-
公开(公告)号：CN111461193B
公开(公告)日：2023-04-18
申请号：CN202010220384.3
申请日：2020-03-25
Applicant: 中国人民解放军国防科技大学
IPC: G06F18/2135 , G06F18/24
Abstract: 本发明公开一种用于开源事件关联预测的递增张量分解方法及系统，该方法包括：以事件数据导入的多维特征为核心要素类别建立事件全局索引结构，根据新到达事件数据递增维护事件全局索引结构，完成事件索引递增数据结构的构建；采用隐含因子矩阵表示结构构建事件张量分解模型并初始化，根据随机梯度下降方法建立张量递增更新规则，通过动态事件数据更新张量分解模型；根据隐含因子矩阵预测任意两事件要素的关联关系、任意两事件的关联关系，抽取事件记录主成分。用于解决现有技术中事件数据高阶稀疏、事件主成分探索及事件数据持续更新问题，实现适应高阶稀疏、支持主成分探索、支持数据持续更新。
-
公开(公告)号：CN115529194B
公开(公告)日：2023-03-10
申请号：CN202211496502.9
申请日：2022-11-28
Applicant: 中国人民解放军国防科技大学
IPC: H04L9/40 , H04L67/1097
Abstract: 本申请公开了一种数据管理方法、系统、设备和存储介质，特别是涉及一种数据管理方法，包括：根据第一用户的数据分享请求，判断所述第一用户是否具备数据分享权限，若是，则：根据所述数据分享请求，生成数据分享信息；将所述数据分享信息发送至第二用户；根据所述数据分享信息，获取密文数据；获取第一秘钥，并利用所述第一秘钥对所述密文数据进行解密，得到第一解密数据；判断所述第二用户是否具备数据获取权限，若是，则：获取第二秘钥，并利用所述第二秘钥对所述第一解密数据进行解密，得到第二解密数据；将所述第二解密数据发送至所述第二用户；本申请方案，能在保证云存储数据安全的前提下，实现数据的安全分享。
-
公开(公告)号：CN114330669B
公开(公告)日：2022-09-16
申请号：CN202111681136.X
申请日：2021-12-30
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种面向向量处理器的半精度向量化conv1×1卷积方法及系统，方法包括：将半精度权值数据和半精度输入数据存储在双倍速率同步动态随机存储器中；调用直接存储器访问操作，将半精度权值数据和半精度输入数据从双倍速率同步动态随机存储器分别加载到片上标量存储器SM空间和片上阵列存储器AM空间；在SM空间中，对加载到片上SM空间的权值数据进行向量化处理，在AM空间中，将向量化处理后的权值数据与AM空间上的输入数据做卷积操作conv1×1，得到卷积后的特征图数据。本发明能够结合向量处理器的体系结构特征，将卷积计算(conv1×1)面向向量处理器体系结构向量化，在保证精度的前提下实现了FLOPs的提升。
-
公开(公告)号：CN114389974A
公开(公告)日：2022-04-22
申请号：CN202210285862.8
申请日：2022-03-23
Applicant: 中国人民解放军国防科技大学
IPC: H04L43/0876 , H04L43/0817 , H04L43/16 , H04L67/10 , G06N20/00
Abstract: 本申请公开了一种查找分布式训练系统中异常流量节点的方法、装置及介质，应用于深度学习领域，该方法中，分布式训练系统的节点包括计算节点和参数服务器，参数服务器主要负责存放模型参数，计算节点负责数据计算。该方法先获取节点的流量统计数据；并根据流量统计数据得到各计算节点之间和/或各参数服务器之间的相似性特征，再根据计算节点之间的相似性特征查找出计算节点中的异常流量节点，以及根据参数服务器之间的相似性特征查找出参数服务器中的异常流量节点。本申请提供的方法可找到节点中的异常流量节点，可以根据异常流量节点对分布式训练系统重新布局以提高分布式训练的效率。
-
公开(公告)号：CN114330669A
公开(公告)日：2022-04-12
申请号：CN202111681136.X
申请日：2021-12-30
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种面向向量处理器的半精度向量化conv1×1卷积方法及系统，方法包括：将半精度权值数据和半精度输入数据存储在双倍速率同步动态随机存储器中；调用直接存储器访问操作，将半精度权值数据和半精度输入数据从双倍速率同步动态随机存储器分别加载到片上标量存储器SM空间和片上阵列存储器AM空间；在SM空间中，对加载到片上SM空间的权值数据进行向量化处理，在AM空间中，将向量化处理后的权值数据与AM空间上的输入数据做卷积操作conv1×1，得到卷积后的特征图数据。本发明能够结合向量处理器的体系结构特征，将卷积计算(conv1×1)面向向量处理器体系结构向量化，在保证精度的前提下实现了FLOPs的提升。
