-
公开(公告)号：CN119473707A
公开(公告)日：2025-02-18
申请号：CN202411243693.7
申请日：2024-09-05
Applicant: 北京智芯微电子科技有限公司 , 西北工业大学
Abstract: 本申请公开了一种处理器的故障处理方法、芯片、故障处理装置、容错系统、电子设备及存储介质。故障处理方法包括：在由第一时段切换至第二时段的第一时刻，获取处理器在第一时段内对存储器执行的第一访问请求，处理器在第一时段内处于第一状态，处理器在第二时段内处于第二状态；确定第一访问请求执行读取请求和写入请求的先后顺序；在第一访问请求先执行读取请求后执行写入请求的情况下，读取第一数据，以使处理器再次执行第一访问请求的读取请求，第一数据为处理器第一时段内读取的数据。故障处理方法在确定处理器存在读后写访存冲突的风险较高的情况下，处理器可以读取第一数据，解决了在处理器出现的读后写访存冲突的技术问题。
-
公开(公告)号：CN119920012A
公开(公告)日：2025-05-02
申请号：CN202510117966.1
申请日：2025-01-24
Applicant: 西北工业大学 , 西北工业大学深圳研究院
IPC: G06V40/20 , G06V40/10 , G06V10/762 , G06F17/16 , G06F18/22 , G06F18/213 , G06V10/40
Abstract: 本发明公开了基于缓存修正测试时重排序的跨域跨模态行人搜索方法。该方法包括：对每个聚类中心构造奖励缓存和惩罚缓存；基于目标域的每个语句的特征向量和每个聚类中心对应奖励缓存所存储的目标域的每个语句的特征向量，得到奖励矩阵；基于目标域的每个语句的特征向量和每个聚类中心对应惩罚缓存所存储的目标域的每个语句的特征向量，得到惩罚矩阵；分别对奖励矩阵和惩罚矩阵进行自适应修正，得到修正后的奖励矩阵和修正后的惩罚矩阵；基于修正后的奖励矩阵和修正后的惩罚矩阵，得到目标修正矩阵；基于目标修正矩阵，得到目标相关性矩阵对图像排序。本发明解决了自然语言跨模态行人搜索中跨领域风格适应性差，跨域搜索准确度低的技术问题。
-
公开(公告)号：CN119474438A
公开(公告)日：2025-02-18
申请号：CN202411744379.7
申请日：2024-11-30
Applicant: 西北工业大学 , 西北工业大学深圳研究院
IPC: G06F16/583 , G06F16/538 , G06F40/30 , G06F18/214 , G06F18/22 , G06F18/24 , G06F18/213 , G06N3/084 , G06V10/42 , G06V10/44 , G06V10/774 , G06N3/045 , G06V10/82
Abstract: 本申请属于计算机视觉和自然语言处理技术领域。本申请提供一种基于大模型知识的跨模态行人搜索关键语义完备对齐方法。本公开实施例利用预训练视觉语言大模型所含外部通用知识提取更具判别力的视觉特征和文本特征；设计噪声过滤模块，通过参考模态内的全局和局部语义间的关系，滤除图像和文本中与行人无关的噪声，仅保留与行人相关的细粒度关键语义信息；提出关键语义显著性与完整性联合优化的完备学习模块，同时考虑显著性和完整性两方面的协同关系，实现跨模态行人关键语义信息的完备对齐。能够过滤行人无关的噪声信息，增强模型对行人相关的关键信息的关注度，挖掘跨模态细粒度信息之间的对应关系，进而提升跨模态行人检索的准确度。
-
公开(公告)号：CN113221680B
公开(公告)日：2024-05-28
申请号：CN202110454724.3
申请日：2021-04-26
Applicant: 西北工业大学
IPC: G06F16/53 , G06F18/22 , G06F18/213 , G06V40/10 , G06V10/44 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于文本动态引导视觉特征提炼的文本行人检索方法，构建了一个文本动态引导的视觉特征精炼网络，包括特征提取模块、特征交互模块和跨模态特征匹配模块，系统首先将每个视觉特征水平划分成多个条带区域用于进一步的精炼，随后使用一个基于文本的过滤器生成器生成特定描述的过滤器，用于指示文本输入中对所提到的图像区域的重要程度，之后再运用一个文本动态引导的视觉特征精炼器动态地对每个文本描述进行部分视觉特征的融合，最终对文本特征向量和最终视觉特征进行跨模态特征匹配，实现通过文本对行人图像的检索。本发明能够实现跨模态信息之间的交互，进一步提高行人检索任务的准确率。
-
Patent Agency Ranking
公开(公告)号：CN117037209A
公开(公告)日：2023-11-10
申请号：CN202310906786.2
