为实现超高清视频，Xilinx率先引入完整HDMI2.1系统-实现8K UHD超高清视频支持赛灵思器件，打造新一代视频采集、视频显示、视频处理和机器学习。
如何利用可编程逻辑实现数据中心互连 DCI互连盒架构解读-随着实施基于云的服务和机器到机器通信所产生的数据呈指数级增长，数据中心面临重重挑战。如何使可编程逻辑实现数据中心互连至关重要。
赛灵思FPGA卷积神经网络，云中的机器学习- 人工智能正在经历一场变革，这要得益于机器学习的快速进步。在机器学习领域，人们正对一类名为“深度学习”算法产生浓厚的兴趣，因为这类算法具有出色的大数据集性能。在深度学习中，机器可以在监督或不受监督的方式下从大量数据中学习一项任务。大规模监督式学习已经在图像识别和语音识别等任务中取得巨大成功。
Deloitte称：FPGA、ASIC有望在机器学习领域中实现崛起-在2016年初，机器学习仍被视为科学实验，但目前则已开始被广泛应用于数据探勘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、语音和手写识别、战略游戏与机器人等应用领域。在这短短一年的时间内，机器学习的成长速度超乎外界预期。 DeloitteGlobal最新的预测报告指出，在2018年，大中型企业将更加看重机器学习在行业中的应用。
视觉导向的机器人和无人机可编程SoC设计-视觉导向的机器人和无人机因此不仅需要强大的处理能力，还需要有能力进行功耗优化，提供面向未来且具有可扩展性的解决方案。
关于机器学习中的FPGA与SoC应用浅析- 这些新设备有两个主要市场。机器学习中的神经网络将数据分为两个主要阶段：训练和推理，并且在每个阶段中使用不同的芯片。虽然神经网络本身通常驻留在训练阶段的数据中心中，但它可能具有用于推理阶段的边缘组件。现在的问题是什么类型的芯片以及哪种配置能够产生最快、最高效的深度学习。
工业机器视觉在其他领域的应用-工业机器视觉是一项综合技术，其中包括数字图像处理技术、机械工程技术、控制技术、电光源照 明技术，光学成像技术、传感器技术、模拟与数字视频技术、计算机软硬件技术、人机接口技术等。这些技术在机器视觉中是并列关系，相互协调应用才能构成一个成功的工业机器视觉应用系统。
SDSoC开发环境给开发机器视觉系统提供的优势-开发机器视觉系统通常需要大量的时间来设计能执行所有重要图像采集及处理功能的电子产品。通常需要两年多的时间，这会给摄像机及系统制造商的上市进程与产品规划带来不利影响。
机器视觉和智能图像处理技术之间的关系-机器视觉（Machine Vision）是人工智能领域中发展迅速的一个重要分支，目前正处于不断突破、走向成熟的阶段。一般认为机器视觉“是通过光学装置和非接触传感器自动地接受和处理一个真实场景的图像，通过分析图像获得所需信息或用于控制机器运动的装置”，可以看出智能图像处理技术在机器视觉中占有举足轻重的位置。
