-
公开(公告)号:CN109859281A
公开(公告)日:2019-06-07
申请号:CN201910073303.9
申请日:2019-01-25
Applicant: 杭州国芯科技股份有限公司
Abstract: 本发明涉及一种稀疏神经网络的压缩编码方法。本发明首先进行量化和预处理,根据稀疏程度选择压缩编码方法:稀疏度S≥ε2时,采用零游程和k阶指数哥伦布组合编码;稀疏度ε1<S<ε2时,采用k阶GX编码;稀疏度S≤ε1时,采用k阶指数哥伦布编码;ε1和ε2为设定阈值。k阶GX编码方法是:若预处理完成数据为0,直接编码为二进制形式的1,若大于0,以二进制形式表示,不足k位,高位补0,去掉该二进制比特序列的低k位后得到的序列转换为十进制数y;若高位补0后为k位,则y为0;计算y+1二进制形式的最低有效位数LSB,先输出LSB个0,然后输出y+1比特序列,将去掉的k位二进制序列放在输出的最低位之后,得到编码后码字。本发明利用了稀疏神经网络权重矩阵分布特性,具有更高的压缩率和更低的实现复杂度。
-
公开(公告)号:CN117596441A
公开(公告)日:2024-02-23
申请号:CN202311685863.2
申请日:2023-12-08
Applicant: 杭州国芯科技股份有限公司
IPC: H04N21/439 , H04N21/44 , H04N21/434 , H04N21/4385 , H04N21/643
Abstract: 本发明公开了数字电视广播系统传输流多通路可复用的解复用架构。本发明整体结构分为三部分,各部分之间通过内存进行数据交互,包括:多个pid过滤单元、一个解复用处理器单元和一个配置存储和加载单元。每个pid过滤单元的子结构包括:同步模块、一级pid过滤模块和传输流写出模块。解复用处理器单元的子结构包括:传输流读回模块、二级pid过滤模块、解密模块、协议解复用模块和数据写出模块。配置存储和加载单元实现触发和退出切换状态。本发明解决了更多路可选节目的应用问题,避免了DVB系统中可能出现的瞬时高码率导致的系统奔溃问题。本发明实现了一套协议解复用处理单元处理N路信号,大大降低了整个设计的面积。
-
公开(公告)号:CN112837223B
公开(公告)日:2023-08-29
申请号:CN202110117699.X
申请日:2021-01-28
Applicant: 杭州国芯科技股份有限公司
Abstract: 本发明公开了一种基于重叠子区域的超大图像配准拼接方法。现有方法难以对超大图进行像拼接等处理。本发明方法首先读取参考超大图像和待匹配图像,构建图像金字塔,再从图像金字塔层中获取合适尺寸的降采样子图进行特征提取并完成匹配,解算出参考超大图像和待匹配图像的重叠区域;然后将重叠区域划分为多个子区域,统计得到特征数量最多的子区域,再次进行特征提取和匹配;最后根据子区域的匹配参数解算出参考超大图像和待匹配图像间的配准参数。本发明方法能够确保配准精度不降低的情况下,有效提高计算速度。
-
公开(公告)号:CN115633145A
公开(公告)日:2023-01-20
申请号:CN202211402681.5
申请日:2022-11-09
Applicant: 杭州国芯科技股份有限公司
Abstract: 本发明公开了基于循环Unet网络的视频去隔行及超分的方法。本发明方法是基于循环Unet神经网络的多帧输入多帧输出自适应视频去隔行,每次输入当前相邻两帧数据,以及前一次预测的两场去隔行预测数据,将上述数据输入到Unet神经网络中,输出当前次预测的两场去隔行数据,及结合输入数据恢复的去隔行数据。若输入为标清数据,输出要求高清数据,则将去隔行数据输入到SRnet(超分辨率恢复网络)中,输出高清的去隔行数据。若无需数据转换要求,则直接输出去隔行数据。本发明的循环Unet神经网络具有强大的视频去隔行复原能力,无需场景判断能够自适应的处理不同场景的隔行数据,获得理想的去隔行效果。
-
公开(公告)号:CN112837223A
公开(公告)日:2021-05-25
申请号:CN202110117699.X
申请日:2021-01-28
Applicant: 杭州国芯科技股份有限公司
Abstract: 本发明公开了一种基于重叠子区域的超大图像配准拼接方法。现有方法难以对超大图进行像拼接等处理。本发明方法首先读取参考超大图像和待匹配图像,构建图像金字塔,再从图像金字塔层中获取合适尺寸的降采样子图进行特征提取并完成匹配,解算出参考超大图像和待匹配图像的重叠区域;然后将重叠区域划分为多个子区域,统计得到特征数量最多的子区域,再次进行特征提取和匹配;最后根据子区域的匹配参数解算出参考超大图像和待匹配图像间的配准参数。本发明方法能够确保配准精度不降低的情况下,有效提高计算速度。
-
公开(公告)号:CN112465125A
公开(公告)日:2021-03-09
