-
公开(公告)号：CN115374905A
公开(公告)日：2022-11-22
申请号：CN202210924138.5
申请日：2022-08-02
Applicant: 西安交通大学
Abstract: 本公开揭示了一种提高神经网络内存使用开销MAC使用率的多层级联结构，其对处理器内用于存储特征图feature map的块存储器block memory分区，将其作为多层神经网络中不同层的数据存储区域，其中，将所述块存储器block memory划分为三个区域，分别存储多层神经网络的特征图feature map，所述三个区域分别为输入层、中间层和输出层，所述中间层为一层或多层。本公开所揭示的多层级联结构能够极大地提高神经网络MAC利用率，以高效访存主存储器。
-
-
公开(公告)号：CN111210518B
公开(公告)日：2022-04-05
申请号：CN202010045875.9
申请日：2020-01-15
Applicant: 西安交通大学
Abstract: 本发明公开基于视觉融合地标的拓扑地图生成方法，包括：输入RGB图像，基于卷积神经网络对RGB图像进行语义分割，根据语义分割中间层的特征图提取出输出值大于预定值的点作为特征点；获取场景的深度图，基于深度图的深度信息和特征点在图像上的二维坐标信息，依据相机模型获取特征点的三维坐标和机器人的位姿信息以建立场景的三维地图，对输入图像进行基于深度学习的纹理分割，获取每个像素点在纹理特征空间下的编码；采用基于模糊数学地标级数据融合方法，获得点云相对于预定地标的隶属度分布函数，根据语义隶属度分布函数和三维地图，获得融合地标的三维语义地图；基于融合地标的三维语义地图构建拓扑地图生成融合地标的语义拓扑地图。
-
公开(公告)号：CN114239798A
公开(公告)日：2022-03-25
申请号：CN202111448717.9
申请日：2021-11-30
Applicant: 西安交通大学
Abstract: 公开了基于奇偶性对数量化的无乘法深度神经网络模型压缩方法，方法中，首先根据预定比特位宽(bit)构建整型数值集合V，其元素可以表示为2的奇数幂和2的偶数幂的和，然后将浮点数据根据量化系数量化为低比特整型数据，接着再反量化得到浮点离散数据，进一步可构建低比特纯整型无乘法的深度神经网络，将卷积层和全连接层计算中大量存在的输入数据与权重参数的乘法计算替换成移位操作和加法计算。
-
公开(公告)号：CN113795831A
公开(公告)日：2021-12-14
申请号：CN202180003140.2
申请日：2021-01-21
Applicant: 西安交通大学
IPC: G06F15/80 , G06F15/173
Abstract: 一种多功能的数据重组网络，包括二元交换单元和递归洗牌网络RSN，其中所述二元交换单元和递归洗牌网络RSN都可以实现数据的双向传输，该数据重组网络通过控制信号在网络中的传输方向完成数据重组。该网络可以作为存储单元和运算单元之间的数据传输通路，在数据传输的同时完成多种数据重组功能，从而对非规则数据进行灵活的数据结构调整，提高非规则计算的数据传输效率和计算效率。
-
Patent Agency Ranking
公开(公告)号：CN113029145A
公开(公告)日：2021-06-25
申请号：CN202110226995.3
申请日：2021-03-01
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于强化学习的视觉拓扑导航方法，方法中，基于所述强化学习模型以及序列图像建立拓扑地图，给定可移动机器人的当前位置和目标位置之后，基于所述拓扑地图搜索匹配所述当前位置和目标位置；定位当前位置和目标位置之后，进行路径规划，采用最短路径算法选取从当前位置到达目标位置的最短路径；预测子目标节点，在所述最短路径中从当前节点之后的节点中选择一个节点作为子目标节点以引导可移动机器人到达下一个子目标点；以当前状态图像特征和子目标节点的状态图像特征作为强化学习网络输入，强化学习网络进行导航控制，输出引导可移动机器人到达子目标节点的动作信号，直至目标位置完成导航。
-
公开(公告)号：CN112733964A
公开(公告)日：2021-04-30
申请号：CN202110134308.5
申请日：2021-02-01
Applicant: 西安交通大学
Abstract: 公开了一种强化学习自动感知权重分布的卷积神经网络量化方法，方法中，将每层批处理操作的参数与卷积操作的权重融合得到融合后的权重和偏置，获取浮点卷积神经网络模型中每一层融合后的权重的分布信息；根据每层权重的分布信息强化学习自动搜索最优的每层权重缩放系数，基于每层权重缩放系数将浮点权重量化成INT8类型数据；输入校准数据集，每输入一组数据记录每层输出特征图，选取众数作为每层输出特征图的缩放系数，根据每层权重的缩放系数和每层输出特征图的缩放系数计算得到每层偏置的缩放系数以将浮点的偏置量化为INT32类型的偏置，基于INT8类型数据、INT32类型的偏置和总的缩放系数构建前向推理过程完成量化。
-
公开(公告)号：CN110059564B
公开(公告)日：2021-01-19
申请号：CN201910208851.8
申请日：2019-03-19
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于功率谱密度和互相关熵谱密度融合的特征提取方法，首次将互相关熵谱密度运用于脑电信号处理提取频域特征，并将互相关熵谱密度与功率谱密度融合得到一种新的特征，与传统的功率谱密度和互相关熵谱密度相比，融合后的特征提取方法不仅能很好地提取信号中的频率信息，还能抑制噪声的影响。本发明相比于功率谱密度和互相关熵谱密度分别更适用于信噪比高和信噪比低的信号，新的特征不仅适用于以上两种场景，还为脑电信号的低信噪比及包含环境中未知特性的各种干扰信号提供一种性能良好的频域特征提取方法。因此基于功率谱密度和互相关熵谱密度融合的特征提取方法在实际脑机接口运用中更加易于推广和使用。
-
公开(公告)号：CN109635944B
公开(公告)日：2020-10-27
申请号：CN201811582530.6
申请日：2018-12-24
Applicant: 西安交通大学
Abstract: 一种稀疏卷积神经网络加速器及实现方法，将片外DRAM中的稀疏网络的连接权重读入权值输入缓冲区，通过权值解码单元进行解码后存储在权值片上全局缓冲区；将神经元读入神经元输入缓冲区，然后将读入的神经元通过神经元解码单元进行解码后存储在神经元片上全局缓冲区；按照神经网络当前层的配置参数确定PE计算单元阵列的计算模式，将解码后排列好的神经元和连接权重发送给PE计算单元；计算神经元和连接权重的乘积；在本发明加速器中，PE单元中的乘法器全部被移位器代替，所有的基本模块都可以根据网络计算和硬件资源进行配置，因此具有速度快、功耗低、资源占用小以及数据利用率高的优点。
-
公开(公告)号：CN111522776A
公开(公告)日：2020-08-11
申请号：CN202010343215.9
申请日：2020-04-27
Applicant: 西安交通大学
IPC: G06F15/78
Abstract: 一种计算架构，包括：片下存储器、片上缓存单元、预取单元、全局调度器、发射单元、预重组网络、后重组网络、主计算阵列、写回缓存单元、数据依赖控制器和辅助计算阵列。本架构通过预取的方式将数据块读入片上缓存中，并按照数据区块进行计算；区块的计算过程中采用区块交换网络来重组数据结构，并设置数据依赖模块来处理不同区块之间可能存在的数据依赖关系。该计算架构能够提高数据利用率、提升数据处理灵活度、从而降低Cache Miss、降低内存带宽压力。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.029 seconds)
