導語:雖然detection在classification基礎上煥發了春天，但算法的復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。

目標檢測object detection由于除了要識別what，還要找出where，從算法本身上復雜了許多。雖然最終實現端到端檢測的網絡是一個卷機網絡，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，高效的數據搬移重要性浮出水面，設計的中心從“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；同時應用中物體的遠近不等，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，在端側應用，受限于人眼的識別能力，圖片識別的張數要遠比在服務器側壓力小。

2. 功耗的額要求：在機器人、無人車等應用中，和服務器端相比，功耗是一個關鍵因素。

轉載于:https://blog.51cto.com/13591395/2103173

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。