GitLab

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。

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

一种基于零和博弈的奖励函数用以加快目标跟踪算法收敛，做到策略自适应不同场景

当今世界，计算机智能化的程度越来越高，而计算机视觉的应用也越来越广泛，从最开始的识别物品到人脸识别的动态观察，计算机能识别的图像越来越复杂化，动态化，模糊化，这都离不开深度学习算法。我们小组使用YOLO模型来训练计算机获得识别飞机的能力，如果飞机能够被迅速而准确的识别将对我们产生巨大的帮助。

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。

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

中煤项目人员值班接口