申请号:CN202011504963.7
申请日:2020-12-18
Applicant: 杭州国芯科技股份有限公司
Abstract: 本发明公开了一种基于数据高位稀疏性的神经网络量化训练方法。本发明方法首先将数据分为高位数据和低位数据两段,低位数据训练时施加正则化,高位数据不参与训练;若低位数据训练时发生进位或者退位,更新高位数据;训练完毕后检查高位数据是否更新,若更新则继续训练,否则,判断低位数据是否大于阈值:若低位数据大于阈值,继续训练;否则,令低位数据等于0。将最终的高位数据和低位数据合并为新数据,并且锁死,在神经网络训练时不再更新;等待神经网络其他权重训练完毕,最后输出数据。本发明方法在线性量化或者其他简单量化的基础上,对其他量化得到的数据进行进一步量化,使得数据稀疏性更强,有利于硬件计算和存储,同时保证网络性能。
-
公开(公告)号:CN112463078A
公开(公告)日:2021-03-09
申请号:CN202011495066.4
申请日:2020-12-17
Applicant: 杭州国芯科技股份有限公司
Abstract: 本发明公开了神经网络量化存储方法。本发明方法首先取得神经网络需要量化的数据,然后对数据进行高低位分割,判断判断高位数据是否等于零:如果为零,则舍去高位数据,仅保留低位数据;如果不为零,则舍去低位数据,仅保留高位数据。如果是无符号数据,在保留数据的头部或尾部添加标志位,将保留数据和标志位进行存储;如果是有符号数据,在保留高位的头部或尾部添加标志位,并在整体数据段前添加符号位,将符号位、标志位和保留数据进行存储。利用该方法存储神经网络数据,表示数据的比特位长度有效缩短,利于嵌入式设备存储,计算和部署,在相同数据位长的情况下相比于线性量化神经网络的预测精度更高。
-
公开(公告)号:CN117278836A
公开(公告)日:2023-12-22
申请号:CN202311217220.5
申请日:2023-09-20
Applicant: 杭州国芯科技股份有限公司
IPC: H04N23/611 , G06V10/82 , G06V40/16 , G06V40/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于多目标检测的摄像头自适应调整方法。本方法对输入的视频帧,利用轻量级的多目标检测模型,对视频帧中的人形、人脸、palm手势和ok手势进行检测,并根据检测结果进行自适应判别,通过判别结果对摄像头继续调整。首先构建轻量级多目标神经网络检测模型,视频帧归一化后输入到多目标检测网络模型中,模型预测信息划分集合,得到多目标检测网络模型输出的检测结果,自适应判别模块输出判别指令,调整摄像头,使目标处于摄像头画面中间位置。本发明方法无需保留前一帧的信息,仅依靠模型对当前帧的检测结果,即可对摄像头做出调整。本发明具有检测灵敏度高,使用便捷的优点。可广泛应用于直播,户外拍照、监控等场景。
-
公开(公告)号:CN116128046A
公开(公告)日:2023-05-16
申请号:CN202310400435.4
申请日:2023-04-14
Applicant: 杭州国芯科技股份有限公司
IPC: G06N3/082
Abstract: 本发明公开了嵌入式设备的多输入神经网络模型串行块的存储方法。本发明方法提出了一种多输入神经网络模型结构,该结构要求神经网络模型按照数据更新频率的不同分为多个串行块,每个串行块包含一层或多层神经网络。通过遍历所有存储情况,并进行多输入神经网络模型的运行,测量和记录每种存储情况的功耗和运行时间数据,选取功耗最低,并满足运行时间要求的存储方案,作为最终串行块部署方案。本发明通过对网络模型结构的优化,以及对应此结构的部署优化,降低该神经网络部署在端侧嵌入式设备上的算力需求,运行功耗要求。从而使得嵌入式设备可以部署更大规模的多输入神经网络模型,以提升模型的可配置性和泛化能力。
-
公开(公告)号:CN113727176B
公开(公告)日:2023-05-16
申请号:CN202111003875.3
申请日:2021-08-30
Applicant: 杭州国芯科技股份有限公司
IPC: H04N21/435 , H04N21/488
Abstract: 本发明公开了一种视频运动字幕检测方法。目前的视频图像处理技术往往针对所有像素采取一样的图像处理手段,而不会对运动字幕区域采取单独的处理方式。本发明方法首先输入连续两帧视频逐行序列,然后提取运动像素区域,再提取运动字幕区域,优化、展宽运动字幕区域后,输出运动字幕区域。本发明方法利用输入两帧逐行图像序列的差值,选取运动像素区域,进而从中选取运动字幕区域,可以有效提取视频中的运动字幕区域,从而可以对运动字幕进行单独的图像处理,达到改善运动字幕显示效果的目的。
-
-
-
-
-
-
-
-
-