對于上班族來說，每天盯著屏幕幾個小時似乎很平凡，會產生一種疲倦或無聊的感覺。他們通過休息一下，走開，并在休息眼睛幾分鐘后回來來逃避。認為這會在軍事監視環境中飛行，人員必須不斷掃描圖像以識別潛在威脅或感興趣的人？絕對不是。

無論是否平凡，在軍事環境中管理數據都不是一項可以掉以輕心的工作。值得慶幸的是，計算技術已經接管了這項安全任務的繁重工作。然而，顯示器和電子設備的使用增加造成了一種獨特的情況，實際上可能會損害系統及時安全地執行所需數據計算的能力。

更好的圖像意味著更多的數據

從情境顯示到戰術顯示，用于軍事和國防應用的面板數量呈指數級增長。這相當于需要管理的數據和圖像更多。不僅如此，圖像質量的提高，轉化為更多的像素和更高的分辨率，導致這些系統需要處理更多的數據。

如何正確處理這些不斷增加的信息量并使其有效是整個軍事和國防應用中關鍵對象檢測、分類和威脅評估的重要考慮因素。

隨著數據需求的增長，有關嵌入式系統快速有效地處理信息，然后正確識別對象的能力的關鍵問題開始發揮作用：

物體通常被有意或無意地部分遮擋或遮擋在視覺成像中——系統如何“填補空白”以確保它能夠準確地對圖像進行分類并做出正確的威脅判斷？

霧、雨和不利照明（如黃昏或鏡頭泛光）等環境因素會影響圖像識別 – 系統如何應對這些不可避免的情況以確保正確配準圖像？

如果數據速度慢或質量低，敵方戰斗人員（或行人）可能會被錯誤地分類——系統如何自信地自動識別感興趣的人并推薦建議的行動？

努力平衡加工

當今的計算系統正在努力跟上需要處理的不斷增長的數據量，同時仍在圖像、威脅和分類之間建立準確的連接。

系統的核心是CPU，其內核在執行面向任務的功能的同時，以非常高的速率運行以處理圖像數據。應用程序和功能的不斷增加只會不斷增加 CPU 負載。本地緩存和主內存被推到極限，嵌入式系統中出現了一個關鍵的瓶頸。

這一現實意味著系統正在限制計算能力，并被迫使用較低分辨率的圖像以及較低幀速率的相機。設計人員沒有采用一流的電子設備，而是將傳感器簡化，縮減整個系統的功能，甚至縮小數據輸入，以跟上計算環境并避免系統過載。

這些不應該是妥協的領域，因為較低的圖像質量和每秒較少的幀數通常會導致物體的不準確識別和分類。使用質量更好的圖像可以輕松識別的威脅可能未被發現。這些限制意味著響應速度較慢，信息不實時。

我們需要妥協嗎？

圖形密集型游戲行業采用的GPU已被證明是減輕當今軍事系統高數據和圖像處理要求的一種不可或缺的方法。它們平衡系統需求并釋放 CPU 以執行操作功能，而不是處理通過系統的所有數據點。

盡管GPU已經存在了一段時間，但它們現在才在許多使用現代堅固嵌入式系統的實際軍事應用中獲得牽引力，尤其是在戰場上對實時態勢感知的需求不斷增長的情況下。為了理解為什么GPU最終被考慮用于軍事應用，讓我們考慮一下舊的顯示技術。

如果繪制了一條對角線并進行了像素化處理，系統會模糊該線以將其拉直，但這會占用大量的 CPU 時間。例如，圖像漸變和著色由 GPU 而不是系統的 CPU 處理。GPU 在后臺處理此處理，從而釋放 CPU 來處理操作任務并平衡整體系統負載。

