-
Patent Agency Ranking
公开(公告)号：CN114742701A
公开(公告)日：2022-07-12
申请号：CN202210209804.7
申请日：2022-03-03
Applicant: 暨南大学
Abstract: 本发明提出一种基于空洞残差稠密卷积的图像超分辨率重建方法及系统，包括构建包括特征提取层、非线性映射层和图像重建层的图像重建网络；非线性映射层包括由若干个依次稠密连接的空洞卷积层和标准卷积层组成的空洞残差稠密模块；将预处理后的待重建图像输入图像重建网络，待重建图像经过特征提取以及与高分辨率图像的映射，图像重建网络输出高分辨率图像。使用稠密连接的空洞卷积层和标准卷积层组成的残差结构，相比标准卷积层能够提取更多的图像的语境信息并且能够提高特征信息的重复利用率，增加前面卷积层提取的特征信息对最后图像重建的贡献率，充分利用图像的特征信息，降低网络的训练难度，实现图像重建的质量和效率的提高。
-
公开(公告)号：CN119834951A
公开(公告)日：2025-04-15
申请号：CN202510014630.2
申请日：2025-01-06
Applicant: 暨南大学
Abstract: 本发明公开了一种不可能差分‑中间相遇攻击密码分析方法，包括：获得某一分组密码的不可能差分区分器，根据不可能差分区分器首尾的差分特征分别向前向后扩展数轮，记录相应参数；选择明文进行攻击，并加密得到相应的密文，根据相应参数计算攻击所需要的数据复杂度；猜测前向扩展部分所涉及的密钥，对明文进行部分加密，利用部分加密之后数据进行组对，将满足前向差分传播的数据对所对应的密文数据对存储到哈希表中；猜测后向扩展部分所涉及的密钥，对密文进行部分解密，利用部分解密之后的数据进行组对，将满足后向差分传播的数据对所对应的密文对与哈希表中的密文数据对进行在线匹配，排除错误密钥；对剩下的候选密钥进行穷搜，找到正确的密钥。
-
公开(公告)号：CN110457648B
公开(公告)日：2023-02-03
申请号：CN201910696826.9
申请日：2019-07-30
Applicant: 暨南大学
IPC: G06F17/16
Abstract: 本发明公开了一种用于LU分解的脉动阵列结构的实现方法，该脉动阵列结构，包括计算上三角矩阵的运算单元阵列、计算下三角矩阵的运算单元阵列、控制数据输入的状态控制器模块。相较于已有的运算结构，本发明具有以下创新：(1)矩阵数据按行并行输入，无需规划输入顺序。(2)将除法器从阵列处理单元中单独提取出来，减少除法器的数量，提高资源利用率。(3)将脉动阵列部分并行化，在保持高度流水性的同时减少运算所需的时钟周期数。(4)本发明设计的高维脉动阵列结构可兼容较低维的矩阵LU分解，可实现不同维数矩阵共用同一结构，避免重新设计结构。本发明可以应用于信号处理、数值分析、人工智能等领域矩阵分解问题的硬件实现。
-
公开(公告)号：CN114742701B
公开(公告)日：2024-11-29
申请号：CN202210209804.7
申请日：2022-03-03
Applicant: 暨南大学
IPC: G06T3/4053 , G06N3/0464
Abstract: 本发明提出一种基于空洞残差稠密卷积的图像超分辨率重建方法及系统，包括构建包括特征提取层、非线性映射层和图像重建层的图像重建网络；非线性映射层包括由若干个依次稠密连接的空洞卷积层和标准卷积层组成的空洞残差稠密模块；将预处理后的待重建图像输入图像重建网络，待重建图像经过特征提取以及与高分辨率图像的映射，图像重建网络输出高分辨率图像。使用稠密连接的空洞卷积层和标准卷积层组成的残差结构，相比标准卷积层能够提取更多的图像的语境信息并且能够提高特征信息的重复利用率，增加前面卷积层提取的特征信息对最后图像重建的贡献率，充分利用图像的特征信息，降低网络的训练难度，实现图像重建的质量和效率的提高。
-
公开(公告)号：CN110457648A
公开(公告)日：2019-11-15
申请号：CN201910696826.9
申请日：2019-07-30
Applicant: 暨南大学
IPC: G06F17/16
Abstract: 本发明公开了一种用于LU分解的脉动阵列结构的实现方法，该脉动阵列结构，包括计算上三角矩阵的运算单元阵列、计算下三角矩阵的运算单元阵列、控制数据输入的状态控制器模块。相较于已有的运算结构，本发明具有以下创新：(1)矩阵数据按行并行输入，无需规划输入顺序。(2)将除法器从阵列处理单元中单独提取出来，减少除法器的数量，提高资源利用率。(3)将脉动阵列部分并行化，在保持高度流水性的同时减少运算所需的时钟周期数。(4)本发明设计的高维脉动阵列结构可兼容较低维的矩阵LU分解，可实现不同维数矩阵共用同一结构，避免重新设计结构。本发明可以应用于信号处理、数值分析、人工智能等领域矩阵分解问题的硬件实现。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
