-
公开(公告)号：CN110322509B
公开(公告)日：2021-11-12
申请号：CN201910559655.5
申请日：2019-06-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及深度学习领域和物体检测领域，本发明公开了基于层级类激活图的目标定位方法、系统及计算机设备，该方法构建了一个层级模型，在卷积层后面采用全局平均池化层或金字塔池化层来替代传统的全连接层，以避免在全连接层丢失图像结构信息。该方法在低层中的多个卷积层采集相应的特征信息，从而获得层级类激活图。本发明的层级类激活图不仅仅是从最后一层采集特征图，而是在低层中的多个卷积层中进行采集，从而减少低层图像信息的丢失，提高了图像定位能力。
-
公开(公告)号：CN111836284A
公开(公告)日：2020-10-27
申请号：CN202010651680.9
申请日：2020-07-08
Applicant: 重庆邮电大学
IPC: H04W24/02
Abstract: 本发明涉及移动边缘计算领域，是一种基于移动边缘计算的能耗优化计算、卸载方法和系统；所述计算方法包括利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；根据多准则决策方法TOPSIS，计算各自理想解与负理想解，从成本解集合中找到最接近理想解的最优解；将所述最优解代入到对应的成本模型中，确定出当前任务采用边缘设备或者中心设备进行卸载的最优的时间成本和能耗成本以及当前任务采用本地设备进行计算的最优的时间成本和能耗成本，本发明能够综合考虑了时间，能耗以及移动设备的移动性，保证了能耗计算以及任务卸载的效果。
-
Patent Agency Ranking
公开(公告)号：CN118779094A
公开(公告)日：2024-10-15
申请号：CN202410687454.4
申请日：2024-05-30
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于大数据计算框架下的双层协调负载均衡调度方法及系统，包括：计算集群负载的最大值和最小值，根据节点负载大小划分负载区域；判断并计算低负载区域和正常负载区域内所有节点的综合评价指标，得到TaskManager节点的调度优先级列表；遍历待调度的任务列表，选择需要分配资源的任务，选择调度优先级列表中优先级最高的节点，得到Slot的负载优先级列表，选择负载优先级列表中优先级最高的Slot放置任务；根据所选TaskManager节点在任务调度执行过程中的运行时数据更新所选TaskManager节点的负载信息；重复执行步骤S2‑S7对任务调度执行，本发明有效提升了Flink集群在异构云环境中任务调度执行时集群的负载均衡程度。
-
公开(公告)号：CN114494786A
公开(公告)日：2022-05-13
申请号：CN202210141309.7
申请日：2022-02-16
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/26 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及深度学习领域和图像分类领域，具体涉及一种基于多层协调卷积神经网络的细粒度图像分类方法。本发明实现了在细粒度图像分类任务上对关键区域定位并提取特征，利用图像多尺度裁剪和填充训练不同卷积层，从而融合浅层网络和深层网络特征，同时通过打乱局部区域破坏图片整体性，并通过位置编码记录原始位置，以减少打乱图片带来的噪声，较现有的分类方法，本发明所涉及的多层协调细粒度分类方法具有更高的准确度。
-
公开(公告)号：CN114064281A
公开(公告)日：2022-02-18
申请号：CN202111382902.2
申请日：2021-11-22
Applicant: 重庆邮电大学
IPC: G06F9/50
Abstract: 本发明属于大数据处理领域，具体涉及一种基于BFD‑VNS算法的低成本Spark执行器放置方法，包括构建集群环境下Spark作业的成本模型，以最小化Spark集群使用成本建立目标函数；采用降序最佳适应算法求出Spark执行器放置的可行解；将获得的可行解作为初始解，采用变邻域搜索算法进行深度优化，以求得最优的Spark执行器放置；根据求得的最优执行器放置进行执行器放置；本发明降低了整个集群的使用成本，改善了Spark原生放置策略存在的问题。
-
公开(公告)号：CN111522637A
公开(公告)日：2020-08-11
申请号：CN202010290723.5
申请日：2020-04-14
Applicant: 重庆邮电大学
Abstract: 本发明涉及大数据流处理领域，特别涉及一种基于成本效益的storm任务调度方法，包括基于Storm流处理框架，构建出基于流处理的成本效益模型；判断成本效益模型的数据库中是否有提交任务的成本信息，若有则获取该任务所需要的资源需求，若当前任务的资源需求超载，则调整worker阈值，并重新提交任务；否则根据数据库中的任务优先级序列表，以成本最小化的方式分配任务；若没有该任务的成本信息，则通过监控脚本和通信探针来获取对应的数据，通过成本效益的模型，来计算集群中各个节点的总成本信息，再将其写入到成本效益模型数据库；本发明将网络绑定作业的节点间通信最小化，从而提高了系统的性能以及系统集群的总成本效益。
-
公开(公告)号：CN110322509A
公开(公告)日：2019-10-11
申请号：CN201910559655.5
申请日：2019-06-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及深度学习领域和物体检测领域，本发明公开了基于层级类激活图的目标定位方法、系统及计算机设备，该方法构建了一个层级模型，在卷积层后面采用全局平均池化层或金字塔池化层来替代传统的全连接层，以避免在全连接层丢失图像结构信息。该方法在低层中的多个卷积层采集相应的特征信息，从而获得层级类激活图。本发明的层级类激活图不仅仅是从最后一层采集特征图，而是在低层中的多个卷积层中进行采集，从而减少低层图像信息的丢失，提高了图像定位能力。
-
-
-
-
-
-
Search Results
17
records
(took 0.07 seconds)
