Webinar首页 即将举办 按时间点播 按分类点播 按厂商点播 会议流程 问题集锦 在线帮助
您所在的位置:首页 > 按分类点播

按分类点播 > 嵌入式

贸泽电子|2021物联网开发者冬季暖心周——从两化融合到未来工厂

时间:2021年12月29日 09:30        

简介: 以开发者的实际需求为核心出发点,EEPW的物联网开发者冬季暖心周以线上技术分享会的形式,为广大物联网开发者带来最新的技术开发实战指南,我们不仅有技术达人的现身说法,还有一线创业者的技术选型介绍。既有前沿发展动态和技术分享,又有实战开发的心路历程和创业路上的辛酸教训,只要是开发者想听的,开发者愿意听的,我们都将邀请最恰当的嘉宾来与开发者共分享。 以工业物联网为主题,重点关注工业物联网与智能工厂...

贸泽电子|2021物联网开发者冬季暖心周——AIOT开启美好智能生活

时间:2021年12月28日 13:30        

简介: 以开发者的实际需求为核心出发点,EEPW的物联网开发者冬季暖心周以线上技术分享会的形式,为广大物联网开发者带来最新的技术开发实战指南,我们不仅有技术达人的现身说法,还有一线创业者的技术选型介绍。既有前沿发展动态和技术分享,又有实战开发的心路历程和创业路上的辛酸教训,只要是开发者想听的,开发者愿意听的,我们都将邀请最恰当的嘉宾来与开发者共分享。 以消费物联网应用为主,突出智能家居与AIoT的融...

AI模型开发技术与OpenVINO优化策略第二部分教程八

时间:2021年12月24日 14:00        

简介: 在本次的课程中,高老师将为大家带来ML的创作技能——补值(Imputation) *从补值、插值到创作 *善用AE(Attoencoder)模型 *AE的学习和推论 *AE补值的原理 *AE补值的计算过程 *范例实现-1——AE也能拥有经验直觉 *范例实现-2——使用OpenCV的AI插值 *优化模型:使用OpenVINO优化器 *测试模型:使用OpenVINO推论引擎...

恩智浦新一代USB4、DP2.0、Thunderbolt3 和 PCIE Gen4线性中继调解驱动器 (Linear Redriver)

时间:2021年12月23日 10:00        

简介: 随着笔记本电脑和便携式设备上传输数据的速度越来越快,一些新的更高速度的接口标准已经在市场上公布且开始广泛地应用于热门的电子产品,例如USB4、Display Port 2.0和PCIE Gen 4等。 但是,当速度越高时,PCB走线的信号完整性下降得越快。 因此,需要良好的调节器设备来帮助我们日常使用的这些电子设备。本次课程将为大家着重介绍恩智浦新一代符合USB4、DP2.0、Thunderbol...

AI模型开发技术与OpenVINO优化策略第二部分教程七

时间:2021年12月17日 14:00        

简介: 本节课程中,高老师将为大家带来化解维度灾难——活用自编码器的课程 *认识维度灾难:以基因医学GWAS为例 *认识GWAS(全基因组关联分析) *认识SNP(单核苷酸多态) *GWAS新焦点:Epistasis *GWAS与机器学习 *活用SAE——堆栈自编码(Stacked Autoencoder) *范例实现-1——单层AE+分类器 *范例实现-2——Stacked AE+分类器...

装备高级系统功能的KHz至40MHz带宽SDR捷变收发器

时间:2021年12月16日 10:00        

简介: 我们介绍了通用可重编程的SDR收发器系列,该系列集成了一些高度可编程的先进系统级功能,如DPD、快速跳频、自动增益控制、可编程滤波器、动态省电、自主监控模式、RSSI和多芯片同步。无线电校准功能,如LO泄漏和QEC,可支持并提高性能水平、集成度、尺寸和省电性能,这些功能与无线电收发器IC一般不相关或者不常见。 ADI智库,海量中文技术资料、视频,还有大量首发的免费培训课程、直...

2022年智能车大赛AI视觉组培训第一弹

时间:2021年12月15日 14:00        

简介: 题目一:智能视觉模块与AI模型实现 1、恩智浦MCU介绍 2、智能视觉模块介绍 • OpenART模块介绍 3、模型训练、部署方法、调试方法 • 模型的获取与训练 • 模型部署 • 模型调试 4、影响模型实际精度的关键要素 • 数据集增广 • 环境干扰 • 模型输入数据预处理 题目二:2D 惯性导航与组...

AI模型开发技术与OpenVINO优化策略第二部分教程六

时间:2021年12月10日 10:00        

简介: 本节课程中,高老师将从以下几方面为大家带来自编码器(AE)的内容 *小而美的自编码器(AE) *复习分类器 *开始创作之旅——组合两个分类器 *组合成为深度学习模型 *设计出自编码器(Autoencoder) *AE的过滤和降维效果 *范例实现-1——简单AE *范例实现-2——多层AE *优化模型:使用OpenVINO优化器 *测试模型:使用OpenVINO推论引擎...