色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

一款基于傳感器的神經(jīng)網(wǎng)絡(luò)解決方案

Xilinx賽靈思官微 ? 來源:Xilinx賽靈思官微 ? 作者:Xilinx賽靈思官微 ? 2022-10-20 10:58 ? 次閱讀

后疫情時(shí)代,企業(yè)面臨的挑戰(zhàn)在于如何才能更好地了解其工作環(huán)境的日常使用情況,從而制定更明智的房地產(chǎn)投資決策。

XY Sence 于 2016 年成立于澳大利亞維多利亞州克雷蒙,致力于開發(fā)新一代計(jì)算機(jī)視覺傳感器及解決方案,簡(jiǎn)化工作場(chǎng)所占用情況及空間利用率數(shù)據(jù)的采集與使用。

XY Sense 公司的工作場(chǎng)所占用傳感器解決方案是一款基于傳感器的神經(jīng)網(wǎng)絡(luò)解決方案,幫助用戶掌握工作場(chǎng)所的占用狀況與員工移動(dòng)路徑,從而動(dòng)態(tài)分配工作場(chǎng)所。該解決方案由來自 AMD 的 Zynq 7000 自適應(yīng)計(jì)算平臺(tái)提供支持。

項(xiàng)目挑戰(zhàn)

對(duì)于大多數(shù)企業(yè)而言,房地產(chǎn)開支是排名第二位或第三位的開支。然而,很多企業(yè)無法準(zhǔn)確地詳盡描述其工作空間如何(或是否)被使用。無法實(shí)時(shí)準(zhǔn)確掌握工作場(chǎng)所的占用數(shù)據(jù),就意味著企業(yè)不能恰當(dāng)?shù)毓芾砜臻g利用率。

盡管市面上的一些解決方案能夠解決這個(gè)問題,但它們要么過于昂貴,要么由于以設(shè)備而非人作為跟蹤對(duì)象,因而缺乏足夠的準(zhǔn)確性。XY Sense 的開發(fā)宗旨,是提供一種采集并應(yīng)用工作場(chǎng)所利用率數(shù)據(jù)的捷徑。

該公司希望開發(fā)出一款可負(fù)擔(dān)性與靈活性較好的解決方案,以長(zhǎng)期在任意給定時(shí)點(diǎn)掌握所有辦公空間的使用狀況。他們清楚,要求員工登錄某個(gè)設(shè)備或攜帶 GPS 跟蹤器并非良策,因?yàn)閱T工難免會(huì)在離開辦公室的時(shí)候忘記登錄或隨身攜帶設(shè)備。他們希望開發(fā)出一款能自主運(yùn)行、精確且只提供( X,Y )坐標(biāo)數(shù)據(jù)以隱匿員工身份的解決方案。

解決方案

這款解決方案就是 XY Sense 的工作場(chǎng)所空間占用傳感器解決方案。這種基于傳感器的神經(jīng)網(wǎng)絡(luò)解決方案實(shí)時(shí)運(yùn)行,幫助用戶掌握辦公室空間的占用狀況以及員工的移動(dòng)路徑,方便他們動(dòng)態(tài)分配可用的工作空間。此外,它還能幫助企業(yè)監(jiān)測(cè)疫情相關(guān)社交距離要求的遵守情況,輕松制定安全的返回辦公室計(jì)劃。

31fcccb0-5010-11ed-a3b6-dac502259ad0.png

XY Sense 跟蹤( X,Y )坐標(biāo),幫助企業(yè)管理辦公空間。

XY Sense 在數(shù)字網(wǎng)格平面布局圖上以匿名( X,Y )坐標(biāo)定位工作人員,定位精度優(yōu)于一英尺。可擴(kuò)展的無服務(wù)器云解決方案從傳感器采集數(shù)十億個(gè)數(shù)據(jù)點(diǎn),然后在采集后兩秒以內(nèi)顯示該信息。隨后,這個(gè)歷史數(shù)據(jù)將呈現(xiàn)在控制面板上以便使用。每個(gè)傳感器能夠覆蓋約 20 張辦公桌(約93 方米)的面積,從而使系統(tǒng)覆蓋面積提升了 2 倍左右。這樣便可以減少客戶需要購(gòu)買和安裝的傳感器數(shù)量。

來自 AMD 的 Zynq 7000 自適應(yīng)計(jì)算平臺(tái)為這套系統(tǒng)提供技術(shù)支持,并幫助其采集和處理實(shí)時(shí)傳感器數(shù)據(jù)。這種片上系統(tǒng)器件擁有充足的板載 FPGA 邏輯,幫助 XY Sense 實(shí)現(xiàn)其定制神經(jīng)網(wǎng)絡(luò),并提供高分辨率圖像檢測(cè)和分析。

