，以获得用于衡量图像清晰度的指标。随后，采用随时间衰减的动态阈值，对视频关键帧进行筛选，并能够通过超参数的方式对提取的速率进行限制，从而起到降低后台运算量的效果。

该算法基于tensorflow后端生成模型，算法输入为像素大小为320x240的灰度图像的数字信息，输出为图像识别结果。该算法能够测量基础CNN模型在FPGA上的性能，同时可以根据需要选择不同位宽进行测试。此外在代码的实现过程中，参考了Suisuisi[1]、Shvlad[2]等项目经验。