在网络培训、大数据和 ML 研究三方面快速发展的推动下，所谓“深度学习”正迅速成为主流。这种说法在嵌入式视觉应用中体现得最为明显，其最终目的是教会机器“领会”。嵌入式视觉应用的范围似乎是无穷无尽的，从确保生产线零缺陷的机器视觉摄像头，到监控交通、检测盗窃和灾难的杆装“智慧城市”摄像头，再到将您在网上购买的东西直接送到家门口的机器人，无所不包。 然而，卷积神经网络 (CNN) 推断计算成本极高，每次推断都需要数十亿次运算。此外，许多关键应用还需要极低的时延，而且还必须支持极高的帧速率。 鉴于这些限制以及对不足 10W 功耗、高可靠性、安全性和长时间产品使用寿命的需求，我们怎样才能设计出能够提供所需 ML 推断性能的集成式摄像头？
在本次网络研讨会上，我们将从不同的角度探讨这个主题：
• CNN 推断的重要挑战是什么？
• 需要什么水平的性能，什么样的性能才可行？
• 我们如何利用支持 Vitis 的 Xilinx MPSoC 器件加速 CNN 推断？
• 嵌入式视频编解码器在 MPSoC 器件系列中的功能和优势是什么？
• 有哪些方法可用于整合图像传感器流水线？
