AI activiteiten in de edge of in de cloud?

Vorige keer hebben we het gehad over het belang van edge computing voor AI activiteiten in een IoT omgeving. Ondanks de belangrijke rol die edge computing nu speelt, staat cloud computing met al zijn voordelen zeker niet op het punt om te verdwijnen. Wat we graag willen is the best of both worlds benutten. De vraag is daarom: Welke AI activiteiten willen we naar de edge verplaatsen en welke houden we in de cloud?

Snelheid en interconnectiviteit met AI in de edge

Naarmate de hoeveelheid IoT edge apparaten in de markt toeneemt, is het behandelen van de data van al deze apparaten niet langer geschikt voor centrale server architecturen. Als AI in de edge plaatsvindt levert dat voordelen op door de interconnectiviteit en snelheid die daarmee ontstaan.

4 manieren waarop AI de ouderenzorg zal revolutionaliseren

Wereldwijd neemt het aantal ouderen sneller toe dan iedere andere leeftijdsgroep. Binnen iets meer dan dertig jaar zal bijna een op de vier mensen zestig jaar of ouder zijn; het dubbele van vandaag de dag. Het zal een uitdaging zijn voor de ouderenzorg om om te gaan met deze groeiende vraag. Dit is waar kunstmatige intelligentie (AI) om de hoek komt kijken.

2D en 3D datasets voor Human Pose Estimation

Om met behulp van kunstmatige intelligentie iets zinnigs te zeggen over de poses van mensen in beelden, moeten de algoritmen getraind worden aan de hand van datasets. Hierbij een korte introductie van een aantal veelgebruikte datasets voor 2D en 3D Human Pose Estimation.

Deep learning methode voor Human Pose Estimation: Regional Multi-Person Pose Estimation

Zoals we in de afgelopen twee posts hebben besproken is Human Pose Estimation een grote uitdaging voor computervisie. Het herkennen van de pose van meerdere personen in real-life is namelijk een stuk complexer dan het herkennen van de pose van een enkel persoon in een afbeelding. Ondanks het feit dat state-of-the-art human detectors goede resultaten hebben geleverd, zijn kleine fouten wat betreft lokalisatie en herkenning onvermijdelijk. Deze fouten kunnen resulteren in mislukkingen voor een Single-Person Pose Estimator (SPPE). Deze keer bespreken we daarom een derde deep learning methode voor Human Pose Estimation, namelijk een Regional Multi-Person Pose Estimation (RMPE) methode.