-
公开(公告)号：CN115658730B
公开(公告)日：2024-02-13
申请号：CN202211146454.0
申请日：2022-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/2453 , G06F16/22 , G06F16/2458
Abstract: 本发明提供一种稀疏数据的查询方法、装置、设备和计算机可读存储介质，涉及电子信息技术领域，该方法包括：获取待查询数据的索引地址和原始稀疏数据的一级索引表以及二级索引表；一级索引表用于存储原始稀疏数据中每一个数的一级索引值，一级索引值用于表征对应的数是否为零，二级索引表用于存储二级索引值；基于索引地址和一级索引表确定待查询数据对应的目标一级索引值，并基于目标一级索引值、一级索引表以及二级索引表确定目标存储地址；基于目标存储地址从数据存储器中获取索引地址对应的目标查询数据，以解决如何节省存储空间以及提高稀疏数据的查询效率的技术问题。
-
公开(公告)号：CN113240074A
公开(公告)日：2021-08-10
申请号：CN202110407002.2
申请日：2021-04-15
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种可重构神经网络处理器，所述处理器包括指令编译模块、模型映射模块、计算阵列控制模块和计算阵列；所述指令编译模块用于将待运行的各神经网络应用程序编译为网络运算指令；所述模型映射模块用于匹配网络运算指令对应的微操作码，并通过索引所述微操作码将对应神经网络应用程序映射到所述计算阵列，得到各神经网络应用程序在所述计算阵列上的计算单元集合；所述计算阵列控制模块用于控制各计算单元集合针对对应神经网络应用程序的读写和计算。本发明提供的处理器，实现支持多个神经网络的并行加速计算以及多个神经网络的协同计算，提高计算资源的利用率和神经网络并行处理能力。
-
公开(公告)号：CN112184760A
公开(公告)日：2021-01-05
申请号：CN202011091863.6
申请日：2020-10-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于动态视觉传感器的高速运动目标检测跟踪方法，旨在解决高速运动目标检测跟踪方法存在高冗余、高延迟、高噪声以及检测跟踪精度差的问题。本系统方法包括获取目标场景中各高速运动目标当前帧的地址事件数据流，作为输入数据；通过脉冲神经网络对输入数据进行去噪、最大池化处理，并将设定染色核滑动扫描所有子区域，获取染色表信息，作为第一信息；通过预测器得到当前帧预测的染色表信息，作为第二信息；通过预设的更新方法对第一信息、第二信息进行更新；输出最终获取的待追踪的高速运动目标的染色表信息。本发明降低了数据的冗余量、传输延迟、存在噪声的问题，提高了检测跟踪的精度。
-
公开(公告)号：CN115658730A
公开(公告)日：2023-01-31
申请号：CN202211146454.0
申请日：2022-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/2453 , G06F16/22 , G06F16/2458
Abstract: 本发明提供一种稀疏数据的查询方法、装置、设备和计算机可读存储介质，涉及电子信息技术领域，该方法包括：获取待查询数据的索引地址和原始稀疏数据的一级索引表以及二级索引表；一级索引表用于存储原始稀疏数据中每一个数的一级索引值，一级索引值用于表征对应的数是否为零，二级索引表用于存储二级索引值；基于索引地址和一级索引表确定待查询数据对应的目标一级索引值，并基于目标一级索引值、一级索引表以及二级索引表确定目标存储地址；基于目标存储地址从数据存储器中获取索引地址对应的目标查询数据，以解决如何节省存储空间以及提高稀疏数据的查询效率的技术问题。
-
公开(公告)号：CN115146222A
公开(公告)日：2022-10-04
申请号：CN202210648118.X
申请日：2022-06-08
Applicant: 中国科学院自动化研究所
IPC: G06F17/14
Abstract: 本发明提供一种FFT处理系统、处理方法及DSP处理器，FFT处理系统基于软流水技术实现，通过流水线控制模块确定基于FFT点数的流水线控制指令，流水线控制指令包括时序的多个蝶形运算指令；通过软流水FFT计算模块接收输入数据以及旋转因子，根据多个蝶形运算指令对应的蝶形运算操作的可并行性，对输入数据以及旋转因子执行多个蝶形运算指令对应的微操作，得到FFT计算结果。该FFT处理系统不仅可以大大缩短FFT计算耗费的时间，提高FFT计算效率，作为蝶形运算指令并行执行的硬件结构，FFT处理系统的FFT处理功耗明显降低，使FFT处理的硬件开销明显降低。
-
Patent Agency Ranking
