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。

目前学术界或者工业界还没有公开的RoboMaster EP数据集，本项目收集120张RoboMaster在不同场景下的图片，并进行数据扩充处理，为日后的图像检测等学术研究提供一个可选择的数据集。

Transport messages or pictures on devices with ros2 installed. It can be between different nodes on the same device or on different devices.

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).

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

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