Zynq 7000 自適應(yīng)計(jì)算平臺(tái)搭載雙 ARM 核心處理器,速度足夠完成所需的預(yù)處理和后處理,同時(shí)留出充足裕度運(yùn)行 Linux 和保持連接性能。

XY Sense 市場(chǎng)營(yíng)銷主管 Libby Owens

“這種工業(yè)級(jí)芯片對(duì)我們非常適合,因?yàn)槲覀兛梢愿嗤诰?XY Sense 機(jī)器學(xué)習(xí)算法的潛力,而無需擔(dān)心達(dá)到熱極限,特別是在我們采用緊湊產(chǎn)品結(jié)構(gòu)的情況下(沒有強(qiáng)勁的空氣流或風(fēng)扇)。”

“此外,這款芯片的長(zhǎng)期供貨和支持時(shí)限也意味著我們能夠放心地?cái)U(kuò)展我們的產(chǎn)品制造規(guī)模,從而滿足全球客戶的需求。”

與此同時(shí),Owens 稱贊了 Zynq 的綜合生態(tài)系統(tǒng),將其稱為“擁有豐富的可用資源、示例和支持的成熟平臺(tái)”。

設(shè)計(jì)成效

Owens 認(rèn)為,與 AMD 合作帶來了眾多成效,其中包括節(jié)省時(shí)間和資金以及有助于解決復(fù)雜問題。

她表示:“其中有很多在線提供的示例設(shè)計(jì)和解決方案,幫助我們快速啟動(dòng)和運(yùn)行基本平臺(tái)基礎(chǔ)設(shè)施,節(jié)省更多時(shí)間用來解決我們的具體業(yè)務(wù)問題。”她還補(bǔ)充道,芯片長(zhǎng)期供貨意味著他們不必浪費(fèi)時(shí)間管理芯片停產(chǎn)退市問題。

她表示:“我們已經(jīng)開發(fā)出在 FPGA 上實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的定制方法。我認(rèn)為我們無法使用不同的平臺(tái)實(shí)現(xiàn)同等性能與靈活性水平。”

審核編輯 :李倩

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 傳感器
    +關(guān)注

    關(guān)注

    2552

    文章

    51341

    瀏覽量

    755521
  • gps
    gps
    +關(guān)注

    關(guān)注

    22

    文章

    2899

    瀏覽量

    166468
  • 機(jī)器學(xué)習(xí)

    關(guān)注

    66

    文章

    8434

    瀏覽量

    132875

原文標(biāo)題:工作場(chǎng)所傳感器助力實(shí)時(shí)管理辦公空間

文章出處:【微信號(hào):賽靈思,微信公眾號(hào):Xilinx賽靈思官微】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    神經(jīng)網(wǎng)絡(luò),也稱為全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Networks,F(xiàn)CNs),其特點(diǎn)是每層的每個(gè)神經(jīng)元都與下
    的頭像 發(fā)表于 11-15 14:53 ?663次閱讀

    Moku人工神經(jīng)網(wǎng)絡(luò)101

    Moku3.3版更新在Moku:Pro平臺(tái)新增了全新的儀器功能【神經(jīng)網(wǎng)絡(luò)】,使用戶能夠在Moku設(shè)備上部署實(shí)時(shí)機(jī)器學(xué)習(xí)算法,進(jìn)行快速、靈活的信號(hào)分析、去噪、傳感器調(diào)節(jié)校準(zhǔn)、閉環(huán)反饋等應(yīng)用。如果您
    的頭像 發(fā)表于 11-01 08:06 ?333次閱讀
    Moku人工<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>101

    BP神經(jīng)網(wǎng)絡(luò)樣本的獲取方法

    的訓(xùn)練樣本是至關(guān)重要的。 數(shù)據(jù)收集 數(shù)據(jù)收集是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型的第步。根據(jù)研究領(lǐng)域和應(yīng)用場(chǎng)景的不同,數(shù)據(jù)來源可以分為以下幾種: 1.1 實(shí)驗(yàn)數(shù)據(jù):通過實(shí)驗(yàn)或觀察獲得的數(shù)據(jù),如生物實(shí)驗(yàn)、化學(xué)實(shí)驗(yàn)等。 1.2 傳感器數(shù)據(jù):通過
    的頭像 發(fā)表于 07-11 10:50 ?658次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡(jiǎn)稱CNN)是兩種在人工智能和機(jī)器學(xué)習(xí)領(lǐng)域
    的頭像 發(fā)表于 07-10 15:24 ?1683次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡(jiǎn)稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中個(gè)基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及
    的頭像 發(fā)表于 07-10 15:20 ?1237次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò),能
    的頭像 發(fā)表于 07-05 09:52 ?617次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)樣嗎

