17、OpenVX在计算机视觉中的应用：神经网络与安全关键场景

OpenVX在计算机视觉中的应用：神经网络与安全关键场景

1. 卷积神经网络（CNNs）在计算机视觉中的应用

卷积神经网络（CNNs）在计算机视觉任务中得到了广泛应用，如分类、检测和分割。CNN由多个张量级操作堆叠而成，包括卷积层、激活层（如ReLU）、池化层（如最大池化）和全连接层等。这些操作中使用的权重，如卷积权重张量，是通过深度学习框架从特定应用的训练数据集中计算得出的。

不同类型的CNN在计算机视觉处理中发挥着不同的作用：
- 分类CNN ：以图像为输入，输出图像中物体的标签，如“鸭子”、“飞机”或“树”。
- 检测CNN ：处理图像并可能找到其中的多个物体，输出一组边界框坐标和每个边界框中物体的单独标签。
- 分割CNN ：提供更精细的信息，输出另一个图像，其中输出图像的每个像素值是输入图像中该位置物体类型的标签。

除了CNN部分，计算机视觉处理的其他部分可能在CNN之前或之后进行，包括：
- 图像处理 ：颜色转换、图像滤波、图像调整大小、裁剪、归一化等。
- 后处理 ：非极大值抑制、将分割结果叠加在输入图像上等。

2. OpenVX神经网络扩展

OpenVX神经网络扩展（vx_khr_nn）提供了一种将CNN层集成到OpenVX图中的方法。在该规范中，CNN层表示为通过vx_tensor数据对象连接的OpenVX节点。可以在OpenVX图中混合使用CNN层和传统视觉节点。