intel hd graphics fa的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

應用邊緣運算與深度學習的智慧自走車之實現與應用

為了解決intel hd graphics fa的問題，作者陳煒凱 這樣論述：

現在的人工智慧的模型大多執行在桌上型電腦甚至伺服器級的電腦上，通常都會在雲端上執行，如果地端設備數量龐大，蒐集的資料量跟著變大，對伺服器是個很大的負擔，這時候如果把一些運算分攤到地端設備上，可以更快速的運算完畢並提供更即時的服務。AI運算因為使用大量的神經元以及隱藏層，需要大量的運算核心來做運算，而Nvidia推出的Jetson Nano開發版則配備了一張GPU搭載128個CUDA核心，有效的解決傳統地端設備使用CPU作AI運算時效能不足的問題。本論文將AI模型部署至低功耗（5V2A）的開發版上，只需使用行動電源就可以驅動Nvidia Jetson Nano，控制驅動模組操控自走車，並將車前

攝影機所拍攝到的影像輸入至Deep Q Network進行訓練並作決策。透過Deep Q Network的off-policy及experience replay的機制，讓神經網路更有效地打斷資料與資料間的相關性，也讓DQN的學習更有效率，最後自走車從足球對抗中學會如何獲得高分。

基於預測方法之視差圖估計

為了解決intel hd graphics fa的問題，作者王建祐 這樣論述：

隨著自動化的發展，深度感知顯得格外重要，在實現自主操作中是一項不可或缺的技術，其中以感測器為主的感知方式又容易受外在環境影響，因此立體視覺(stereo vision)的技術逐漸受到重視，其使用兩相機模擬雙目的方式來獲取深度資訊，並對光源有一定抵抗能力。 在實現上，分為硬體與軟體兩種，硬體的運算速度快，但精確度不如軟體上的表現，而隨著科技的推進，處理器的運算速度越來越快，如數位訊號處理器（digital signal processor，DSP）或是圖形處理單元（graphics processing unit，GPU）等，能夠慢慢拉近運算時間上的差距，本論文以軟體為主要實現方式，並以預測

法提升其效能，來獲取精確且快速的視差圖。 在演算法上，選擇區域演算法，其比全域演算法更具有運算速度上的優勢，並搭配統計調查變換(Census Transfrom)與適應性支援權重ADSW(Adaptive Support Weight)來提升精確度，確保精確度能夠不亞於全域演算法。而預測法能夠減少運算範圍來提升速度，不過要以預測正確為前提，所以使用USM(unsharp masking)反銳化濾波器來提升物體輪廓，不僅能增加預測正確率，也使得後續運算精確度提高。 本論文以OpenCV軟體工具來實現整體演算法，並搭配Middlebury網站的錯誤率評估，能夠達到平均錯誤率在7.4%，並以In

tel(R) Core(TM) i7-7700 CPU @ 3.60GHz處理器來實現，相較於其他文獻能夠將運算速度提升50%以上。