    神經(jīng)網(wǎng)絡(luò)種基于樹結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,它通過遞歸地將輸入數(shù)據(jù)分解為更小的子問題來處理序列數(shù)據(jù)。RvNN的核心思想是將復(fù)雜的序列問題
    的頭像 發(fā)表于 07-05 09:28 ?957次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡(jiǎn)稱RNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡(jiǎn)稱RNN)實(shí)際上是同個(gè)概念,只是不同的翻譯方式
    的頭像 發(fā)表于 07-04 14:54 ?843次閱讀

    循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別

    結(jié)構(gòu)。它們?cè)谔幚聿煌愋偷臄?shù)據(jù)和解決不同問題時(shí)具有各自的優(yōu)勢(shì)和特點(diǎn)。本文將從多個(gè)方面比較循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別。 基本概念 循環(huán)神經(jīng)網(wǎng)絡(luò)種具有循環(huán)連接的
    的頭像 發(fā)表于 07-04 14:24 ?1429次閱讀

    深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別

    在探討深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNNs)與基本神經(jīng)網(wǎng)絡(luò)(通常指?jìng)鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò))的區(qū)別時(shí),我們需要從多個(gè)維度進(jìn)行深入分析。這些維度包括
    的頭像 發(fā)表于 07-04 13:20 ?1009次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network,簡(jiǎn)稱BP神經(jīng)網(wǎng)絡(luò))是種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法來調(diào)整網(wǎng)
    的頭像 發(fā)表于 07-03 11:00 ?849次閱讀

    神經(jīng)網(wǎng)絡(luò)擬合的誤差怎么分析

    像識(shí)別、自然語(yǔ)言處理和時(shí)間序列預(yù)測(cè)等。然而,神經(jīng)網(wǎng)絡(luò)的擬合誤差是個(gè)關(guān)鍵問題,影響模型的性能和泛化能力。本文將從多個(gè)角度分析神經(jīng)網(wǎng)絡(luò)擬合誤差的原因、影響因素和解決方案
    的頭像 發(fā)表于 07-03 10:36 ?643次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是種常見的前饋神經(jīng)網(wǎng)絡(luò),它使用反向傳播算法來訓(xùn)練網(wǎng)絡(luò)。雖然BP神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-03 10:14 ?912次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

    結(jié)構(gòu)、原理、應(yīng)用場(chǎng)景等方面都存在定的差異。以下是對(duì)這兩種神經(jīng)網(wǎng)絡(luò)的比較: 基本結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò)種多層前饋神經(jīng)網(wǎng)絡(luò),由輸入層、隱藏層和
    的頭像 發(fā)表于 07-03 10:12 ?1306次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    不同的神經(jīng)網(wǎng)絡(luò)模型,它們?cè)诮Y(jié)構(gòu)、原理、應(yīng)用等方面都存在定的差異。本文將從多個(gè)方面對(duì)這兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行詳細(xì)的比較和分析。 引言 神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-02 14:24 ?4584次閱讀
    主站蜘蛛池模板: 在线免费观看成年人视频| 天天躁日日躁狠狠躁中文字幕老牛| 最新无码国产在线视频2020| 久久re6热在线视频精品| 亚洲AV无码专区国产精品99| 99热久久久无码国产精品性麻豆| 久久国产精品无码视欧美| 亚洲中文有码字幕日本| 狠狠色色综合站| 色噜噜噜亚洲男人的天堂| www亚洲欲色成人久久精品| 欧美视频毛片在线播放| 大伊人青草狠狠久久| 男人把女人桶到爽免费看视频| 99精品福利视频| 女性性纵欲派对| 黃色带三级a级| 国产成人免费a在线视频app| 8X拨牐拨牐X8免费视频8| 一个人免费完整观看日本 | 久久久久999| 好紧好湿太硬了我太爽了小说| 抽插妇女疯狂视频| 超h高h肉h文教室生理课| china18一19 第一次| 70岁妇女牲交色牲片| 诱人的秘书BD在线观看| 亚洲成人99| 亚洲成人免费看| 武汉美女洗澡| 午夜免费福利小电影| 息与子在线交尾中文字幕| 午夜深情在线观看免费| 四虎国产精品高清在线观看| 日韩欧美群交P内射捆绑| 天美传媒麻豆精品| 亚洲成人一区二区| 亚洲精品无码久久久久A片| 亚洲精品中文字幕在线| 亚洲视频在线观看视频| 最近的2019中文字幕国语HD|