-
公开(公告)号：CN111010493B
公开(公告)日：2021-03-02
申请号：CN201911288888.2
申请日：2019-12-12
Applicant: 清华大学
Abstract: 本发明实施例提供一种利用卷积神经网络进行视频处理的方法及装置，其中方法包括：将任意一帧图像作为目标图像，选择在目标图像时序前的另一帧图像作为参考图像，获得目标图像相对卷积神经网络中第i+1层卷积层的原始帧；将参考图像经过卷积神经网络中第i层卷积层计算的结果和原始帧分别输入至卷积神经网络中的激活函数，并计算两个输出结果的差值，获得目标图像相对卷积神经网络中第i+1层卷积层的差分帧；将目标图像相对卷积神经网络中第i+1层卷积层的差分帧输入至卷积神经网络中第i+1层卷积层，获得目标图像经过卷积神经网络中第i+1层卷积层计算的结果。本发明实施例相比现有逐帧处理的技术，能够提高神经网络的运算效率。
-
公开(公告)号：CN109543815A
公开(公告)日：2019-03-29
申请号：CN201811211042.4
申请日：2018-10-17
Applicant: 清华大学
IPC: G06N3/04
CPC classification number: G06N3/04
Abstract: 本发明实施例提供一种神经网络的加速方法及装置，其中方法包括：对于神经网络中的任一层，根据层的量化模式，对输入至所述层的特征图进行分块，获得若干个块数据，对所述块数据中不同通道但同一位置的像素设置同一索引值；计算所述块数据的稀疏度，抛弃全为0的块数据，对剩余的块数据，根据所述剩余的块数据的稀疏度以及预设阈值确定相应的稀疏类型，根据所述稀疏类型对所述剩余的块数据进行稀疏编码。本发明实施保证了每个像素位置处索引数量不因量化模式的不同而出现成倍增加的情况，解决了多种稀疏度和多种量化位宽混杂的神经网络编码问题。
-
Patent Agency Ranking
公开(公告)号：CN107404375A
公开(公告)日：2017-11-28
申请号：CN201710580709.7
申请日：2017-07-17
Applicant: 清华大学
IPC: H04L5/00 , H04W72/08 , H04B7/0413
Abstract: 本发明涉及一种非规则多点海域通信网络中时空协同传输优化方法，属于无线通信中复杂干扰条件下的信道估计与传输技术领域，该方法采用大规模MIMO技术的时移导频位置和功率的联合优化实现时空协同传输优化；即基站在某个相干时间内，利用信道的大尺度衰落信息，通过迭代，联合优化下一个相干时间的导频位置和功率，以实现时空协同传输优化。本方法利用海域信道大尺度衰落的差异性，通过时空协同优化，即非规则多站时移导频的协同优化，减小导频污染带来的小区间干扰，以提供比现有用户调度方案更高的频谱效率。
-
公开(公告)号：CN116187413A
公开(公告)日：2023-05-30
申请号：CN202211700187.7
申请日：2022-12-28
Applicant: 清华大学
Abstract: 本发明提供一种基于动态精度量化的神经网络模型训练加速方法及系统，在神经网络模型训练开始前，将运算过程中涉及的数据矩阵分为逻辑上的小块；训练过程中，每块数据的量化范围及该块数据对应的梯度值计算其量化敏感度，并将敏感度以块与块之间的最优相对量化位宽表示；根据网络当前训练步数，确定当前所需的平均量化位宽目标；结合相对量化位宽、平均量化位宽目标，及预先设定的硬件所支持最大最小计算位宽参数，动态确定各块权重值及激活值数据的绝对量化位宽；将训练数据按照绝对量化位宽量化以得到低精度的量化后数据用于计算，完成神经网络模型的训练计算加速，本发明解决现有神经网络训练速度慢、难以直接得到量化位宽理论最优值的问题。
-
公开(公告)号：CN109543815B
公开(公告)日：2021-02-05
申请号：CN201811211042.4
申请日：2018-10-17
Applicant: 清华大学
IPC: G06N3/04
Abstract: 本发明实施例提供一种神经网络的加速方法及装置，其中方法包括：对于神经网络中的任一层，根据层的量化模式，对输入至所述层的特征图进行分块，获得若干个块数据，对所述块数据中不同通道但同一位置的像素设置同一索引值；计算所述块数据的稀疏度，抛弃全为0的块数据，对剩余的块数据，根据所述剩余的块数据的稀疏度以及预设阈值确定相应的稀疏类型，根据所述稀疏类型对所述剩余的块数据进行稀疏编码。本发明实施保证了每个像素位置处索引数量不因量化模式的不同而出现成倍增加的情况，解决了多种稀疏度和多种量化位宽混杂的神经网络编码问题。
-
公开(公告)号：CN111010493A
公开(公告)日：2020-04-14
申请号：CN201911288888.2
申请日：2019-12-12
Applicant: 清华大学
Abstract: 本发明实施例提供一种利用卷积神经网络进行视频处理的方法及装置，其中方法包括：将任意一帧图像作为目标图像，选择在目标图像时序前的另一帧图像作为参考图像，获得目标图像相对卷积神经网络中第i+1层卷积层的原始帧；将参考图像经过卷积神经网络中第i层卷积层计算的结果和原始帧分别输入至卷积神经网络中的激活函数，并计算两个输出结果的差值，获得目标图像相对卷积神经网络中第i+1层卷积层的差分帧；将目标图像相对卷积神经网络中第i+1层卷积层的差分帧输入至卷积神经网络中第i+1层卷积层，获得目标图像经过卷积神经网络中第i+1层卷积层计算的结果。本发明实施例相比现有逐帧处理的技术，能够提高神经网络的运算效率。
-
公开(公告)号：CN107404375B
公开(公告)日：2020-04-03
申请号：CN201710580709.7
申请日：2017-07-17
Applicant: 清华大学
IPC: H04L5/00 , H04W72/08 , H04B7/0413
Abstract: 本发明涉及一种非规则多点海域通信网络中时空协同传输优化方法，属于无线通信中复杂干扰条件下的信道估计与传输技术领域，该方法采用大规模MIMO技术的时移导频位置和功率的联合优化实现时空协同传输优化；即基站在某个相干时间内，利用信道的大尺度衰落信息，通过迭代，联合优化下一个相干时间的导频位置和功率，以实现时空协同传输优化。本方法利用海域信道大尺度衰落的差异性，通过时空协同优化，即非规则多站时移导频的协同优化，减小导频污染带来的小区间干扰，以提供比现有用户调度方案更高的频谱效率。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
