-
公开(公告)号：CN114331971A
公开(公告)日：2022-04-12
申请号：CN202111491322.7
申请日：2021-12-08
Applicant: 之江实验室
Abstract: 本发明公开了一种基于半监督自训练的超声内镜目标检测方法，通过在对象级标注数据集上训练教师网络，利用教师网络推断生成图像级标注数据集与无标签数据集的伪标签，最后使用置信度高的伪标签数据集训练学生网络，然后使用已训练的学生网络替代教师网络，不断迭代，进一步提高伪标签的准确性，最终可以优化网络的泛化能力。本方法通过利用自训练方法，无需大量标注对象级数据集，弥补了图像级标注数据集与无标注数据缺少监督信息的缺点，充分提升网络对超声内镜目标的学习能力。本发明能够解决超声内镜中目标的漏检和误检等问题，使得模型能够提供获得更好的预测能力，进一步提高工作效率。
-
公开(公告)号：CN113473272A
公开(公告)日：2021-10-01
申请号：CN202110748591.0
申请日：2021-07-02
IPC: H04Q11/00
Abstract: 本发明公开了一种用于数据中心交换机的无阻塞光互连架构。业务板经光波导背板和交叉板连接；业务板包括多个光模块、一个成帧器、一个光引擎和多个光连接器，多个光模块均连接到成帧器，成帧器和光引擎连接，光引擎和多个光连接器连接；业务板的各个光连接器经光波导背板和交叉板的各个光连接器连接，交叉板包括多个光连接器、一个光引擎和一个交叉芯片，多个光连接器均连接到光引擎，光引擎和交叉芯片连接。本发明是大容量、高可靠、低延迟的光交换机架构，突破传统电背板的带宽、功耗等瓶颈，拥有更高的交换速率、更低的占用空间以及更低的成本。
-
公开(公告)号：CN111865472B
公开(公告)日：2021-07-20
申请号：CN202010744155.1
申请日：2020-07-29
IPC: H04J14/02
Abstract: 本发明公开了一种用于数据中心的无缓冲光互连架构和方法。分为入口线卡、三级交换模块与出口线卡，交换模块包括第一级AWGR、第三级AWGR与第二级TWC；第一级AWGR输入端口有入口线卡，第三级AWGR输出端口有出口线卡，第一级AWGR输出端口和第三级AWGR输入端口间用第二级TWC连接；服务器的信号经波分复用后，经入口线卡波长调制转发至交换模块，特定波长光信号用TWC波长转换与AWGR循环路由转发至出口线卡，出口线卡对光信号处理后发送服务器。本发明实现大容量、高可靠、低功耗的全光互连，有效使数据中心扁平化，克服传统空间交换机端口带宽低、端口数目受限的不足，且具有高可靠性、低复杂度、低延迟等特性。
-
公开(公告)号：CN114511728B
公开(公告)日：2024-05-14
申请号：CN202111598484.0
申请日：2021-12-24
Applicant: 之江实验室
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G16H30/00 , G16H50/20 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种电子内镜食管病灶智能检测模型建立方法，本发明通过在图像级标注数据集上训练病灶分类教师网络，利用教师网络推断生成无标签数据集的伪标签，最后使用置信度高的伪标签数据集训练图像分类学生网络，然后使用已训练的学生网络替代教师网络，不断迭代，进一步提高伪标签的准确性，最终可以优化病灶分类网络的泛化能力；然后将病灶分类网络学习的特征与目标检测网络融合，最终得到高精度的食管病灶检测网络。本发明利用自训练方法，无需大量标注对象级数据集，弥补了图像级标注数据集与无标注数据缺少监督信息的缺点，充分提升目标检测网络对食管病灶的检测能力。
-
公开(公告)号：CN114511728A
公开(公告)日：2022-05-17
申请号：CN202111598484.0
申请日：2021-12-24
Applicant: 之江实验室
IPC: G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08 , G16H30/00 , G16H50/20 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种电子内镜食管病灶智能检测模型建立方法，本发明通过在图像级标注数据集上训练病灶分类教师网络，利用教师网络推断生成无标签数据集的伪标签，最后使用置信度高的伪标签数据集训练图像分类学生网络，然后使用已训练的学生网络替代教师网络，不断迭代，进一步提高伪标签的准确性，最终可以优化病灶分类网络的泛化能力；然后将病灶分类网络学习的特征与目标检测网络融合，最终得到高精度的食管病灶检测网络。本发明利用自训练方法，无需大量标注对象级数据集，弥补了图像级标注数据集与无标注数据缺少监督信息的缺点，充分提升目标检测网络对食管病灶的检测能力。
