-
公开(公告)号：CN108230287B
公开(公告)日：2020-07-07
申请号：CN201611190048.9
申请日：2016-12-21
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团公司
IPC: G06T7/00
Abstract: 本发明提供了一种眼前节图像的晶体区域的检测方法及装置，该方法包括：获取眼前节图像，并去除所述眼前节图像中的皮肤区域，获得第一图像；采用预先训练的眼前节图像的皮肤反光模型，去除所述第一图像中的皮肤反光区域，获得第二图像；采用预先训练的主动形状模型对所述第二图像进行晶体检测，获得晶体区域。因此，本发明的方案，通过去除眼前节图像中的皮肤区域和皮肤反光区域，从而避免利用主动形状模型对眼前节图像进行晶体检测时，陷入极小值，进而使得用于进行晶体检测的眼前节图像不再局限于只包括晶体部分。
-
公开(公告)号：CN108143409A
公开(公告)日：2018-06-12
申请号：CN201611109883.5
申请日：2016-12-06
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团公司
IPC: A61B5/0476 , A61B5/0488 , A61B5/0496 , A61B5/00
CPC classification number: A61B5/0476 , A61B5/0488 , A61B5/0496 , A61B5/4812 , A61B5/7203 , A61B5/725 , A61B5/7267
Abstract: 本发明实施例公开了一种睡眠阶段分期方法及装置，所述方法包括：采集状态信号，其中，所述状态信号至少包括：脑电信号及眼电信号；对所述状态信号进行时域幅值滤波，去除时域干扰，并对所述状态信号进行频域小波滤波，去除频域干扰；利用亨杰斯Hjorth参数确定所述脑电信号的时域特征；对所述脑电信号进行时频变换，获得所述睡眠信号的时频域特征；确定所述脑电信号的复杂度；提取所述眼电信号的频率变化信息；结合所述时域特征、所述时频域特征、所述复杂度及所述频率变化信息，确定当前所在的睡眠阶段；将从多个维度提取状态信号的特征，从而增加了判断的精确性，同时相对于现有技术还具有计算复杂度低的特点。
-
公开(公告)号：CN107887032A
公开(公告)日：2018-04-06
申请号：CN201610857248.9
申请日：2016-09-27
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团公司
CPC classification number: G06K9/6271
Abstract: 本发明公开了一种数据处理方法，包括：实时从导联睡眠装置中获取第一导联监测数据；所述第一导联监测数据包含至少一类导联数据；针对第一导联监测数据的每类导联数据，利用聚类算法，确定对应导联数据中的无效数据，得到第二导联检测数据；利用各类导联数据的关联关系，从第二导联监测数据中确定各类导联数据中存在冲突的无效数据，得到第三导联监测数据；输出第三导联监测数据；所述第三导联监测数据为有效数据。本发明同时还公开了一种数据处理装置。
-
公开(公告)号：CN114640669B
公开(公告)日：2024-11-12
申请号：CN202011380254.2
申请日：2020-11-30
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供了一种边缘计算方法及装置，属于人工智能和边缘计算技术领域。边缘计算方法，由边缘设备执行，包括：获取任务的数据；利用通用网络模型和所述任务的配置信息对所述任务的数据进行特征提取；将提取的特征数据和所述任务的配置信息发送至云端设备；接收所述云端设备返回的针对所述任务的数据的预测结果。本发明的技术方案能够实现端‑云协同完成任务的处理。
-
公开(公告)号：CN118798322A
公开(公告)日：2024-10-18
申请号：CN202410804767.3
申请日：2024-06-20
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06N3/098 , G06N3/045 , G06N3/0464 , G06N3/063
Abstract: 本实施例公开了一种模型部署方法、装置、设备、存储介质和程序产品，该方法包括：基于第一约束规则，生成n个卷积神经网络CNN模型结构，第一约束规则为关于CNN模型结构的模型层数的约束规则，第一约束规则是根据存算一体芯片中阵列的尺寸信息和CNN模型结构的输入数据的通道数确定的，n为大于或等于1的整数，CNN模型结构包括多个卷积层；针对n个CNN模型结构进行级联训练，得到n个训练完成的CNN模型；针对n个训练完成的CNN模型中的每个CNN模型进行重参数化处理，得到单层模型，单层模型中卷积层的数量为1；将每个CNN模型对应的单层模型、以及每个CNN模型对应的单层模型的参数部署在存算一体芯片中。
