Az általunk érzékelt ingerek jelentős százaléka (több mint 90) vizuális információ.Logikus tehát, hogy a mesterséges intelligencia kutatásában nagyjelentőséget tulajdonítunk a gépi látásnak. Napjainkban a kamerák képeseknagy tér és időbeli felbontással adatokat rögzíteni, azonban a központi kérdésmég mindig az adat feldolgozása. A nyers adat semmivel sem ér többet,mint egy véletlenszerű bitfolyam: a lényeg az ebből kinyert információ.Számos kritikus esetben szükség van az információ valós idejű s azonnalifeldolgozására.

Néhány gyors folyamatban, mint amilyen például a közlekedés, fontos, hogya másodperc törtésze alatt tudjunk adott eseményeket detektálni. Egy ilyendetekció, még, ha nem is 100%-ig pontos, többet ér, ha időben működik azesetek nagy százalékában, mintha két másodperccel később ismer fel mindeneseményt pontosan.

Alacsony fogyasztású, sokprocesszoros eszközökkel lehetőség nyílik óriásiadatok gyors feldolgozásásra, olyan módon, hogy közben a fogyasztás alacsonymarad, így ez akár beágyazott rendeszerként működhet egy autóban.Azonban ezen architektúrákra teljesen más szemléletre és algoritmusokravan szükség, melyek képesek csupán a lokális információ alapján döntésekethozni, objektumokat detektálni, anélkül, hogy a kép minden pixelét feldolgozzák.

Dolgozatomban egy ilyen algoritmus tervezésének lépéseit, s a módszer alkalmazhatóságátvizsgálom egy olyan összetett probléma esetén, mint amozgókamerás járműdetekció. Az elkészült algoritmust egy több mint 400pozitív és több mint 1000 negatív mintát tartalmazó, általam készített képadatbázison teszteltem, amin több mint 89%-os találati arányt ért el.