-
Patent Agency Ranking
公开(公告)号：CN113626769B
公开(公告)日：2022-01-21
申请号：CN202111184815.6
申请日：2021-10-12
Applicant: 中国人民解放军国防科技大学
IPC: G06F17/18
Abstract: 本发明公开了一种面向向量处理器的低位宽数据矩阵向量化转置方法及系统，方法包括：将低位宽数据矩阵存储在双倍速率同步动态随机存储器中；调用直接存储器访问操作，将低位宽数据矩阵从双倍速率同步动态随机存储器加载到片上阵列存储器空间；在阵列存储器空间中，对加载到片上阵列存储器空间后的矩阵进行转置处理，得到转置后的矩阵。本发明能够高效的实现低位宽数据矩阵的转置操作。
-
公开(公告)号：CN111461193A
公开(公告)日：2020-07-28
申请号：CN202010220384.3
申请日：2020-03-25
Applicant: 中国人民解放军国防科技大学
IPC: G06K9/62
Abstract: 本发明公开一种用于开源事件关联预测的递增张量分解方法及系统，该方法包括：以事件数据导入的多维特征为核心要素类别建立事件全局索引结构，根据新到达事件数据递增维护事件全局索引结构，完成事件索引递增数据结构的构建；采用隐含因子矩阵表示结构构建事件张量分解模型并初始化，根据随机梯度下降方法建立张量递增更新规则，通过动态事件数据更新张量分解模型；根据隐含因子矩阵预测任意两事件要素的关联关系、任意两事件的关联关系，抽取事件记录主成分。用于解决现有技术中事件数据高阶稀疏、事件主成分探索及事件数据持续更新问题，实现适应高阶稀疏、支持主成分探索、支持数据持续更新。
-
公开(公告)号：CN111460230A
公开(公告)日：2020-07-28
申请号：CN202010219504.8
申请日：2020-03-25
Applicant: 中国人民解放军国防科技大学
IPC: G06F16/90 , G06F16/901 , G06F16/903
Abstract: 本发明公开一种自修复的计数式摘要方法，包括以下步骤：构建自修复的计数式摘要结构；执行键值对插入操作：将一个键值对掺入到所述计数式摘要结构中；执行键值对删除操作：利用所述键校验域信息计算一个键对应的桶的集合，仅保留一个桶的值并从其他桶中删除该键值对；执行键值对解码操作：从所述计数式摘要结构中发现并修复多个键值对共用的桶；执行键值对查询操作：查询一个键值对是否记录到所述计数式摘要结构中。本发明通过引入修复操作到计数式摘要数据结构，能有效降低甚至消除原有的查询误差，提升计数式摘要的信息记录精度和查询的有效性，并且保持常数级的插入和查询操作，确保判断的准确性。
-
公开(公告)号：CN111414951A
公开(公告)日：2020-07-14
申请号：CN202010181282.5
申请日：2020-03-16
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种用于图像的细分类方法及装置，方法包括：将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。本申请在使用基础分类网络分析出遥感图像上的飞行器的类别后，如果该类别为易混淆类别，可以从已建立好的不同混淆类别与决策码的对应关系中，获得该类别对应的决策码，并基于该决策码对应的分类策略有分析有针对性的分析遥感图像上的飞行器的类别，降低混淆程度，从而提升图像分类的效率。
-
公开(公告)号：CN111368634A
公开(公告)日：2020-07-03
申请号：CN202010080821.6
申请日：2020-02-05
Applicant: 中国人民解放军国防科技大学
Abstract: 本申请实施例中提供了一种基于神经网络的人头检测方法、系统及存储介质。采用本申请基于神经网络的人头检测方法，通过输入被测图像至深度残差网络提取得到特征响应图；然后，输入特征响应图至空间注意力网络得到注意力图，注意力图用于增强特征响应图得到增强特征响应图；其次，输入增强特征响应图至区域生成网络RPN得到候选框；最后根据候选框的特征得到人头检测结果。通过空间注意力网络获得增强的特征，并提高了分类能力，从而提高了头部和相对区域的特征的质量，有效的提高人头检测的准确程度。通过特征模拟方法进一步提高了分类能力。解决了现有技术的现有的人头检测方法无法很好的解决复杂场景中的漏检和虚警的问题。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.043 seconds)
