知覚は、世界中で収集され、トレーニング用にcloudに保存された画像でトレーニングされたAIネットワークによって実現されます。CPUとGPUに最適化された当社のソフトウェア・ライブラリは、これらのトレーニング・セットの圧縮を可能にし、特にADAS （先進運転支援システム）モデルを強化するように設計されています。初期データセットはアーカイブすることができ、圧縮されたデータセットは毎日使用されます。デコードはトレーニング中にリアルタイムで行われます。

• ストレージ・コストの削減： 画像の保存に必要なデータ量を5～10分の1に削減できるため、データウェアハウスの保存コストを大幅に削減できます。パブリックCloudの大容量データ保存は、急速にコストがかかりすぎ、完全に不合理になります。
  
• ADASモデルの継続的改善：コスト削減により予算の制約を克服し、ADASモデルの継続的な開発を可能にすることで、より精密で高品質なモデルを実現。

画像は世界中を走行する自動車によって記録されます。これらの車には、cloudに伝送する前に画像を保存するデータロガーが搭載されています。当社のFPGAまたはASIC用のIPコアハードウェアとソフトウェアライブラリは、保存された画像を圧縮するために使用できます。

• 費用対効果の高いストレージ：圧縮により、データロガーにより多くの画像を保存できるため、保存コストを大幅に削減できます。
• アップロード時間の短縮： 圧縮により、cloudへのアップロード時間が短縮され、全体的な効率が向上します。
• シームレスなデータ増加： cloudで再圧縮することなくトレーニングセットを増やすことができるため、データ管理プロセスが効率化されます。

時間の経過とともに、JPEG XS RAWは車載画像伝送のデファクトスタンダードとなり、当社の低消費電力ASICソリューションを使用してイメージセンサーに直接組み込むことができます。デコードは、当社のGPUライブラリおよび/または専用ハードウェアを使用して、ADASプラットフォーム上で直接実行できます。

• 消費電力の削減： セントラルプロセッサへのデータ伝送速度を下げることで、カメラモジュールに必要な電力が減少し、過熱の問題がなくなります。
• 画質の向上： ECUは物理インターフェイスの帯域幅に制限されなくなり、より高い解像度、フレームレート、あるいはイメージのビット深度、より高品位な感知に導くことが可能になります。