职播间 | 面向低功耗 AI 芯片上视觉任务的神经网络设计

我们常说企业就是为了挣钱，学校就是可以安心做纯粹科研的象牙塔，但在计算机领域，企业和学校，或者说工业界和学术界之间的人才流动、交流合作非常多，企业也都有自己的技术追求。

深度学习时代的新变化

深度学习时代的业界学界互动依然密集，常有企业与高校合作设立联合实验室、邀请高校教授担任高管领导数据驱动决策的相关业务，企业自己的实验室也频频向学术会议投递论文并收获颇丰：BAT 分别有研究性质浓厚的百度研究院、阿里达摩院、腾讯 AI Lab 和优图实验室，每年产出大量各个方向的顶会论文；京东、滴滴有学术性质的实验室，向数据挖掘方向高速进发；商汤、旷视、优必选等技术导向的 AI 公司更是论文和比赛捷报频出。

在全世界的人工智能大潮中，中国的影响力也越来越大，正在从目前的「优秀的技术实践者」，逐渐补上「新技术的发现者」的角色。其中一部分力量当然来自于高校的学者们，中国 AI 企业们积极的技术研发和学术研究热情也值得赞扬。

雷锋网 AI 研习社也顺应大潮，设立新的直播频道 「职播间」 ，依托雷锋网 AI 研习社社群和雷锋网在 AI 行业的影响力，邀请中国 AI 企业的工程师、管理者们讲解自己企业的研发成果和技术追求，让更多人看到中国 AI 势力的全面发展。 我们希望帮学术青年打消一些疑虑、打破一些界限，在高校中就看到技术在企业中的实际应用成果，看到在企业中继续进行面向解决方案的技术研发、但同时也保持学术性科研的职业路径的可能性，同时也是为企业提供宣讲、招聘 AI 工程师的渠道。

「职播间」欢迎各个高校实验室和企业研究院联系参与。企业研究院参与职播间也将在雷锋网 (公众号：雷锋网) 学术频道 AI 科技评论旗下数据库项目「AI 影响因子」中加分，欢迎联系我们。

第二期分享预告

分享主题

面向低功耗AI芯片上视觉任务的神经网络设计

分享背景

随着这几年神经网络和硬件（gpu）的迅猛发展，深度学习在很多行业包括互联网，金融，驾驶，安防等领域都得到了广泛的应用。然而在实际部署的时候，许多场景例如无人驾驶，安防等对设备在功耗，成本，散热性等方面都有额外的限制，导致了无法大规模应用深度学习解决方案。在这次分享中我会先介绍下当前做AI芯片的背景，然后讲解怎么从算法角度去设计适合嵌入式平台高效的神经网络模型，用在视觉任务中。

分享嘉宾

黄李超，本科毕业于中山大学，在帝国理工硕士毕业之后于2014年加入了百度深度学习研究院。期间研发了最早的基于全卷积网络的目标检测算法DenseBox, 并在KITTI, FDDB等特定物体检测数据集上长期保持第一名。 2015年作为初创人员加入地平线，现研究方向包括深度学习系统研发，以及计算机视觉中物体检测，语义分割等方向。

分享提纲

1. 介绍当前AI芯片概况，包括现有的深度学习硬件发展情况，以及为何要神经网络去设计专门的芯片。

2. 从算法角度，讲解如何设计高性能的神经网络结构，使其既满足嵌入式设备的低功耗要求，又满足应用场景下的性能要求。

3. 分享高性价比的神经网络，在计算机视觉领域的应用，包括实时的物体检测，语义分割等。

4. 当前，地平线芯片量产流片，产品落地，日益强大；未来，地平线将赋能万物，让每个人的生活更安全、更美好。欢迎理想与才华并存的小伙伴加入地平线，“芯”怀天下，“地”造未来！地平线2019年校招火热进行中，五大方向岗位同步开放，校招小姐姐将带来最全的校招政策解读，回答大家感兴趣的问题。

分享时间

8 月 29 日（星期三）  20:00

直播链接

http://www.mooc.ai/open/course/537

雷锋网原创文章，未经授权禁止转载。详情见 转载须知 。