-
公开(公告)号：CN101305423B
公开(公告)日：2013-06-05
申请号：CN200680041592.5
申请日：2006-11-08
Applicant: 三星电子株式会社
IPC: G11B20/10
Abstract: 自适应的基于时间/频率的音频编码和解码设备和方法。所述编码设备包括：变换与模式确定单元，将输入音频信号划分成多个频域信号，并为各个频域信号选择基于时间的编码模式或基于频率的编码模式；编码单元，以各个编码模式对每个频域信号进行编码；比特流输出单元，为每个编码的频域信号输出编码的数据、划分信息和编码模式信息。在所述设备和方法中，声学特性和语音模型被同时应用于作为音频压缩处理单位的帧。结果，可产生对音乐和语音均有效的压缩方法，并且该压缩方法可用于要求低比特率的音频压缩的移动终端。
-
公开(公告)号：CN102456349A
公开(公告)日：2012-05-16
申请号：CN201210011549.1
申请日：2007-06-04
Applicant: 三星电子株式会社
CPC classification number: G10L19/0208 , G10L21/038
Abstract: 提供一种执行带宽扩展编码和解码的方法和设备，其中，使用时域或频域中编码的低频信号的激励信号或者使用低频信号的激励频谱对高频信号编码或解码。因此，尽管使用少量比特对音频信号编码或解码，但是没有降低与高频带中的信号相应的声音的质量。因此，可以最大化编码效率。
-
公开(公告)号：CN101083076B
公开(公告)日：2012-03-14
申请号：CN200710108928.1
申请日：2007-06-04
Applicant: 三星电子株式会社
CPC classification number: G10L19/0208 , G10L21/038
Abstract: 提供一种执行带宽扩展编码和解码的方法和设备，其中，使用时域或频域中编码的低频信号的激励信号或者使用低频信号的激励频谱对高频信号编码或解码。因此，尽管使用少量比特对音频信号编码或解码，但是没有降低与高频带中的信号相应的声音的质量。因此，可以最大化编码效率。
-
公开(公告)号：CN100568741C
公开(公告)日：2009-12-09
申请号：CN200680002144.4
申请日：2006-01-12
Applicant: 三星电子株式会社
IPC: H03M7/30
Abstract: 一种可分级音频数据算术解码的方法、介质和设备和一种截去音频数据比特流的方法、介质和设备。对可分级算术编码的码元进行解码的算术解码的方法可包括：通过使用期望被解码的码元和码元的概率对码元进行算术解码；和通过检查指示将被解码的码元的解码是否完成的歧义来确定是否继续解码。根据本发明的方法、介质和设备，当在MPEG-4可分级无损音频编码中执行算术解码时，应用可分级的数据可被进行有效的解码。即使当截去比特流时，也可知道解码终止点，从而可执行截去部分的附加解码。
-
公开(公告)号：CN101305423A
公开(公告)日：2008-11-12
申请号：CN200680041592.5
申请日：2006-11-08
Applicant: 三星电子株式会社
IPC: G11B20/10
Abstract: 自适应的基于时间/频率的音频编码和解码设备和方法。所述编码设备包括：变换与模式确定单元，将输入音频信号划分成多个频域信号，并为各个频域信号选择基于时间的编码模式或基于频率的编码模式；编码单元，以各个编码模式对每个频域信号进行编码；比特流输出单元，为每个编码的频域信号输出编码的数据、划分信息和编码模式信息。在所述设备和方法中，声学特性和语音模型被同时应用于作为音频压缩处理单位的帧。结果，可产生对音乐和语音均有效的压缩方法，并且该压缩方法可用于要求低比特率的音频压缩的移动终端。
-
Patent Agency Ranking
-
公开(公告)号：CN111340177B
公开(公告)日：2025-02-18
申请号：CN201910778533.5
申请日：2019-08-22
Applicant: 三星电子株式会社
Abstract: 公开基于嵌套位表示的神经网络处理方法和设备。所述方法包括：确定神经网络的第一层的位宽；通过从与神经网络的第一层对应的源模型的第一层的第一权重中的每个提取与确定的位宽对应的至少一个位，获得神经网络的第一层的第二权重；以及通过基于获得的第二权重执行神经网络的第一层来处理神经网络的第一层的输入数据。
-
公开(公告)号：CN117574988A
公开(公告)日：2024-02-20
申请号：CN202311443379.9
申请日：2023-11-01
Applicant: 三星(中国)半导体有限公司 , 三星电子株式会社
IPC: G06N3/084 , G06N3/0464 , G06N3/0499 , G06N3/063 , G06N3/048
Abstract: 提供了一种神经网络的量化位宽学习方法，包括：对神经网络中的变换器的量化区间和离散器的量化位宽进行初始化，其中，神经网络的卷积层和/或全连接层包括量化模块，量化模块包括变换器和离散器；基于初始化的量化区间和量化位宽，保持神经网络的权重不变来对神经网络的离散器的量化位宽进行训练直至损失函数收敛为止，其中，损失函数指示不包括量化模块的神经网络的权重和激活与包括量化模块的神经网络的权重和激活之间的分布距离；获得采用训练后的量化位宽的神经网络。
-
公开(公告)号：CN107665364B
公开(公告)日：2023-09-22
申请号：CN201710629393.6
申请日：2017-07-28
Applicant: 三星电子株式会社
IPC: G06N3/0464 , G06N3/063 , G06N3/084
Abstract: 一种神经网络方法和设备。所述神经网络设备包括：处理器，被配置为：通过应用神经网络的相邻层中的相邻节点之间的用于解释应用于神经网络的输入数据的轻量化的加权连接，产生神经网络，其中，神经网络具有包括多个节点的多个层，其中，所述多个层中的至少一个层的轻量化的加权连接包括针对绝对值小于非零值的绝对值的各个非零值具有等于零的值的加权连接。轻量化加权连接还包括具有绝对值不大于另一非零值的绝对值的值的加权连接，轻量化的加权连接是绝对最大值大于所述另一非零值的绝对值的训练的神经网络的训练的最终加权连接的轻量化的加权连接。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.028 seconds)
