在NVIDIA®J金宝appetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。本例使用预先训练的深度卷积神经网络，对网络摄像头中的图像进行实时分类，ResNet-50．本例中的金宝appSimulink模型使用了用于NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包中的摄像机和显示块，从网络摄像机捕捉实时视频流，金宝app并将预测结果显示在连接到Jetson平台的监视器上。

为Simulink®模型生成CUDA®代码，该模型可金宝app以检测和输出图像上的车道标记边界。本例以RGB图像作为输入，使用imresize(图像处理工具箱),rgb2gray，ordfilt2(图像处理工具箱),脚腕(图像处理工具箱),houghpeaks(图像处理工具箱)和houghlines(图像处理工具箱)函数，是图像处理工具箱™的一部分，用于检测车道标记。这个例子与使用oughlines函数(GPU编码器)在GPU上的车道检测密切相关。

雾校正算法的典型实现。本例使用conv2，im2gray,imhist(图像处理工具箱)函数。这个例子紧跟雾校正(GPU编码器)的例子。本示例演示了以下概念:GPU环境验证。

演示如何使用强大的信号处理技术和卷积神经网络一起对心电信号进行分类。我们还将展示如何从Simulink®模型生成CUDA®代码。金宝app这个例子使用预先训练的CNN网络利用小波分析和深度学习对时间序列进行分类小波工具箱™的例子，以分类心电信号的图像从CWT的时间序列数据。有关培训的信息，请参见使用小波分析和深度学习对时间序列进行分类(小波工具箱)。

从Simulink®模型开发一个CUDA®应用程序，使用卷积神经网络(金宝appCNN)执行车道和车辆检测。本例以交通视频的帧作为输入，输出两个车道边界，分别对应自我车辆的左右车道，并检测帧内的车辆。本例使用预先训练的车道检测网络基于GPU编码器的车道检测优化GPU编码器工具箱™的示例。有关更多信息，请参见使用GPU编码器优化的车道检测(GPU编码器)。本例还使用了预先训练的车辆检测网络使用YOLO v2进行对象检测计算机视觉工具箱的示例™。有关更多信息，请参见使用YOLO v2深度学习的对象检测(计算机视觉工具箱)。

生成和部署CUDA®可执行程序，使用连续小波变换(CWT)和预训练卷积神经网络(CNN)提取的特征对人类心电图(ECG)信号进行分类。

在NVIDIA®J金宝appetson板上部署Simulink®模型，用于音频数据中的关键字识别。此示例标识关键字(是的)在输入音频数据中使用Mel频率倒谱系数(MFCC)和预先训练的双向长短期记忆(BiLSTM)网络。