申请日：2023-07-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于完备属性识别增强的行人属性跨模态对齐方法，该方法首先引入语句结构分析策略提取行人包含的属性，并选择其中的高频属性构建高频属性词汇表；而后设计了一种基于高频属性词汇表的属性识别及增强模块，同时进行互补的上下文预测和属性级预测；其次设计了一种属性完备学习模块，该模块判断高频属性在特征图中对应的位置并进行筛选，同时将剩余部分看作低频属性，分别将高频属性以及低频属性与另一模态的全局上下文特征进行跨模态的对齐学习；最终获得能够同时较好建模高频和低频属性的更具判别力的特征向量。本发明可以有效解决外观相似情况下的自然语言跨模态行人重识别任务中行人属性准确语义对齐的问题。
-
公开(公告)号：CN116503904A
公开(公告)日：2023-07-28
申请号：CN202310368238.9
申请日：2023-04-08
Applicant: 西北工业大学
IPC: G06V40/10 , G06V10/46 , G06V10/72 , G06V10/74 , G06V10/774 , G06V10/82 , G06F18/22 , G06F40/284 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及一种关键细节属性自适应掩膜增强的跨模态行人重识别方法，利用单模态显著属性掩膜模块，参考同一模态中的全局上下文语义来阐明不同属性的重要性；提出了跨模态显著属性掩膜模块，通过细粒度的跨模态关系，以确定不同属性的重要性；提出了属性建模平衡模块，随机选择用于跨模态对齐的掩膜特征的图像‑文本对，确保显著属性与和关键细节属性之间的建模能力平衡；本方法率先考虑自适应地掩膜容易学习的显著属性，通过参考单模态和跨模态关系筛选出容易学习的显著属性，并通过掩膜机制驱动模型提高对关键细节属性的建模能力，进而能够更加准确的区分相似行人，在自然语言行人搜索以及图像文本匹配任务中均获得了显著的检索准确率提升。
-
公开(公告)号：CN116645694A
公开(公告)日：2023-08-25
申请号：CN202310483808.9
申请日：2023-05-04
Applicant: 西北工业大学
IPC: G06V40/10 , G06V10/764 , G06V10/44 , G06V10/77 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0499 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于动态自进化信息抽取和对齐的文本‑目标检索方法，构建了文本引导的动态视觉信息过滤和部件级对齐网络，包括基本图文特征提取模块、行人无关视觉内容过滤模块和行人模态动态自进化模块；在基本图文特征提取模块中，使用一个视觉卷积神经网络和一个语言处理模型提取图像和描述的基本特征；在行人无关视觉内容过滤模块中，采用了Transformer编码器层负责细粒度的像素级视觉特征增强，采用基于原型引导的注意力层分别和从增强后的视觉特征中过滤与行人无关的噪声；最后，在行人模态动态自进化模块中，利用文字描述引导图像级部件掩码自主进化，利用掩码描述对各个行人部件的强调程度，以进行详细的部件级对齐和匹配。
-
公开(公告)号：CN113221680A
公开(公告)日：2021-08-06
申请号：CN202110454724.3
申请日：2021-04-26
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于文本动态引导视觉特征提炼的文本行人检索方法，构建了一个文本动态引导的视觉特征精炼网络，包括特征提取模块、特征交互模块和跨模态特征匹配模块，系统首先将每个视觉特征水平划分成多个条带区域用于进一步的精炼，随后使用一个基于文本的过滤器生成器生成特定描述的过滤器，用于指示文本输入中对所提到的图像区域的重要程度，之后再运用一个文本动态引导的视觉特征精炼器动态地对每个文本描述进行部分视觉特征的融合，最终对文本特征向量和最终视觉特征进行跨模态特征匹配，实现通过文本对行人图像的检索。本发明能够实现跨模态信息之间的交互，进一步提高行人检索任务的准确率。
-
公开(公告)号：CN116822421A
公开(公告)日：2023-09-29
申请号：CN202310184293.2
申请日：2023-03-01
Applicant: 西北工业大学
IPC: G06F30/323
Abstract: 本发明提供了一种基于逻辑移位的数据段替换方法，属于集成电路设计制造领域，具体包括以下步骤：将初始数据2扩展成64位得到数据3，并将初始数据2保存在数据3的高32位；将数据3逻辑右移lsb位得到数据4；截取数据4的低32位，并将其与初始数据1拼接得到数据5，初始数据1在数据5的高32位，截取的数据4的低32位在数据5的低32位；将数据5逻辑右移width+1位得到数据6；截取数据6的低32位得到数据7；将初始数据2扩展成64位得到数据8，初始数据2在数据8的低32位；将数据8逻辑左移得到数据9；截取数据9的高32位，将其与数据7拼接得到数据10；将数据10逻辑右移,得到数据11；截取数据11的低32位得到目标输出结果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.056 seconds)
