-
公开(公告)号：CN115186796A
公开(公告)日：2022-10-14
申请号：CN202210625684.9
申请日：2022-06-02
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于FPGA的卷积神经网络自动部署方法及设备，通过构造自动化的神经网络编译设备，对各种输入的卷积神经网络模型，进行通用性的、面向硬件的优化处理，减少网络复杂度；并利用编译后得到的自定义硬件指令对基于FPGA的、包含了系列通用加速模块的神经网络硬件加速设备进行配置，控制其运算，实现了不同卷积神经网络模型在通用硬件加速设备上的自动、高效部署。
-
公开(公告)号：CN112905526A
公开(公告)日：2021-06-04
申请号：CN202110081004.7
申请日：2021-01-21
Applicant: 北京理工大学
Abstract: 本发明提供了一种多种类型卷积的FPGA实现方法，能够利用统一的硬件架构将多种类型的卷积部署在FPGA上进行实现，不需要针对不同的卷积类型分别设计硬件实现架构，节省了大量的硬件资源。通过分析多种类型卷积的特点将它们转换为同一种基准卷积类型使用统一的处理引擎进行实现。相比于分别在FPGA上实现这些卷积，节省了大量的硬件资源。通过优化基准卷积的运算流程，并根据其余卷积的特征分别将其转换为基准卷积进行运算。从而利用统一的硬件架构在FPGA上进行实现。提高了实现的灵活性，降低了硬件资源的开销，有效避免了传统FPGA实现方法中需要为各类型卷积分别设计实现架构所造成的资源消耗大，结构不灵活的问题。
-
-
公开(公告)号：CN109800867B
公开(公告)日：2020-09-29
申请号：CN201811545237.2
申请日：2018-12-17
Applicant: 北京理工大学
Abstract: 本发明提供一种基于FPGA片外存储器的数据调用方法，将特征图的数据逐行按顺序存储在fifo中，每次读写操作，前M个fifo输出当前存储的第一个数据，后M个fifo将当前存储的第一个数据回写到比其编号小L‑M的编号对应的fifo存储的数据尾部，同时，将特征图第L+1行的第一个数据写入第L‑1个fifo存储的数据尾部，将特征图第L+2行的第一个数据写入第L个fifo存储的数据尾部，这样使得fifo不断将数据按序输出fifo组外时，特征图剩下的数据又按序写入到fifo组中等待读取，直到完成整幅特征图的数据遍历；因此，本发明没有直接去调用FPGA片外存储器的数据，避免了复杂的地址跳变，大大提高了调用FPGA片外存储器数据的效率。
-
公开(公告)号：CN106250895B
公开(公告)日：2019-07-26
申请号：CN201610671049.9
申请日：2016-08-15
Applicant: 北京理工大学
Abstract: 本发明公开了一种光学遥感图像感兴趣区域检测方法，应用于高分辨率光学遥感图像感兴趣区域检测。通过对超像素级的图像进行处理，然后进行超像素级到像素级显著性映射，得到像素级显著图，完成对感兴趣区域由粗尺度快速定位到精细尺度下的精确描述。该方法首先对原始图像进行降采样，然后进行超像素分割，基于以上操作将高分辨率图像转换为较粗尺度图像，然后，在生成的粗尺度图像上通过结构张量与颜色空间背景抑制技术分别获得超像素级的纹理特征图和颜色特征图。随后经过特征图融合及上采样插值得到原始分辨率尺度下的超像素级显著图。最后，通过超像素级到像素级显著性映射，得到像素级显著图，完成感兴趣区域的像素级精确描述。
-
Patent Agency Ranking
公开(公告)号：CN109784372A
公开(公告)日：2019-05-21
申请号：CN201811544116.6
申请日：2018-12-17
Applicant: 北京理工大学
Abstract: 本发明提供一种基于卷积神经网络的目标分类方法，不采用卷积核直接遍历目标图像，而是采用与输出特征图像大小相同的滑窗按行再按列遍历整幅目标图像，从而提取出目标图像的对应的像素点作为子图像，再将卷积核的各特征参数分别与各子图像对应相乘得到中间图像，最后将中间图像的和值作为输出特征图像，在获取与现有卷积实现方式相同的卷积结果的前提条件下，将卷积运算拆分成单个点的乘加运算，能够最大程度的减少卷积实现过程中，微处理器读取数据时地址跳变的次数，进而大大提高硬件处理的效率。
