nomachine設定的問題，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

輕量化頻域深度網路

為了解決nomachine設定的問題，作者吳柏逸 這樣論述：

較費時的影像處理常常嚴重影響到電腦視覺服務的即時性。近幾年隨著人工智慧物聯網 (AIoT) 的快速發展，結合邊緣計算與AIoT的攝影機 (以下簡稱邊緣攝影機) 已在物件偵測、物件辨識等應用領域獲得成功。雖然近年來已有研究透過深度神經網路進行即時影像辨識，但由於既有研究模型計算過於複雜，無法在資源有限的邊緣攝影機上即時完成任務。所以目前已經有頻域結合時域的深度網路模型來改善上述問題，但目前尚未有純頻域的輕量深度網路。因此，本研究提出「輕量化純頻域深度網路模型」，能夠於邊緣攝影機完成即時影像辨識運算並節省能源。本研究首先優化既有研究「頻域卷積層」以改善提取特徵時產生的偏差，並分別優化「頻域激勵函

式」來改善時域激勵函式對頻譜數值造成的準確度下降、「頻域池化層」來改善池化時造成的特徵遺失、「頻域Dropout」來改善不同影像產生數值浮動的問題、「計算域轉換方法」來改善因輸入影像尺寸增大造成模型計算次數度隨之增加的問題。更重要的是，本研究首度提出「頻域全連結層」，其更能表達頻譜資料的特徵分佈關係。實驗結果顯示，進行MNIST與CIFAR-10資料集推論時分別有最高99.74%與99.82%準確度，略勝既有頻域的結果。本研究與既有研究相比，在邊緣攝影機 (採NVIDIA Jetson TX2) 上能分別提升52.01%與52.00%每秒幀率。由以上可知，本研究於即時影像處理與辨識準確度皆擁有

絕對優勢。在資料空間處理上，進行上述兩種資料集推論時分別節省最多43.64%與40.00%記憶體使用量。在能源消耗方面，進行上述兩種資料集推論時能分別節省最多26.09%與25.56%每秒電力消耗。綜合上述可說明本研究提出的輕量化純頻域深度網路與過去研究相比更能獲得更佳的辨識度與效能表現。