产品 电信nb接口调用_移芯通信成最大赢家!中国电信NB-IOT模组江苏集采结果公示...

7b7ed125029309b5329906594bc8085b.png

4月9日,中国电信天翼电信终端有限公司江苏分公司公示了“2020年NB-IoT物联网模组集中采购项目”候选人名单。自2月天翼电信发布采购比选公告以来,超过20家NB-IoT企业群雄逐鹿,最终标包二100万片的订单分落到5家厂商。

值得注意的是,上海移芯通信科技有限公司(简称“移芯通信”)成为“大赢家”!在中标企业中有3家模组商采用移芯通信的NB-IoT 芯片EC616,分别是:

· 上海移远通信技术股份有限公司

· 广东九联科技股份有限公司

· 北京华弘集成电路设计有限责任公司

在标包二订单中共占60%的份额,移芯通信成为名副其实的市场赢家!

b64c804ecbc13d8ad2e1ebdd549f1b8f.png
(图片截自中国电信阳光采购网)

这也表明,移芯通信EC616芯片凭借超高集成度、超低功耗、极优的通信性能、高稳定性获得知名模组公司的认可,迄今,移芯通信已经与国内前15大模组厂商建立了战略合作关系

据了解,EC616不仅集成度远超竞品,大幅节约了外围器件成本,而且EC616集成了移芯通信自研的具有业界领先水平的低压CMOS PA,支持2.2V-4.5V的宽电压,节省了升压或降压器件。

EC616不但PSM耗流低至0.8uA,而且Idle(DRX 2.56S)电流低至0.11mA,支持APT和DCDC_PA,做到内置CMOS PA在中大功率发射时电流低于竞品。

此外,EC616已大批量出货,通过和模组合作伙伴的一起努力,产品已稳定运行在国内各区域和各行业应用中,经受了长时间实网环境的严苛考验!

截至2020年2月底,国内三大运营商NB-IoT连接数突破1亿。随着产业链不断完善,以及应用场景的不断拓展,NB-IoT将迎来加速发展。显然,在万物互联的5G时代,移芯通信已为NB-IoT爆发态势做好了充足准备。拿下上述标包二60%的市场份额只是获得市场认可的一小步,移芯通信将持续推出更具市场竞争力的创新蜂窝物联网芯片,为客户创造更多价值!

4be72bb6ebb1fd88e966ab368002d299.gif

本文仅供交流学习之用。如有任何疑问,敬请与我们联系info@gsi24.com。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生阶段,主要用于生潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值