-
公开(公告)号：CN105005789B
公开(公告)日：2018-04-03
申请号：CN201510379234.6
申请日：2015-07-01
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于视觉词汇的遥感图像地物分类方法，包括如下步骤：首先将所有的遥感图像分为训练集和测试集，以固定的大小对每幅遥感图像裁剪获得初步切片图，提取包含目标的初步切片图；针对包含目标的初步切片图通过高斯模糊与抽样生成多层高斯空间金字塔；对每一层的图像均进行SIFT特征提取与LBP特征提取；对训练集和测试集中所有遥感图像的遥感单词进行聚类，得到多个聚类中心，所有的聚类中心组成遥感词典；设定不同半径值，对每个初步切片图不同半径值内的遥感单词均建立频率直方图：针对训练集中遥感单词的频率直方图使用支持向量机RBF‑SVM进行训练，然后使用训练后的RBF‑SVM对测试集中遥感图像进行地物分类。
-
公开(公告)号：CN107767400A
公开(公告)日：2018-03-06
申请号：CN201710838129.3
申请日：2017-09-15
Applicant: 北京理工大学
CPC classification number: G06T7/246 , G06K9/4671 , G06K9/629 , G06T7/207 , G06T7/215 , G06T2207/10016 , G06T2207/10032 , G06T2207/20016
Abstract: 本发明提供一种基于层次化显著性分析的遥感图像序列动目标检测方法，具体过程为：首先，采用基于运动补偿的双模单高斯模型，在全局的尺度上提取时域显著性信息，得到时域显著图；从时域显著图中粗提取运动区域，作为候选区域；其次，在所述候选区域的基础上，分别在像素级和超像素级进行空间域的显著性分析，得到空域显著图；最后，将得到的全局时域显著图和局部空域显著图进行线性融合，得到时空显著图，通过阈值分割得到运动目标检测的结果。该方法能够对于运动目标完成由粗尺度快速定位到精细尺度下的精确描述，可有效提高运动目标检测算法计算效率。
-
公开(公告)号：CN104658011B
公开(公告)日：2017-09-29
申请号：CN201510052365.3
申请日：2015-01-31
Applicant: 北京理工大学
IPC: G06T7/246
Abstract: 本发明公开了一种智能交通运动目标检测跟踪方法，用于对智能交通视频进行运动目标检测和跟踪。本发明考虑到视频帧图像中一般存在道路中间及两侧护栏等边缘特征明显的物体，采用有限差分一阶偏导矩阵计算输入前后视频帧图像的梯度，提取输入图像特征区域精细轮廓；将轮廓连接、区域填充合并等形态学处理从而得到预处理图像。对预处理图像采用改进的SIFT算法提取关键点，对预处理图像只构建一组六层的高斯金字塔。保证在图像存在较小尺度变化的时候的检测到较少数量的关键点，同时减少冗余的构建金字塔的计算需要，提高算法的时间效率。帧差前利用预处理图像得到的仿射变换模型对视频序列前后帧图像进行了配准，消除了视频帧漂移对检测性能造成的影响。
-
公开(公告)号：CN106022240A
公开(公告)日：2016-10-12
申请号：CN201610317999.1
申请日：2016-05-12
Applicant: 北京理工大学
IPC: G06K9/00
CPC classification number: G06K9/0063
Abstract: 本发明提供一种基于SoPC的遥感CCD原始数据指定目标区域自动提取实现方法，其中SoPC系统主要由FPGA和双核ARM构成；具体步骤如下：步骤一、区域信息与辅助数据接收；步骤二、双核ARM提取当前处理的图像区域的四个顶点并进行定位解算，获取四个顶点的位置信息；步骤三、进行指定目标点与当前处理的图像区域的比对，通过四个顶点的位置信息判断该目标点是否在当前处理的图像区域内，若是，则进入步骤四，否则，以当前处理的图像区域的下一区域作为当前处理的图像区域，并返回步骤二；步骤四、如果搜索到目标点则通过网口返回相应的区域信息，否则返回未搜索到。本发明实现自动提取目标点区域遥感图像，降低后续应用遥感数据处理量的目的。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.117 seconds)
