公开(公告)号：CN118608542A

公开(公告)日：2024-09-06

申请号：CN202410749894.8

申请日：2024-06-12

Applicant: 西南科技大学

Inventor： 胡长江 ,  刘敏贤 ,  张梦洋

IPC: G06T7/11 ,  G06V10/26 ,  G06V10/774 ,  G06V10/40

Abstract: 本发明公开了一种基于特征信息重建增强的图像分割方法，属于图像处理技术领域。本发明包括如下步骤：首先，输入两张原始图像，经过编码模块提取相应的特征图信息；然后，分别将两种特征图信息经过具有特征信息重建(UFA)模块和跳跃注意力(SAM)模块的分支进行特征信息重建和注意力计算；最后，将得到的特征信息送入解码器后得出输出图。本方法提高了模型的鲁棒性，为图像分割特征信息提取不全面提供了新的解决方法。

公开(公告)号：CN116841762A

公开(公告)日：2023-10-03

申请号：CN202310395448.7

申请日：2023-04-14

Applicant: 西南科技大学

Inventor： 王耀彬 ,  张梦洋 ,  唐苹苹 ,  郭明峰 ,  胡丽莎

IPC: G06F9/54 ,  G06T1/40 ,  G06T1/60 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种图神经网络训练中的定长式边点结合采样机制，该采样机制包括如下步骤：对图进行节点采样，得到子图；对子图进行边采样，得到新的子图；将得到的子图数据转化为CSR格式；根据GPU共享内存大小，设置所需的共享内存宽度S；将子图数据存入到GPU共享内存之中；进行后续的GNN计算操作。本发明针对目前图神经网络训练中采集机制均无法达到快速并且准确的图特征采集的现状，提出一种图神经网络训练中的定长式边点结合采样机制，通过在节点采样时保留具有连续内存位置的邻居节点避免不规则的内存访问，结合边采样消除冗余的边，以便完成快速并且准确的图特征采集。

公开(公告)号：CN118799678A

公开(公告)日：2024-10-18

申请号：CN202410908368.1

申请日：2024-07-08

Applicant: 西南科技大学

Inventor： 张梦洋 ,  陈立伟 ,  胡长江

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/26 ,  G06V10/82 ,  G06V10/80

Abstract: 本发明公开了一种基于SAM和参数优化的图像处理方法，属于图像处理技术领域。本发明包括如下步骤：将待处理数据集划分为训练集和测试集，图像将通过两条分支，首先，第一条分支中，通过学生模型(Student)中的SLR适配器对训练集图像进行预训练过程中参数优化，然后将参数优化后的图像输入到MKA多层级知识适应模块中，然后，第二条分支中，将图像进行滑动窗口采样后重叠成多个patch，然后将patch分别输入到教师助理模块(TA)和SAM模块，然后再经过一个边界增强模块，最后，将边界增强模块处理后的输出和MKA处理后的输出进行融合得到输出图。

公开(公告)号：CN117391129A

公开(公告)日：2024-01-12

申请号：CN202311414784.8

申请日：2023-10-30

Applicant: 西南科技大学

Inventor： 申超 ,  陈立伟 ,  张梦洋

IPC: G06N3/042 ,  G06N3/08 ,  G06F18/214 ,  G06F18/21

Abstract: 本发明公开了一种基于自适应批次大小的加速量化图神经网络方法，该方法包括如下步骤：设定初始的批次大小和学习率；使用初始批次大小和学习率进行模型的训练；在训练过程中，定期评估模型在验证集上的性能表现；当模型在验证集上的性能达到一定的稳定状态或出现过拟合的迹象时，可以应用学习率衰减来调整批次大小；通过学习率的衰减情况，适当调整批次大小；根据调整后的批次大小和学习率，继续训练模型。本发明针对目前量化图神经网络训练中采用固定批次大小机制均无法充分利用计算资源的现状，提出一种基于自适应批次大小的加速量化图神经网络方法，通过引入自适应批次大小的策略，根据图数据的特征和计算资源的情况，自适应地调整批次大小。根据实际情况调整批次大小，能够更好地平衡模型的计算负载和内存消耗。从源头上有效的降低了模型训练和推理的时间消耗。

公开(公告)号：CN118447258A

公开(公告)日：2024-08-06

申请号：CN202410610315.1

申请日：2024-05-16

Applicant: 西南科技大学

Inventor： 胡长江 ,  刘敏贤 ,  张梦洋

IPC: G06V10/40 ,  G06T7/136 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/82

Abstract: 本发明公开了一种基于自适应状态空间模型的图像处理方法，属于图像处理技术领域。本发明包括如下步骤：首先将待处理数据集划分为训练集和测试集，然后通过特征提取网络对测试集图像进行浅层特征提取，将提取的通道数据传入三个剩余状态空间块(RSSB)和三个自适应阈值分割算法块(ASB)中进行深层次的特征提取，最后将提取的特征通道和浅层特征通道聚合成新的特征图。本发明解决了现有方案因特征信息提取不全面而导致图像分割效果差的问题。

公开(公告)号：CN116521398A

公开(公告)日：2023-08-01

申请号：CN202310546156.9

申请日：2023-05-16

Applicant: 西南科技大学

Inventor： 陈立伟 ,  张梦洋 ,  王天海 ,  黄海涛

IPC: G06F9/54 ,  G06F9/50 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于节点间最短路径排序的高效动态缓存策略，该方法包括如下步骤：分析GPU内存使用情况，确定可用的GPU共享内存大小；固定一个训练节点，确定它与其它训练节点之间的最短路径长度；将得到的最短路径长度进行排序，确定动态缓存的节点顺序；按照顺序将训练节点及其邻居节点采用FIFO缓存策略储存到GPU共享内存之中；动态缓存结束。本发明针对目前图神经网络中的动态存储机制均无法达到高缓存命中率的现状，提出一种基于节点间最短路径排序的高效动态缓存策略，需要在GPU共享内存中缓存特征数据，同时利用节点间最短路径长度排序，得到动态缓存的节点顺序，提高动态缓存中的缓存命中率，以便实现高效动态缓存。

公开(公告)号：CN115731091A

公开(公告)日：2023-03-03

申请号：CN202211589330.X

申请日：2022-12-12

Applicant: 西南科技大学

Inventor： 王耀彬 ,  张雅晴 ,  唐苹苹 ,  申超 ,  张梦洋 ,  斯炫玮 ,  韩梅

IPC: G06T1/20 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于GPU线程并行的自适应多矩阵块映射批处理方法，该方法包括如下步骤：批处理场景分析，确定合适的批处理策略；确定批处理矩阵块对应的线程块数量；确定采取不同批处理策略对应的硬件资源占有率；选择合适的批处理策略。本发明针对目前矩阵批处理中单个矩阵块占据一个线程块而导致硬件资源利用率不高的现状，提出一种基于GPU线程并行的自适应多矩阵块映射批处理方法，在对矩阵分块后的处理进一步细粒度化，通过自适应的选择矩阵块和线程块的映射方案，将矩阵块合理地匹配相应的线程块大小和数量，从源头上减少粗粒度分配方案带来的线程空闲和负载不均衡的问题。