-
Patent Agency Ranking
公开(公告)号：CN118798260A
公开(公告)日：2024-10-18
申请号：CN202410009322.6
申请日：2024-01-02
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06N3/0455 , G06N3/0495 , G06N3/0499 , G06N3/08 , G06N3/063 , G06F17/14 , G06F17/16
Abstract: 本发明提供了一种用于存算一体芯片的建模方法、装置、电子设备及介质，涉及半导体技术领域。其中，所述方法包括：构建包括傅里叶层的第一神经网络模型，所述傅里叶层用于对待计算输入数据进行傅里叶变换；根据所述待计算输入数据，对所述第一神经网络模型进行训练，获得目标神经网络模型；将所述目标神经网络模型部署至存算一体芯片中。本发明的方案，构建适配存算一体芯片的目标神经网络模型，充分发挥存算一体芯片强算力及高能效的特性。
-
公开(公告)号：CN116910291A
公开(公告)日：2023-10-20
申请号：CN202310682960.X
申请日：2023-06-09
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供了一种图片检索方法及图片检索装置，属于人工智能技术领域。图片检索方法，包括：基于存算一体阵列对待搜索图片进行SIFT特征提取，得到第一SIFT特征向量集合，所述第一SIFT特征向量集合包括所述待搜索图片的至少一个第一特征向量；将所述第一特征向量集合与存储在第一存算一体阵列中的多个样本图片的第二特征向量进行匹配；若所述多个样本图片中存在与所述第一特征向量集合的匹配度大于预设第一阈值的目标样本图片，确定所述目标样本图片为与所述待搜索图片匹配的图片。本发明的技术方案可以提升图片检索速度，降低图片检索能耗。
-
公开(公告)号：CN116909721A
公开(公告)日：2023-10-20
申请号：CN202211522680.4
申请日：2022-11-30
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06F9/50
Abstract: 本发明提供了一种算力任务调度方法及装置、计算机可读存储介质，属于算力网络技术领域。算力任务调度方法，应用于第一设备，包括：获取并广播待调度的算力任务的任务需求，所述任务需求至少包括所述算力任务的存储需求和计算需求；若在预设时间内接收到计算设备返回的闲置资源信息，根据所述闲置资源信息确定完成所述算力任务的目标计算设备，所述闲置资源信息包括所述计算设备的存储资源的信息和计算能力的信息；将所述算力任务发送给所述目标计算设备；接收所述目标计算设备返回的所述算力任务的计算结果。本发明的技术方案能够使得端侧的闲置资源得到合理有效的使用。
-
公开(公告)号：CN115841131A
公开(公告)日：2023-03-24
申请号：CN202111110669.2
申请日：2021-09-18
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本申请公开了一种模型分发方法、装置及电子设备，涉及通信技术领域，以解决现有通用模型分发机制易导致终端设备宕机，影响实际业务体验问题。该方法包括：云服务器接收终端设备发送的请求信息，其中，所述请求信息包括需求模型信息和使用场景信息；所述云服务器从通用模型集合中确定与所述需求模型信息匹配的目标通用模型；所述云服务器根据所述使用场景信息，对所述目标通用模型进行适应性调整，得到调整后的目标适配模型；所述云服务器向所述终端设备发送所述目标适配模型。本申请实施例可保证下发的目标适配模型能够较好地适配终端设备的实际需求场景，进而可避免终端设备宕机，保障实际业务体验。
-
公开(公告)号：CN111401102B
公开(公告)日：2023-11-14
申请号：CN201910000456.0
申请日：2019-01-02
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06V10/774 , G06V40/18 , G06V20/70 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T7/00 , G06T7/12 , G06T7/136 , G06T7/155 , G06T7/187
Abstract: 本发明实施例提供一种深度学习模型训练方法及装置、电子设备及存储介质。所述方法包括：利用第一深度学习模型对第一训练数据进行标注，获得第一标注结果；基于所述第一标注结果，获得各条所述第一训练数据的第一特征数据；获取所述第一特征数据的第二标注结果；基于所述第一特征数据和所述第二标注结果组成的第一训练集，训练第二深度学习模型。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.055 seconds)
