在深度學習中，解決訓練數據不足常用的一個技巧是“預訓練-微調”（Pretraining-finetune），即大數據集上面預訓練模型，然后在小數據集上去微調權重。但是，在訓練數據極其稀少的時候（只有個位數的訓練圖片），這個技巧是無法奏效的。圖2展示了一個檢測模型預訓練過后，在單張訓練圖片上微調的過程：盡管訓練集上逐漸收斂，但是檢測器仍無法檢測出測試圖片中的物體。這反映出了“預訓練-微調”框架的泛化能力不足。利用SpeedDP經過大量的數據訓練后，機器就能夠精確檢測跟蹤圖像中的物體。快速移動的汽車怎么鎖定跟蹤？比較好的目標跟蹤性價比

SpeedDP的出現則正好解決了這一問題，它是一個基于瑞芯微的深度學習算法開發平臺，提供從數據標注、模型訓練、測試驗證到RockChip嵌入式硬件平臺模型部署的可視化AI開發功能。平臺支持本地化服務器部署，高校、特殊單位等數據敏感的用戶無需擔心數據信息泄露的問題。高校等單位可以通過模型訓練和模型評估等功能，打造一個符合需求的AI模型，來幫助進行海量的數據標注，這不僅將節約大量的數據標注時間，更重要的是能夠幫助提升自身算法在RK3588圖像處理板的檢測識別能力。新疆目標跟蹤功效慧視RV1126圖像處理板能實現24小時、無間隙信息化監控。

目標跟蹤時，多維度、多層級信息融合也十分重要。為了提高對運動目標表觀描述的準確度與可信性,現有的檢測與跟蹤算法通常對時域、空域、頻域等不同特征信息進行融合,綜合利用各種冗余、互補信息提升算法的精確性與魯棒性.然而,目前大多算法還只是對單一時間、單一空間的多尺度信息進行融合,使用者可以考慮從時間、推理等不同維度,對特征、決策等不同層級的多源互補信息進行融合,提升檢測與跟蹤的準確性。成都慧視開發的Viztra-HE030圖像處理板采用了RK3588高性能芯片，工業級的處理能力能夠運用到諸多行業。

無人機能夠通過高空拍攝快速獲取大范圍、多角度的地面信息。但是傳統的攝像頭只能獲取視頻數據，對于許多需要進行數據分析的行業來說顯然不夠智能化，從無人機視頻數據中快速獲取提煉大量有價值的信息，不僅能夠提升工作效率，還能夠減少不小的成本支出。這就是無人機的AI識別能力。通過識別算法，在無人機工作時就對目標范圍進行AI檢測識別，從而提煉所需信息。這就需要對無人機進行智能化改造，可以在傳統無人機吊艙中植入成都慧視開發的高性能AI圖像處理板，如利用RK3588深度開發而成的Viztra-HE030圖像處理板，6.0TOPS的算力能夠快速處理無人機識別到的復雜畫面信息，這樣就有了硬件基礎，剩下的就需要對自身算法進行不斷優化提升。慧視RK3399PRO板卡可以用于大型公共停車場。

目標跟蹤是計算機視覺研究領域的熱點之一，并得到廣泛應用。相機的跟蹤對焦、無人機的自動目標跟蹤等都需要用到了目標跟蹤技術。另外還有特定物體的跟蹤，比如人體跟蹤，交通監控系統中的車輛跟蹤，人臉跟蹤和智能交互系統中的手勢跟蹤等。簡單來說，目標跟蹤就是在連續的視頻序列中，建立所要跟蹤物體的位置關系，得到物體完整的運動軌跡。給定圖像首幀的目標坐標位置，計算在下一幀圖像中目標的確切位置。在運動的過程中，目標可能會呈現一些圖像上的變化，比如姿態或形狀的變化、尺度的變化、背景遮擋或光線亮度的變化等。目標跟蹤算法的研究也圍繞著解決這些變化和具體的應用展開。慧視AI板卡能夠凸顯AI的智慧之能，變被動為主動，提供多種能主動預警的視頻分析和人臉識別黑白名單管理。比較好的目標跟蹤性價比

慧視光電的RK3588跟蹤板怎么樣？比較好的目標跟蹤性價比

2010年以前，目標跟蹤領域大部分采用一些經典的跟蹤方法，比如Meanshift、Particle Filter和Kalman Filter，以及基于特征點的光流算法等。Meanshift方法是一種基于概率密度分布的跟蹤方法，使目標的搜索一直沿著概率梯度上升的方向，迭代收斂到概率密度分布的局部峰值上。首先Meanshift會對目標進行建模，比如利用目標的顏色分布來描述目標，然后計算目標在下一幀圖像上的概率分布，從而迭代得到局部密集的區域。Meanshift適用于目標的色彩模型和背景差異比較大的情形，早期也用于人臉跟蹤。由于Meanshift方法的快速計算，它的很多改進方法也一直適用至今。比較好的目標跟蹤性價比