高密度分布式ARM通用计算集群
1.通用架构，ARM计算单元，标准的软件开发环境
2.绿色节能，处理同样并发数能耗下降20倍以上
3.容器架构，计算任务在容器间调度比较容易
4.微服务接口，容器和微服务天生的一对，应用加载更方便
5.规模接入，计算单元在一台服务器中高密度部署，支持不同规模的灵活接入和部署
在摄像头视野里面，如果突然出现检测对象，系统可迅速调集计算资源，弹性计算才是王道，分布式计算资源可动态适应计算需求，综合计算能力强。
对抗性神经网络原理
一个GAN框架，最少（但不限于）拥有两个组成部分，一个是生成模型G，一个是判别模型D。
在训练过程中，会把生成模型生成的样本和真实样本随机地传送一张给实样本随机地传送给一张给判别模型D。判别模型D的目标是尽可能正确地识别真实样本（输出为“真“，或者1），和尽可能正确地揪出生成的样本，也就是假样本（输出为“假”，或者0）。而生成模型的目标和判别模型相反，就是尽可能最小化生成判别模型揪出它的概率。
这样G和D就组成了一个可递归的对抗训练模型，在训练过程中双方都不断优化自己，直到达到平衡——双方都无法变的更好，也就是假样本与真样本完全不可区分。
传统的AI学习采用人工标注方式，识别一只猫需要标注几万张以上的图片。
IN-Edge系统采用对抗性神经网络自动学习模式，只需要少量真实照片，即可驱动AI顺利获得GAN网络自动学习，生成训练模型，节省了大量人力和时间。
IN-Edge分布式AI系统基于人脸聚类识别与人形聚类识别技术，顺利获得信息同步算法，最终让机器认出人物。
点击播放-动作监控
顺利获得IN-Edge分布式AI系统，可以根据车辆停放情况智能识别车位，方便城市管理者进行空车位引导、违章停车管理等功能。
IN-Edge分布式AI系统顺利获得远红外温度检测和视觉识别能24小时监视烟雾和火焰的发生，特别适用于室内的火灾早期场景检测，比如烟雾报警器更灵感。
比如KTV或者餐厅等的室内场景，有正常热源，也有不正常热源，AI能自动辨别，把不正常的热源（例如禁烟区吸烟）转化成火灾隐患，自动报警。