公开(公告)号：CN112184760B
公开(公告)日：2021-05-25
申请号：CN202011091863.6
申请日：2020-10-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于动态视觉传感器的高速运动目标检测跟踪方法，旨在解决高速运动目标检测跟踪方法存在高冗余、高延迟、高噪声以及检测跟踪精度差的问题。本系统方法包括获取目标场景中各高速运动目标当前帧的地址事件数据流，作为输入数据；通过脉冲神经网络对输入数据进行去噪、最大池化处理，并将设定染色核滑动扫描所有子区域，获取染色表信息，作为第一信息；通过预测器得到当前帧预测的染色表信息，作为第二信息；通过预设的更新方法对第一信息、第二信息进行更新；输出最终获取的待追踪的高速运动目标的染色表信息。本发明降低了数据的冗余量、传输延迟、存在噪声的问题，提高了检测跟踪的精度。
-
公开(公告)号：CN112215912A
公开(公告)日：2021-01-12
申请号：CN202011093264.8
申请日：2020-10-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于数据处理领域，具体涉及了一种基于动态视觉传感器的显著性图生成系统、方法和装置，旨在解决的问题。本发明包括：通过动态视觉传感器获取事件数据，并通过目标检测网络中的每个神经元将DVS事件数据和从相互关联的神经元获取的信息进行累加缓存，每隔预设的时间通过激活函数获取神经元膜电位，并根据神经元膜电位与预设的饱和阈值的大小关系输出脉冲信号，前一时刻的膜电位u(t0)经过衰减与当前接收的激励进行累加，结果用于脉冲信号和膜电位更新判断。本发明使得目标检测网络阵列生成的显著性图排除了冗余的背景信息，提高了目标检测的可信度和精确度，避免出现误判。
-
公开(公告)号：CN113240074B
公开(公告)日：2022-12-06
申请号：CN202110407002.2
申请日：2021-04-15
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种可重构神经网络处理器，所述处理器包括指令编译模块、模型映射模块、计算阵列控制模块和计算阵列；所述指令编译模块用于将待运行的各神经网络应用程序编译为网络运算指令；所述模型映射模块用于匹配网络运算指令对应的微操作码，并通过索引所述微操作码将对应神经网络应用程序映射到所述计算阵列，得到各神经网络应用程序在所述计算阵列上的计算单元集合；所述计算阵列控制模块用于控制各计算单元集合针对对应神经网络应用程序的读写和计算。本发明提供的处理器，实现支持多个神经网络的并行加速计算以及多个神经网络的协同计算，提高计算资源的利用率和神经网络并行处理能力。
-
公开(公告)号：CN118474053A
公开(公告)日：2024-08-09
申请号：CN202410690201.2
申请日：2024-05-30
Applicant: 中国科学院自动化研究所
IPC: H04L49/109 , H04L45/12 , H04L45/16 , G06N3/063 , G06N3/049
Abstract: 本公开提供了一种脉冲神经网络的片上网络通信方法以及片上网络，本公开采用源神经元与目标区域之间的最短距离传播并统一了全局广播、小区广播和点对点传播，有效简化了路由算法和计算过程，降低路由逻辑复杂度和片上网络延迟；并且，采用目的驱动为主的数据包转发方法，将是否接收数据包的事件数据的逻辑判断放在接收端节点中，使得传播的数据包可以是固定大小，在传输过程中省去查找路由表的过程，有效减少了路由表存储容量，灵活处理广播通信的接收判定；与此同时，本公开实施例将多种类型的数据包采用统一的字段格式，简化了路由器处理数据包的逻辑，进而减少数据包经过路由器所产生的延迟。
-
公开(公告)号：CN112215912B
公开(公告)日：2021-06-22
申请号：CN202011093264.8
申请日：2020-10-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于数据处理领域，具体涉及了一种基于动态视觉传感器的显著性图生成系统、方法和装置，旨在解决的问题。本发明包括：通过动态视觉传感器获取事件数据，并通过目标检测网络中的每个神经元将DVS事件数据和从相互关联的神经元获取的信息进行累加缓存，每隔预设的时间通过激活函数获取神经元膜电位，并根据神经元膜电位与预设的饱和阈值的大小关系输出脉冲信号，前一时刻的膜电位u(t0)经过衰减与当前接收的激励进行累加，结果用于脉冲信号和膜电位更新判断。本发明使得目标检测网络阵列生成的显著性图排除了冗余的背景信息，提高了目标检测的可信度和精确度，避免出现误判。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.024 seconds)
