Qualcomm SNPE的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單

基於毫米波 FMCW雷達的停車格狀態偵測系統

為了解決Qualcomm SNPE的問題，作者陳冠孜 這樣論述：

在人口密集的都會城市，尋找停車位是十分令人煩惱的事情，因此易於使用、具導航功能並提供準確停車資訊的停車管理系統(parking management system, PMS)就十分地重要；而前端停車格狀態的偵測系統成為停車管理系統中是否能提供正確停車資訊的關鍵技術。現行停車格狀態偵測系統大都以視訊攝影機所拍攝的影像做為停車格狀態的判斷依據，但攝影機會因為環境不同、光線變化等因素而造成判斷失誤，尤其是戶外的停車情境。相反地，使用雷達偵測停車格狀態，則較不受環境因素或光線的影響。因此，本論文提出了應用毫米波(mmWave)頻率調變連續波(FMCW)雷達的停車格狀態偵測系統，此系統可長期收集停車場

域的停車格雷達熱圖資料，並且能半自動地標記所收集熱圖資料所對應的多停車格實際佔用情況，然後採用捲積神經網路(CNN)訓練停車格狀態偵測模型，該模型於電腦的測試接近97%的正確率，最後本論文也將該模型轉成邊緣運算裝置可使用之模型後進行推論，實際的推論結果都能達到95%以上的正確率。而該模型在簡易微型電腦樹梅派(Raspberry PI)的單次推論時間約為0.09秒，也就是說對停車格偵測應用而言，採用本論文提出的停車格偵測模型，可於不具備硬體加速計算的簡易微型電腦進行準確的停車格狀態偵測。本論文完成十分合適於不具硬體加速的邊緣運算裝置之停車格狀態偵測系統。

利用 NNAPI 加速 NNEF 模型的執行

為了解決Qualcomm SNPE的問題，作者宋家宇 這樣論述：

近年來深度學習模型已被廣泛應用於影像辨識、語音辨識、ADAS、AIoT等領域。可以用來運行這些人工智慧應用的神經網路框架有很多種，包含TensorFlow、Caffe、MXNet、PyTorch、Core ML、TensorFlow Lite、NN API等等。隨著眾多框架的出現，我們愈來愈需要有一個為這些框架設計的交換格式。為此，Khronos Group草擬了Neural Network Exchange Format (NNEF)。然而，NNEF是一個新的設計，目前還缺乏許多可以將之轉換至各式框架的工具。在本論文裡，我們開發了一項工具來填補由NNEF轉換至NN API的空隙。我們的成果

也同時讓NNEF模型可以成功獨自運行，並且在Android環境下有彈性地呼叫NN API來加速執行過程。我們的成果呼叫NN API的方式為藉由將輸入的NNEF模型切割成多個子模型，並且使用NN API來執行這些子模型。我們提出了一個用來決定輸入的NNEF模型該如何被分割的演算法。這個演算法為基於經典的廣度優先搜尋，因此可以檢驗所有可能的分割並且決定出最好的分割。不同於經典的廣度優先搜尋，我們的演算法包含了兩條用來加速搜尋過程的規則，其一為如果可以確定將某一個運算子交由某一平台來執行會比較好，那我們就將該運算子分配至該平台而不去搜尋其它平台。其二為我們限制佇列的大小，以確保時間複雜度不會無限制的

增長。我們在實體手機執行的實驗結果顯示使用NN API來運行NNEF模型可以獲得4至200倍的加速。我們用在實驗的模型包含知名的LeNet、AlexNet、MobileNetV1、MobileNetV2、VGG-16與VGG-19。