現如今，隨著計算任務的愈發(fā)繁重復雜，實時系統面臨著一個前所未有的挑戰(zhàn)-不僅要快速處理所有數據還要針對下一步工作作出智能的決策。卷積神經網絡(CNN)是快速處理海量數據的關鍵，作為業(yè)界領先解決方案，量身定制的 Tensilica? 處理器及 DSP 可以高效執(zhí)行性能需求極高的 CNN 運算，是用戶的不二之選。CNN 的應用領域非常廣泛，主要包括圖像和模式識別、語音識別、自然語言處理，以及視頻分析。從智能手機到智能手表，從高級駕駛輔助系統(ADAS)到虛擬現實游戲機，再到無人機控制和安防設備，依賴高分辨率成像(1080p，4K，甚至更高)的應用領域正在快速發(fā)展。

　　發(fā)展至今，高分辨度成像技術已經非常成熟，無論智能手機的人臉檢測功能，安防系統的人臉識別功能，還是智能車輛的交通標志識別功能都已經離不開它;未來，它還將繼續(xù)為無人駕駛的實現保駕護航(詳細內容請參閱 Tensilica 視覺 DSP)。我們非?？春?nbsp;CNN 技術在計算機視覺領域的應用前景，它將推動成像精度和準確度的大幅增強。

　　神經網絡由信息共享的人工互聯“神經元”構成，每個互聯神經元的數字權重都通過反復訓練而得到持續(xù)優(yōu)化，經過良好訓練的神經網絡可以對圖像或模式作出精準識別。神經網絡包括多個由特征檢測“神經元”組成的數據層，每一層的神經元都會對前一層不同組合的數據輸入作出回應。

　　圖一：人工神經網絡示意圖

　　卷積神經網絡(CNN)是上述神經網絡的其中一種，由一個或多個卷積層組成。CNN 通常包括一個下采樣層，以及與標準神經網絡一致的一個或多個全連接層。隨著半導體技術的發(fā)展，芯片尺寸更小，高度并行處理器的功耗更低，基于卷積神經網絡的計算機視覺解決方案將不再是紙上談兵。