-
公开(公告)号：CN103345698A
公开(公告)日：2013-10-09
申请号：CN201310287555.4
申请日：2013-07-09
Applicant: 焦点科技股份有限公司 , 东南大学
IPC: G06Q30/02
Abstract: 本发明公开了一种电子商务环境下基于云计算处理模式的个性化推荐方法，主要解决现有个性化推荐方法在处理海量数据时面临的推荐效率低和推荐精度差等问题。本发明分为离线和在线两个部分：离线部分运用云计算技术的Hadoop框架并行处理历史数据信息，利用分布式文件系统HDFS存储海量数据信息，并根据MapReduce编程模型实现4种适用于电子商务的不同业务阶段的并行化推荐方法。在线部分通过设置轻量级数据库存储用户行为日志，设计动态的数据采集机制实时读取离线部分处理所得数据，并提供web展示和信息统计服务向用户提供实时推荐信息。本发明在处理电子商务应用产生的海量数据时具有显著优势。
-
公开(公告)号：CN103345514A
公开(公告)日：2013-10-09
申请号：CN201310287554.X
申请日：2013-07-09
Applicant: 焦点科技股份有限公司 , 东南大学
Abstract: 本发明公开了一种大数据环境下的流式数据处理方法，主要涉及MapReduce计算模型的改进，具体包括：数据的本地化无冗余存放与处理机制，让每个计算节点只存储与处理对应区间内的数据；以流水线的方式调度Map和Reduce相关线程以加快处理速度；中间结果的内存存放机制，用以保证数据本地化与流水线的有效实施，提供高速、便捷的内存访问模式。通过以上三个模块，保证在大数据环境下，对数据流进行处理的可靠性与高效性，满足实际应用中数据处理的需求。
-
公开(公告)号：CN102739785A
公开(公告)日：2012-10-17
申请号：CN201210205574.3
申请日：2012-06-20
Applicant: 东南大学
Abstract: 本发明公开了一种基于网络带宽估计的云计算任务调度方法，本发明平台分为数据中心、机架、计算节点三级，并由管理节点统一管理，计算节点负责执行任务和采集可用带宽信息；当执行任务时，计算节点从本地硬盘或通过网络读取输入数据，当任务完成后，计算节点向管理节点请求新的任务；管理节点负责管理可用带宽信息和调度任务，在管理可用带宽信息时，管理节点收集计算节点的带宽数据，指定不同机架内的两台计算节点执行可用带宽估计程序，并统计可用带宽信息；当计算节点请求任务时，管理节点结合机架内网络带宽、机架间可用带宽、数据中心负载，做出任务调度决策。
-
公开(公告)号：CN102394934A
公开(公告)日：2012-03-28
申请号：CN201110349179.8
申请日：2011-11-08
Applicant: 东南大学
Abstract: 本发明涉及服务计算领域，提出了一种基于效益折扣和议题关联的Web服务双边协商模型,引入讨价还价模型中的折扣率，提出协商参与者效益的计算方法，动态描述了协商参与者的得益情况；利用讨价还价模型改进传统协商中的协商协议和协商过程，综合时间代价、对手提议、协商管理者MA建议这几个方面计算和实现协商策略；引入协商管理者参与协商过程，从全局协调和监管协商流程；提出了协商议题关联度的概念，将大部分协商议题转化为简单的易于实现的线性求解方式，降低多维协商的维数和协商复杂度，同时采用联合协商方式求解有关联的协商议题，保证了协商结果的准确度。
-
公开(公告)号：CN112784968B
公开(公告)日：2024-12-03
申请号：CN202110134151.6
申请日：2021-01-29
Applicant: 东南大学
Abstract: 本发明提供一种加速深度神经网络分布式训练的混合流水线并行方法，主要解决传统GPU集群分布式训练过程中资源利用不充分，无法实现高效分布式训练的问题。本发明的核心机制主要包含三个部分，分别是深度学习模型刻画、模型混合划分与混合流水线并行划分。本发明首先针对深度学习应用在GPU训练过程中的资源需求，刻画出其训练过程中计算量、中间结果通信数量、参数同步量等相应指标，并将其作为模型混合划分与任务放置的输入。然后根据模型刻画结果和GPU集群的环境，设计两个基于动态规划的划分算法，实现模型混合划分与混合流水线并行划分，目的是最小化划分之后各阶段任务执行时间的最大值，以确保负载均衡，实现深度神经网络的高效分布式训练。
-
Patent Agency Ranking
公开(公告)号：CN118968385A
公开(公告)日：2024-11-15
申请号：CN202411138995.8
申请日：2024-08-19
Applicant: 东南大学
