導(dǎo)語:雖然detection在classification基礎(chǔ)上煥發(fā)了春天，但算法的復(fù)雜度確實增加了不少。對于底層平臺來說，雖然看起來還是一堆卷積，但圖片的增大，帶來了一些列問題。

目標(biāo)檢測object detection由于除了要識別what，還要找出where，從算法本身上復(fù)雜了許多。雖然最終實現(xiàn)端到端檢測的網(wǎng)絡(luò)是一個卷機(jī)網(wǎng)絡(luò)，貌似和之前沒有多大差別，但大圖片除了計算量增加xx倍意外，圖片的搬移才是給底層計算平臺帶來的最大挑戰(zhàn)，高效的數(shù)據(jù)搬移重要性浮出水面，設(shè)計的中心從“計算為主”逐步切換到“計算加搬移”并重。

對底層平臺來說，核心在于理解：

1. 為什么圖片在object detection下越來越大，這個是不是其核心訴求？答案是，這個是第一訴求，從應(yīng)用場景看，detection本身就是識別多個物體，提取出小圖片來識別的代價太大；同時應(yīng)用中物體的遠(yuǎn)近不等，大圖片采集更大的視野也是一個主要原因。但同時一個利好因素是，在端側(cè)應(yīng)用，受限于人眼的識別能力，圖片識別的張數(shù)要遠(yuǎn)比在服務(wù)器側(cè)壓力小。

2. 功耗的額要求：在機(jī)器人、無人車等應(yīng)用中，和服務(wù)器端相比，功耗是一個關(guān)鍵因素。

轉(zhuǎn)載于:https://blog.51cto.com/13591395/2103173

總結(jié)

以上是生活随笔為你收集整理的异构计算架构师眼中的AI算法（object detection）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。