-
公开(公告)号：CN112085746A
公开(公告)日：2020-12-15
申请号：CN202010937140.7
申请日：2020-09-08
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种基于增强特征表示的图像分割方法，包括如下步骤：S1、以卷积神经网络作为骨干网络，将待分割图像输入到卷积神经网络以获得初次分割结果，输出特征图；S2、利用全局平均池化捕获所述特征图的类别整体特征；S3、重建像素特征，将其用于分类获得最终的分割图像。本发明通过捕获各类别的整体特征，将其作用于各类别内像素点，进而增强像素特征表示，提高类内像素点的相似度和类间像素点的判别性，从而提高图像分割的准确性。
-
公开(公告)号：CN109842888B
公开(公告)日：2020-12-04
申请号：CN201711213950.2
申请日：2017-11-28
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种水下传感网的水声信道质量动态评估和预测方法，包括：初始化步骤水下传感网节点接收初始数据包，以获得邻居节点的标识、剩余能耗及信噪比均值方差并建立包括邻居节点的标识、剩余能耗及信噪比均值和方差的向量表；主动发包步骤，进入主动发包状态的节点根据其邻居信道质量评估值，确认下一跳的转发节点，将该转发节点的标识加入数据包，并广播该评估数据包；被动接收步骤，处于被动接收状态的节点接收到该数据包后，更新向量表，并通过比对标识，判断自身是否为该转发节点。本发明通过计算与邻居节点的信噪比协方差等统计参数，将算法扩展为多跳信道质量评估算法，便于从找到信道质量最优的全局路由。
-
公开(公告)号：CN111770152A
公开(公告)日：2020-10-13
申请号：CN202010588987.9
申请日：2020-06-24
Applicant: 中国科学院计算技术研究所
IPC: H04L29/08
Abstract: 本发明实施例提供了一种边缘数据管理方法、介质、边缘服务器和系统，该系统中，各边缘服务器各自确定其存储的各副本的最优存储位置，边缘服务器以副本所属的数据表格对应的协同网络内的所有边缘服务器以及该协同网络外访问过该副本的边缘服务器组成的局部边缘服务网络作为副本迁移的计算范围，基于累计时延计算其中每个边缘服务器访问该副本的访问权重，其中，最大访问权重对应的边缘服务器为该副本在局部边缘服务网络中的最优存储位置，将每个副本存储到其对应的最优存储位置，进而有效降低用户数据访问时延；同时，该方法计算复杂度低，可减少对边缘服务器的宝贵计算资源的占用，提高用户体验。
-
公开(公告)号：CN111461322A
公开(公告)日：2020-07-28
申请号：CN202010174807.2
申请日：2020-03-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种深度神经网络模型压缩方法，包括如下步骤：1)通过标准神经网络训练流程完成对复杂模型的训练，获得原始模型；2)按照下述公式之一利用结构化剪枝和非结构化剪枝对所述原始模型进行剪枝：{(s，st，u，ut)*(n-1)，(s，st，u)}或者{(u，ut，s，st)*(n-1)，(u，ut，s)}；其中，s：结构化剪枝；st：结构化剪枝重训练；u：非结构化剪枝；ut：非结构化剪枝重训练；(s，st，u，ut)*(n-1)表示将(s，st，u，ut)按照所述顺序重复n-1次，(u，ut，s，st)*(n-1)表示将(u，ut，s，st)按照所述顺序重复n-1次，其中n大于等于1；3)对步骤2)经过剪枝获得的模型进行训练。
-
公开(公告)号：CN109831264B
公开(公告)日：2020-07-24
申请号：CN201810121137.0
申请日：2018-02-07
Applicant: 中国科学院计算技术研究所
IPC: H04B17/373 , H04B17/336 , H04B13/02 , H04W40/10 , H04W40/12 , H04W40/22 , H04W84/18
Abstract: 本发明涉及一种基于最近邻居回归的时序水声信道质量预测方法，包括：初始化步骤水下传感网节点接收初始数据包，以获得邻居节点的标识、剩余能耗及信噪比值并建立包括邻居节点的标识、剩余能耗及信噪值的信道质量矩阵；主动发包步骤，进入主动发包状态的节点采用基于最近邻居回归的时序水声信道质量评估算法，获取其邻居信道质量评估值，并根据该评估值，确认下一跳的转发节点，将该转发节点的标识加入数据包，并广播该评估数据包；被动接收步骤，处于被动接收状态的节点接收到该数据包后，更新该信道质量矩阵，并通过比对标识，判断自身是否为该转发节点。
-
Patent Agency Ranking
公开(公告)号：CN111340179A
公开(公告)日：2020-06-26
申请号：CN202010012122.8
