-
公开(公告)号：CN116319326B
公开(公告)日：2025-03-14
申请号：CN202211640577.X
申请日：2022-12-20
Applicant: 中南大学
IPC: H04L41/084 , H04L41/0803 , H04L41/0816
Abstract: 本发明公开一种面向流式加载模式的设备部署方法及系统，该方法步骤包括：对目标终端网络中每个节点部署元操作系统以用于实现流式加载模式，由元操作系统提供操作系统与软件运行环境，以及利用系统镜像模式提供所需的使用场景；在使用过程中，通过元操作系统将用户对目标终端网络中任何一台终端设备的更改编辑操作，以增量镜像的数据流形式分发到目标终端网络中其他终端节点上并进行镜像融合，实现各台终端设备配置在整个网络的上的同步更新和部署。本发明能够基于流式加载模式实现批量终端的快速、高效部署，大大降低实现复杂度、提高部署效率以及便捷性，同时减少硬件资源开销。
-
公开(公告)号：CN119383326A
公开(公告)日：2025-01-28
申请号：CN202411414814.X
申请日：2024-10-11
Applicant: 中南大学
IPC: H04N13/128 , H04N13/156 , G06T7/593 , G06N3/0464
Abstract: 本发明公开一种融合ToF和立体匹配的移动设备深度感知方法及装置，该方法步骤包括：构建多模态融合网络模型，多模态融合网络模型包括依次连接的TM模块、SM模块以及深度融合模块，TM模块根据ToF深度图、法线图提取出ToF低阶特征以及高阶特征，SM模块根据代价体积以及视差图提取出立体匹配低阶特征以及高阶特征，并使用高阶特征指示深度误差，由深度融合模块将检测结果进行融合；使用最终掩码标签以及深度误差指示标签对模型进行训练；获取被测设备的ToF深度图、法线图以及代价体积、视差图，输入至训练后的模型中，得到深度感知检测结果。本发明能够充分融合ToF与立体匹配检测，提高深度感知的精度、效率以及实时性。
-
公开(公告)号：CN118585317A
公开(公告)日：2024-09-03
申请号：CN202410632846.0
申请日：2024-05-21
Applicant: 中南大学 , 上海传英信息技术有限公司
Abstract: 本发明涉及一种面向移动设备异构核心的变换网络任务分配方法及装置，方法包括将变换神经网络的矩阵乘法算子划分为第一维度、第二维度、第三维度三个并行维度；在三个并行维度将变换神经网络矩阵乘法算子进行切分，并将切分后的矩阵乘法算子分别分配给CPU和GPU计算，再将计算结果进行拼接、求和。本方法具备有效降低处理延时的优点。
-
公开(公告)号：CN112748998B
公开(公告)日：2023-10-03
申请号：CN202110081461.6
申请日：2021-01-21
Applicant: 中南大学
IPC: G06F9/48 , G06F9/50 , G06T1/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种移动端的卷积神经网络任务调度方法及系统，方法包括：S1.针对计算任务，从预设的配置方案集合中选择满足预设条件的配置方案，配置方案包括CPU核心频率、GPU核心频率、最低网络延迟切分比率、和当前配置参数下的最低网络延迟；S2.将计算任务的卷积层输入张量按照最低网络延迟切分比率进行切分，切分得到CPU输入张量和GPU输入张量；S3.以CPU输入张量作为CPU卷积神经网络的输入，计算得到CPU输出张量；以GPU输入张量作为GPU卷积神经网络的输入，计算得到GPU输出张量，根据CPU输出张量和GPU输出张量得到卷积神经网络的输出张量。具有有效降低移动端卷积神经网络延迟等优点。
-
公开(公告)号：CN115509624B
公开(公告)日：2023-04-28
申请号：CN202211311844.9
申请日：2022-10-25
Applicant: 中南大学
IPC: G06F9/4401 , G06F9/455
Abstract: 本发明提出一种面向流式加载的镜像融合方法及系统，方法包括以下步骤：获取流式加载的数据包直到得到完整子镜像，解析子镜像得到块分配表和子镜像的系统元数据；根据块分配表的表项得到系统元数据中对应负荷块的状态，根据负荷块的状态确定系统元数据中对应扇区位图块的状态；根据负荷块的状态确定第一目标负荷块，根据扇区位图块的状态，确定对应第二目标负荷块中待融合扇区；将数据块与父镜像对应融合：将子镜像的第一目标负荷块融合到父镜像对应负荷块中的对应区域，将子镜像的第二目标负荷块中待融合扇区融合到父镜像对应负荷块中的对应扇区。本发明为流式加载系统更新提供了兼容性好且无虚拟化开销的镜像融合技术作为底层实现。
