gopro hero 8 vs 9比較的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

動作辨識之三維梯度方向直方圖架構設計

為了解決gopro hero 8 vs 9比較的問題，作者莊秉翰 這樣論述：

隨著傳統數位影像處理越來越成熟，另一個影像處理領域關於教導機器以人類的方式去看周遭世界的事物變得越來越熱門，這個領域就叫做電腦視覺。我們在第一章節介紹許多電腦視覺的應用，一些較低階的應用如物件辨識和語意切割，這些應用可以去實現更高階的應用，例如：智慧監視器系統，自動駕駛汽車，機器人，其中我們發現動作辨識是許多應用的核心技術，如果搭配動作辨識功能，攝影機可以分辨出緊急事件的發生已通報當局，自動駕駛汽車可以知道行人的速度已決定要加速或停下來，還有許多應用需要擁有動作辨識的功能，所以我們想要提供一個動作辨識的硬體架構去解決動作辨識所遇到的問題，讓電腦視覺領域再向前邁進。我們瀏覽許多動作辨識相關的方

法並將其分成三類。在瀏覽的過程中，我們發現兩個指標能判斷動作辨識系統的好壞，首先是辨識動作的準確度，再來是系統的執行速度，大部分的動作辨識方法可以得到蠻好的準確度，但是需要花費相當長的時間以致於無法即時運算，即使是處理低解析度的影片也是如此，我們在第一章節和第二章節詳細說明這個概念，而這也是為什麼我們要將動作辨識時坐在ASIC的原因，我們的目標是高幀率特徵抽取引擎應用在穿戴式裝置上，相關規格在第二章做定義，相較於其他類似的作品，我們的規格是最高的。當我們比較過動作辨識中的特徵抽取方法後，我們決定採取HOG3D當作我們的特徵，但是原始的HOG3D演算法並不適合硬體實作，所以我們對不同參數做實驗以

及更改演算法以適合硬體實作，這些內容在第三章節，有了這些結果之後我們在第四章節提出硬體架構設計，主要的貢獻在於移除演算法中非線性運算的部分使得更多資料可以重複使用，另外，也採用了平行運算的技巧去達到即時運算，和運算資源共享以減少硬體面積。在第四章節最後，我們分析晶片上記憶體和系統頻寬的取捨，也比較我們所提出的四種硬體架構設計。