IPC: G06V20/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明提供了一种用于小样本学习的长序列动作识别方法，旨在解决传统基于Transformer的方法在处理长序列时面临的高计算复杂度问题，同时改进局部特征建模和时序对齐的能力，并缓解类内差异积累对模型性能的负面影响。本发明主要包括三个核心部分：特征提取模块、Mamba分支模块和对比学习模块。针对传统Mamba方法在小样本动作识别中的局限性，本发明提出了一种多尺度的Matryoshka Mamba模型。该模型通过内模块增强局部特征的表达能力，并通过外模块实现局部特征的精确对齐。此外，本发明还提出了一种混合对比学习方法，用以有效缓解同类别长序列的类内差异积累对小样本动作识别性能的负面影响。本发明在提升小样本学习效率的同时，显著提高了长序列动作识别的准确性和鲁棒性。
-
公开(公告)号：CN114661466B
公开(公告)日：2024-07-12
申请号：CN202210275145.7
申请日：2022-03-21
Applicant: 东南大学
Abstract: 本发明公开了一种用于边缘计算环境中面向智能工作流应用的任务卸载方法，首先针对边缘系统构建边缘环境模型，并将每个终端需要执行的工作流刻画成有向无环图(DAG)；然后对终端需要执行的智能工作流任务构建任务卸载模型，根据基于拓扑排序的平均执行时间计算方法将DAG序列化；之后根据终端的优化目标定义最大化用户体验(QoE)问题，其中用户体验由任务执行延时以及执行智能任务所使用的模型精度决定。最后基于多智能体强化学习对DAG任务卸载的优化问题进行求解，并将网络的输出结果作为DAG中子任务的卸载决策。本发明考虑了终端卸载的理性决策以及多终端之间的资源竞争，很大程度地提升终端执行智能工作流任务的用户体验。
-
公开(公告)号：CN118115649A
公开(公告)日：2024-05-31
申请号：CN202410096435.4
申请日：2024-01-24
Applicant: 东南大学
IPC: G06T15/00 , G06F3/01 , G06N3/0442 , G06N3/08
Abstract: 本发明提供的一种针对虚拟现实渲染优化的中心凹预渲染方法，通过分析虚拟现实场景中用户的头部运动数据和眼部运动数据的相关性，提出基于多任务深度学习的虚拟现实场景中用户注意力焦点预测模型，即在虚拟现实场景中，用户的视口方向与注视点坐标的统一预测模型；并基于注意力焦点预测数据实现虚拟现实画面的中心凹预渲染，最终有效提高画面预测精度。本方法首先在虚拟现实场景中采集用户的相关数据并进行相关性分析；接着提出基于多任务深度学习虚拟现实场景中用户注意力焦点预测模型；然后使用采集的用户数据对提出的预测模型进行训练，模型的推理结果表明，在与其他相似工作的对比下，本发明提出的方法具有更高的预测精度；最后实现中心凹预渲染的视觉效果并进行评估。
-
公开(公告)号：CN114662661B
公开(公告)日：2024-04-16
申请号：CN202210282401.5
申请日：2022-03-22
Applicant: 东南大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明公开一种边缘计算下异构处理器加速多出口DNN(Deep Neural Networks)推理的方法，首先针对不同负载下的CPU与GPU，分别统计深度神经网络各层在CPU、GPU上的计算成本、各层提前退出分支出口的分类能力以及各网络层中间数据量大小；然后分析数据，得出特定负载情况下，将深度神经网络各层分配给CPU(GPU)处理器的最优并行组合模型；最后在终端设备上在线监测分析CPU、GPU的负载情况、以及当前的计算能力，以最小化推理时延为目标对深度神经网络推理任务进行切分，任务切块分别被分配在GPU与CPU，最终形成基于异构处理器的推理加速框架。此种方法能够提高推理的灵活性，保证准确率，降低推理总时延，满足边缘智能应用的实时性与高精度需求。
-
公开(公告)号：CN116339977A
公开(公告)日：2023-06-27
申请号：CN202310139513.X
申请日：2023-02-20
Applicant: 东南大学
Abstract: 本发明公开了一种用于算网融合环境中面向实时视频流应用的超分辨率推断加速方法，首先构建了基于多尺度特征提取的超分辨率神经网络模型，并在算网融合环境下合理部署多尺度特征提取模型，进而构建面向实时视频流应用的执行框架；然后采集算网融合环境中计算与网络资源的性能特征；结合超分辨率推断执行框架构建控制端到端时延的优化模型；最后提出推断加速决策算法，针对不同的实时视频流应用提出个性化的计算和传输控制方案，在端到端时延的限制条件下最小化应用执行时间，进而满足实时视频流应用高视频质量低延迟的需求。本发明解决了传统端云结构下的超分辨率推断模式无法同时满足实时视频流应用视频质量与实时性要求的问题。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.021 seconds)