-
Patent Agency Ranking
公开(公告)号：CN112860402A
公开(公告)日：2021-05-28
申请号：CN202110192645.X
申请日：2021-02-20
Applicant: 中南大学
Abstract: 本发明公开了一种深度学习推理服务的动态批处理任务调度方法及系统，方法包括：以二维马尔可夫过程描述每个批次离开时刻的队列等任务数和离开批次的大小，确定所述二维马尔可夫过程的稳态概率，根据所述稳态概率确定深度学习推理服务系统中的平均服务延迟；构建优化模型来优化批处理任务大小的上限与所述平均服务延迟和内存使用量，求解优化模型确定批处理任务的批次大小上限。本发明具有符合动态环境，具有较好的平均服务延迟和内存占用量等优点。
-
公开(公告)号：CN112748998A
公开(公告)日：2021-05-04
申请号：CN202110081461.6
申请日：2021-01-21
Applicant: 中南大学
Abstract: 本发明公开了一种移动端的卷积神经网络任务调度方法及系统，方法包括：S1.针对计算任务，从预设的配置方案集合中选择满足预设条件的配置方案，配置方案包括CPU核心频率、GPU核心频率、最低网络延迟切分比率、和当前配置参数下的最低网络延迟；S2.将计算任务的卷积层输入张量按照最低网络延迟切分比率进行切分，切分得到CPU输入张量和GPU输入张量；S3.以CPU输入张量作为CPU卷积神经网络的输入，计算得到CPU输出张量；以GPU输入张量作为GPU卷积神经网络的输入，计算得到GPU输出张量，根据CPU输出张量和GPU输出张量得到卷积神经网络的输出张量。具有有效降低移动端卷积神经网络延迟等优点。
-
公开(公告)号：CN107682880B
公开(公告)日：2020-01-10
申请号：CN201710822256.4
申请日：2017-09-13
Applicant: 中南大学
Abstract: 本发明公开了一种云无线接入网络的资源分配方法，构建混合能量管理计算模型、数据请求控制计算模型和功率与信道分配计算模型，获取网络当前时隙的状态参数，分别通过混合能量管理计算模型、数据请求控制计算模型和功率与信道分配计算模型计算更新网络状态；混合能量管理计算模型用于根据当前时隙的能量状态计算的能量获取量和能量购买量；数据请求控制计算模型更新数据队列长度，并计算数据请求量和网络效用；功率与信道分配计算模型用于根据当前时隙的数据队列长度、能量状态、信道参数计算功率分配值，并根据功率分配值进行信道分配。具有更加稳定，性能更好的优点。
-
公开(公告)号：CN110312272A
公开(公告)日：2019-10-08
申请号：CN201910666423.X
申请日：2019-07-23
Applicant: 中南大学
Abstract: 本发明公开了一种网络服务块资源分配方法及存储介质，方法包括：在目标时隙到达之前，根据预设的服务块预加载分析模型预测所述目标时隙内需要加载的服务块，并将所述服务块预加载至终端；所述服务块预加载分析模型通过求解使得各服务块在预加载和直接加载两种状态下的延迟和能耗差之和最小化函数来确定需要预加载的服务块。具有可优化服务块分配，使资源提供更为灵活等优点。
-
公开(公告)号：CN108334831A
公开(公告)日：2018-07-27
申请号：CN201810077213.2
申请日：2018-01-26
Applicant: 中南大学
Abstract: 本发明公开了一种监测图像处理方法、监测终端及系统，方法包括：S1.获取图像，通过预设的RoI提取模型将所述图像提取为RoI区域和非RoI区域；S2.对所述RoI区域以预设的第一压缩率进行压缩，对所述非RoI区域以预设的第二压缩率进行压缩，所述第一压缩率小于所述第二压缩率；S3.将压缩后的所述RoI区域和非RoI区域发送给外部设备进行图像识别。本发明具有可大大降低数据传输量，网络要求低，极大的降低网络成本，提高图像检测的效率，响应速度快，检测精度高等优点。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.03 seconds)