申请日：2020-01-07
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种卷积神经网络拓扑方法，利用已训练参数经验对神经网络结构进行拓扑，包括：获取待拓扑的卷积神经网络，对其训练多次，验证并记录其在图像测试集上的准确率；对训练后的卷积神经网络进行一次或多次拓扑得到待拓扑卷积神经网络对应的复杂卷积神经网络，其中，第一次拓扑是从预设的拓扑方式中随机选择一种方式对待拓扑的卷积神经网络进行拓扑操作，从第二次拓扑开始的每次拓扑是从预设的拓扑方式中随机选择一种方式对上一次拓扑后的卷积神经网络进行拓扑操作。本发明适用于图像分类数据集上任何卷积神经网络的结构拓扑，本发明的实现的最终效果是神经网络是功能保持的，尽管网络复杂度有所提升，但是对于同样的输入网络具有同样的输出。
-
公开(公告)号：CN111291280A
公开(公告)日：2020-06-16
申请号：CN202010160198.5
申请日：2020-03-10
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9537 , G06F16/29
Abstract: 本发明实施例提供了一种大规模移动对象的轨迹快速预测方法、介质和设备，本发明通过轨迹压缩来减缓数据量大的压力，采用柔和的奖惩措施，即匹配成功后将对应的两个相邻历史规律点的高斯概率的均值作为相似度奖励来避免奖惩措施过于尖锐，从而提高轨迹预测准确性，并且本发明在获取到与压缩后的当前轨迹相似度最高的压缩后的历史规律轨迹后，还通过插值补全法来实现在不降低轨迹预测准确性的情况下提高实时性。
-
公开(公告)号：CN110807514A
公开(公告)日：2020-02-18
申请号：CN201911022069.3
申请日：2019-10-25
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种基于L0正则的神经网络剪枝方法，通过加入L0正则项进行神经网络训练，实现了神经网络训练过程和剪枝过程的半耦合，训练过程中加入L0正则化惩罚，就可以在训练的过程中隐式地将剪枝的过程融入进去。通过加入L0正则项训练得到的神经模型在剪枝步骤中性能损失更小，能有效对抗参数量骤降对结果的影响程度；在经过剪枝之后重训练之后，模型精度可以获得大比例提升，而且重训练过程的时间开销极小，几轮迭代后便收敛到较好的精度水平。
-
公开(公告)号：CN110708185A
公开(公告)日：2020-01-17
申请号：CN201910826850.X
申请日：2019-09-03
Applicant: 中国科学院计算技术研究所
IPC: H04L12/24 , H04L12/741 , H04L12/935 , H04L29/06 , G06F13/42
Abstract: 本发明提出一种用于人工智能处理器的数据互联方法、系统、芯片和装置，包括通过串联多个PCIe Switch构成PCIe互联拓扑树，PCIe互联拓扑树中第一个PCIe Switch的上游端口与通用处理器相连，每个人工智能处理器均与PCIe互联拓扑树中一个PCIe Switch的下游端口相连；通过PCIe桥将第一传感器连接至PCIe互联拓扑树中任一PCIe Switch的下游端口；搭建PCIe-SRIO桥接模块，以实现SRIO协议和PCIe协议之间的转换，并将PCIe-SRIO桥接模块的PCIe端口连接至PCIe互联拓扑树中任一PCIe Switch的下游端口；通过互联多个SRIO交换机构成SRIO互联拓扑树，将PCIe-SRIO桥接模块的SRIO端口连接到SRIO交换机上，以建立SRIO互联拓扑树与PCIe互联拓扑树的互联通路；通过SRIO桥将第二传感器连接至SRIO互联拓扑树中任一SRIO交换机的空闲端口。
-
公开(公告)号：CN110225481A
公开(公告)日：2019-09-10
申请号：CN201910505590.6
申请日：2019-06-12
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种车载自组织网络中车辆的使用者的注册、认证及更新方法，其中，车辆的使用者的注册方法包括：接收车辆以及所述车辆的使用者的相关信息并且核对所述相关信息的真实性，若所述相关信息不真实，则结束注册；若所述相关信息真实，则向所述车辆的信息设备发送用于认证所述车辆的使用者和登陆所述车辆的干预防护设备的参数组以进行保存，以及向所述车辆的干预防护设备发送用于认证所述车辆的信息设备和更新所述车辆的使用者的参数组以进行保存。本发明利用了人的生物特征，并且结合车辆的信息设备实现对车辆的使用者的认证，安全性较高；另外，支持车载自组织网络中一辆车具有多个使用者的情况，在实际的应用中灵活方便。
-
-
-
-
-
-
-
-
-
Search Results
202
records
(took 0.066 seconds)