-
Patent Agency Ranking
公开(公告)号：CN117014747A
公开(公告)日：2023-11-07
申请号：CN202311072051.0
申请日：2023-08-24
IPC: H04Q11/00
Abstract: 本发明公开了一种用于数据中心交换机的光互连架构。网络架构包含混合交换机、可调波长转换器模块、阵列波导光栅路由器构成的交换单元。其中，HS用于连接机架、流量信息的收集，流量的发送及接收。其内置的分布式控制器基于收集的流量信息，计算相应的路由调度及波长调整方案。HS之间使用AWGR可以实现大规模的网络互连。AWGR的端口可以同时路由多路不同波长的流量，提高架构的传输带宽。本发明可广泛应用于实现大容量、高可靠、低延迟的光交换架构，可以在兼容现有的网络的基础上，突破传统电背板的带宽、功耗等瓶颈，使交换机拥有更高的交换速率、更低的占用空间以及更低的成本，在实际工程中有较高的应用价值。
-
公开(公告)号：CN116528085A
公开(公告)日：2023-08-01
申请号：CN202310476320.3
申请日：2023-04-28
IPC: H04Q11/00
Abstract: 本发明公开了一种基于波长路由的数据中心网络架构。网络架构包含中央控制器、TCA、可调波长转换器模块、两层阵列波导光栅路由器构成的交换单元。其中，TCA用于连接机架、流量信息的收集，流量的发送及接收。中央控制器基于TCA收集的流量信息，计算相应的路由调度策略，用于规避波长冲突。使用两层AWGR可以实现大规模的网络互连。AWGR的端口可以同时路由多路不同波长的流量，提高架构的传输带宽。本发明可广泛应用于实现大容量、高可靠、低延迟的光交换架构，可以在兼容现有的网络的基础上，突破传统电背板的带宽、功耗等瓶颈，使交换机拥有更高的交换速率、更低的占用空间以及更低的成本，在实际工程中有较高的应用价值。
-
公开(公告)号：CN113052332B
公开(公告)日：2023-02-14
申请号：CN202110358526.7
申请日：2021-04-02
Abstract: 本发明公开了一种基于设备均衡原理的分布式模型并行设备分配优化方法。通过分析机器学习网络各个网络层的计算量、通信量和内存使用量，结合机器学习训练平台计算能力、内存容限、通信带宽等参数建立线性规划模型，以不同设备上的计算量和内存使用量均衡以及最小化跨设备通信为优化目标，建立线性规划模型并求解，得到最符合设备均衡原理的分布式模型并行设备分配方案，达到提高机器学习网络模型训练速度的目的。本发明方法为大规模分布式机器学习提供了模型并行加速方案，在深度学习训练中能够大幅减少训练时间。
-
公开(公告)号：CN111865472A
公开(公告)日：2020-10-30
申请号：CN202010744155.1
申请日：2020-07-29
IPC: H04J14/02
Abstract: 本发明公开了一种用于数据中心的无缓冲光互连架构和方法。分为入口线卡、三级交换模块与出口线卡，交换模块包括第一级AWGR、第三级AWGR与第二级TWC；第一级AWGR输入端口有入口线卡，第三级AWGR输出端口有出口线卡，第一级AWGR输出端口和第三级AWGR输入端口间用第二级TWC连接；服务器的信号经波分复用后，经入口线卡波长调制转发至交换模块，特定波长光信号用TWC波长转换与AWGR循环路由转发至出口线卡，出口线卡对光信号处理后发送服务器。本发明实现大容量、高可靠、低功耗的全光互连，有效使数据中心扁平化，克服传统空间交换机端口带宽低、端口数目受限的不足，且具有高可靠性、低复杂度、低延迟等特性。
-
公开(公告)号：CN113542121B
公开(公告)日：2022-07-15
申请号：CN202110756470.0
申请日：2021-07-05
IPC: H04L45/00 , H04L47/125 , G06F17/10
Abstract: 本发明公开了一种基于退火算法的树形数据中心链路层负载均衡路由方法。方法搭建主要由边缘层、汇聚层和核心层三层组成的树形数据中心作为链路层，边缘层、汇聚层和核心层均包括多个交换机；由确定性网络实时监测交换机的数据，根据传输所需带宽和树形数据中心的拓扑结构，计算得所有链路的上行链路的负载带宽和下行链路的负载带宽；根据负载带宽进行迭代处理当前迭代状态，并且实时根据交换方案更新路由方案，获得最优路由方案。本发明实现高效率、高可靠、低时延的路由方法，有效使得数据中心负载均衡，降低交换机端口拥塞情况发生，减少数据流路由时延，降低数据流丢包率，且具有低时间复杂度、低空间复杂度、高性能等特点。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.033 seconds)
