ベロダイン、自動運転車の基幹部品ライダー新製品を低価格化
自律自動車向けのライダー・センサー生産最大手のベロダインは、従来の機械式から半導体制御で照射する向きを制御できる低価格な新方式の製品を発表した。ただし、価格以外にも重要な要素がある。 今まさに誕生しつつある自律自動車産業は、ややパニック状態にある。レーザー・センサーはほとんどの自動運転車が周囲を把握するのに欠かせない部品だが、現在、供給量が足りない状態なのだ。もちろん、需要が多く供給が足りない状態は、センサー・メーカーには好都合だ。そしてつい先日、レーザー・センサーメーカー最大手のベロダインが、従来に比べてはるかに安価なセンサーを発表した。 自動運転車の多くは、ライダー（レーザー光線を照射し、反射によって周囲をスキャンするセンサー）で、物理的な空間をマッピングしている。だがMIT Technology Reviewが最近記事にしたとおり、自律自動車の開発ブームによって、以前はニッチ分野にい
複数の物体検出とマルチアレイ・スキャンを実現する最新のToF測距センサを発表
・オートフォーカスや人体検出などに幅広く使われている低消費電力のFlightSense(TM)センサ ・最新のVL53L1が、ToF測距センサとして過去最高の性能を実現し、アプリケーションと操作性の新たな可能性を拡大 ・Mobile World Congress（2017年2月27日～3月2日、ブース : Hall 7A61）にデモを展示 多種多様な電子機器に半導体を提供する世界的半導体メーカーのSTマイクロエレクトロニクス（NYSE：STM、以下ST）は、業界をリードするFlightSense(TM)技術を採用した第3世代のToF（Time-of-Flight）測距センサを発表しました。VL53L1は、STが新たに特許を取得したシリコン・レベルおよびモジュール・レベルのアーキテクチャを採用すると共に、光学レンズを初めて搭載しています。これらの技術の組み合わせは、性能を向上させ、さまざまな
複数の物体検出とマルチアレイ・スキャンに対応——FlightSense技術を採用したToF測距センサ「VL53L1」｜fabcross
STマイクロエレクトロニクス（以下、ST）は、同社のFlightSense技術を採用したToF（Time-of-Flight）測距センサ「VL53L1」を発表した。 同製品は、新たに特許を取得したシリコン・レベルおよびモジュール・レベルのアーキテクチャを採用。光学レンズの搭載により性能を高め、さまざまな新機能を拡充している。 4.9×2.5×1.56mmのセンサ・モジュールの中に、レンズ・システム、940nm VCSEL（垂直共振器面発光レーザー）不可視光光源、プロセッサ・コア、SPAD（単一光子アバランシェ・ダイオード）光子検出器を統合。光学レンズの追加により、光子検出率が増加し、モジュールの測距性能を向上させている。 わずか5msで距離を測定するため、高速動作するアプリケーションに適している。スマートフォンのオートフォーカスに使用する場合、従来品の2倍の速度で物体を検知できるという。最
Why normalize images by subtracting dataset's image mean, instead of the current image mean in deep learning? - Cross Validated
There are some variations on how to normalize the images but most seem to use these two methods: Subtract the mean per channel calculated over all images (e.g. VGG_ILSVRC_16_layers) Subtract by pixel/channel calculated over all images (e.g. CNN_S, also see Caffe's reference network) The natural approach would in my mind to normalize each image. An image taken in broad daylight will cause more neur
Implementing a Neural Network from Scratch in Python
All the code is also available as an Jupyter notebook on Github. In this post we will implement a simple 3-layer neural network from scratch. We won’t derive all the math that’s required, but I will try to give an intuitive explanation of what we are doing. I will also point to resources for you read up on the details. Here I’m assuming that you are familiar with basic Calculus and Machine Learnin
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