加工功能的差異

CPU 的結構由幾個復雜的內核組成，并使用串行處理，而 GPU 使用并行處理和許多較小的內核（數百個），可以重新架構以同時處理多個數據元素。沒有瓶頸。

如果我們只使用CPU作為主要計算引擎，最終它會窒息。通過將應用程序的一些計算密集型部分推送到 GPU，而其余部分在 CPU 上運行，系統負載更加平衡。

因為它已經發展成為一個非常靈活和強大的處理器，GPU 能夠比 CPU 更快地處理某些進程，因為：

可編程性

精度（浮點運算）

性能 – 用于處理并行工作負載的多個較小內核

在計算機行業中，GPU 不僅用于圖形渲染，還用于游戲物理計算（碎片、煙霧、火焰和液體等物理效果）。該模型還用于加速使用數學算法的計算應用程序中的非圖形應用程序。

CUDA（計算統一設備架構）是由 NVIDIA 創建的并行計算平臺和應用程序編程接口 （API） 模型，用于解決復雜的計算問題。因此，CPU 和 GPU 協同工作的速度越快，計算性能就越好。

它使軟件開發人員能夠使用支持 CUDA 的 GPU 進行通用處理——這種方法稱為 GPGPU ［用于“通用圖形處理單元］。

這些用于軍事應用的堅固耐用的 GPGPU 系統將高功率性能比封裝到緊湊、堅固的外形中，在某些情況下，可提供高達 1 TFLOP 的處理能力，功耗僅為 7.5 W。一個例子：Aitech 的下一代 A176 結合了 NVIDIA 的 Jetson TX2 以及許多 I/O 選項和具有安全/快速擦除功能的內部 SATA SSD，適用于現場、飛行和移動軍事應用

深度學習和神經網絡

在軍事應用中使用 GPGPU 的演變采用深度學習的形式，CUDA 是其中不可或缺的一部分。具體來說，深度學習幫助嵌入式系統像大腦一樣運行，建立“神經”連接，將學習的推理應用于圖像識別和數據處理要求。系統做出的決策是基于隨著時間的推移而開發的學習行為，其中各種輸入已被優先考慮并輸入到系統中，就像神經元優先考慮輸入人腦的信息一樣。

從本質上講，系統可以自我適應，以邏輯步驟進行，這有助于提高對象識別和威脅檢測。

GPGPU為用戶提供了許多優勢，從處理增加的圖形輸出到作為DSP引擎運行，承擔圖像表征和識別的繁瑣任務。這種持續學習的過程為系統提供了可靠的輸出。系統認為：我們是否確定了朋友或敵人，需要采取哪些行動？

這種類型的處理像大腦一樣工作，在多層神經網絡方法中使用復雜的模式識別。它通過允許更容易地識別圖像來增強系統智能和效率，同時為圖像本身分配上下文以進行更深入的理解。

以汽車圖像為例：計算機處理它所理解的內容，然后向下解析信息并尋找已知的模式。

當它完成計算時，它會重新排列數據，然后根據重要性對每個屬性進行加權，以便它可以識別圖像，使用學習的決策來減少選項。系統中的每個節點查看多個輸入，并將其自己的輸出饋送到其他幾個節點：

1.汽車在地面上行駛，因此這不是飛機（上下文中的圖像）。

2.汽車有四個輪子，因此這不是摩托車或坦克（模式識別）。

3.汽車具有封閉結構，因此它不是卡車（辨別特定屬性）。

4.依此類推，直到系統識別車輛的品牌，型號甚至顏色。

關鍵：系統從 GPGPU 實現的卓越處理速度中獲得的學習智能。

認識到即將發生的事情

隨著軍事應用使用更多的顯示器，并且這些顯示器提供更多的數據，然后不斷輸入嵌入式系統，正確管理這些信息的需求只會增加。

當今的軍事服務要求堅固耐用的系統具有最高性能。多核 GPGPU 系統適合此模型，具有更高的數據處理能力、并行計算架構和更好地處理復雜計算，從而為更直觀的反饋提供更高的系統智能。

審核編輯：郭婷