一种面向复杂纹理结构的艺术字生成系统

    公开(公告)号:CN114943783A

    公开(公告)日:2022-08-26

    申请号:CN202210651537.9

    申请日:2022-06-09

    Applicant: 南京大学

    Abstract: 本申请提供一种面向复杂纹理结构的艺术字生成系统,包括输入处理模块处理输入的源文字生成黑白文本掩膜,利用黑白文本掩膜处理输入的风格图片生成风格小块;生成对抗网络模型的第一生成器处理黑白文本掩膜和风格小块,生成扩充预设倍数的真实边缘的风格大块;生成对抗网络模型的第二生成器处理风格大块进行,生成风格大块的黑白风格掩膜;细节细化模块包括结构细化网络和纹理细化网络,结构细化网络结构细化处理风格大块,生成中间艺术字;纹理细化网络根据黑白风格掩膜纹理细化处理中间艺术字,生成最终艺术字。如此,通过生成艺术字雏形,再对艺术字雏形进行结构和细节细化,实现了基于复杂纹理结构生成复杂风格效果的艺术字。

    超轻量级图片去雾及识别网络模型、图片去雾及识别方法

    公开(公告)号:CN114663292A

    公开(公告)日:2022-06-24

    申请号:CN202011527239.6

    申请日:2020-12-22

    Applicant: 南京大学

    Abstract: 本申请公开了超轻量级图片去雾及识别网络模型,通过该网络模型实现了图片去雾及识别,包括依次相接的双向GAN网络模型以及目标检测网络模型。双向GAN网络模型对雾图进行去雾,输出清晰图至目标检测网络模型进行特征识别处理。目标检测网络模型经过行剪枝重训练,训练过程为对训练集的原始图像进行多次训练,每次训练之前,对原始图像进行预设倍数降采样,每次训练完后,对批归一化层的缩放系数进行排序比较,将其中缩放系数小于预设缩放阈值的通道对应的前一层卷积核去掉,实现剪枝。上述目标检测网络模型在目前微型识别模型的基础上进一步剪枝,极大减小超轻量级图片去雾及识别网络模型的规模,可以部署在算力和功耗资源有限的端侧平台。

    一种基于对数块浮点量化的神经网络加速系统

    公开(公告)号:CN114626516A

    公开(公告)日:2022-06-14

    申请号:CN202210300275.1

    申请日:2022-03-24

    Applicant: 南京大学

    Abstract: 本申请提供一种基于对数块浮点量化的神经网络加速系统。所述系统包括编译器、运行时和神经网络加速器,在使用时,编译器按照量化分块粒度对待部署模型数据进行分块,并将待部署模型全部转换为硬件指令,通过运行时与神经网络加速器进行交互,神经网络加速器根据指令将数据按照搬运分块粒度从片外分块搬运至片上进行加载,并对各个数据量化分块进行对数块浮点量化,最终利用量化结果执行对应的神经网络运算。整个系统通过编译器将模型转换为硬件可以识别的指令,由运行时向硬件下发指令和数据并与硬件进行高效通信,同时采用完全适配于对数块浮点量化方法的硬件架构,计算冗余较少,计算效率较高,可以有效地支持深度神经网络模型的端到端部署。

    一种生成数据集网络模型及雾图生成方法

    公开(公告)号:CN114494387A

    公开(公告)日:2022-05-13

    申请号:CN202210088025.6

    申请日:2022-01-25

    Applicant: 南京大学

    Abstract: 本申请涉及图像处理技术领域,尤其涉及一种生成数据集网络模型及雾图生成方法包括:图像编码模块、耦合生成对抗网络模块、对抗判别模块和合成模块;图像编码模块包括干净图数据集输入端口及雾图数据集输入端口,耦合生成对抗网络模块包括第一生成单元及第二生成单元,对抗判别模块包括第一判别器及第二判别器;第一生成单元包括第一编码器、共享潜在图像域和第一解码器,第二生成单元包括第二编码器、共享潜在图像域和第二解码器。在实际应用过程中,本申请提出了基于耦合生成对抗网络的神经网络框架,通过网络迭代训练过程中采用半监督学习策略和特定的组合损失函数,使得网络生成的图像能够学习到真实图像的深度信息,使得图像更具真实性。

    一种可变形卷积加速器和可变形卷积加速方法

    公开(公告)号:CN113516235A

    公开(公告)日:2021-10-19

    申请号:CN202110788017.8

    申请日:2021-07-13

    Applicant: 南京大学

    Abstract: 本申请涉及卷积神经网络技术领域,提供一种可变形卷积加速器和可变形卷积加速方法。本申请基于FPGA的硬件架构设计,通过取值阶段的映射操作,为卷积计算提供规则化的存取,并设计寄存器阵列来匹配两个阶段的处理速率,并优化存储空间,再根据规则化的输入值,执行卷积操作,得到输出结果。本申请对原始的可变形卷积层进行加速,未对算法进行任何调整,未对偏移量进行大小限制,最大限度地保留原始模型的精度;对于不规则的感受野,采用映射模块将其规则化,并通过寄存器模块的乒乓操作方式将映射模块和卷积模块的运算速率进行匹配,提高了硬件利用率;本申请无需将中间数据存储到片外,降低了对于片外存储结构的访问频率。

    一种基于分解约简的格加密模乘运算方法及架构

    公开(公告)号:CN113467754A

    公开(公告)日:2021-10-01

    申请号:CN202110819402.4

    申请日:2021-07-20

    Applicant: 南京大学

    Abstract: 本申请属于数据密码处理技术领域,从降低格加密计算的复杂度角度出发,提供一种基于分解约简的格加密模乘运算方法及架构,所述方法包括:限定有限域的特征模素数q的形式,输入模素数q、被乘数X和乘数Y,对被乘数X和乘数Y以基数2N进行分解,再将X和Y乘积的展开式按基数22N进行分解后直接取模约简得到第一约简中间值,对第一约简中间值按基数22N进行分解后直接取模约简,获得第二约简中间值,再根据第二约简中间值的大小将其调整到模q有限域中,本申请通过分解约简,有效减少了中间数据的数据位宽,提出了更低计算复杂度和计算延迟的格加密模乘运算方法,并设计了相应的模乘运算架构,而且本申请的模乘运算方法和架构不失通用性。

    一种在大规模天线系统中改善系统复杂度的信号检测方法

    公开(公告)号:CN107888537B

    公开(公告)日:2021-07-30

    申请号:CN201711254630.1

    申请日:2017-11-28

    Applicant: 南京大学

    Inventor: 王中风 曾静 林军

    Abstract: 本发明公开了一种在大规模天线系统中改善系统复杂度的信号检测方法。在通信系统中天线数目的增加将导致信号检测的过程和计算变得非常复杂。本发明提出了一种基于信道硬化特性的深度简化的消息传递方法,包括以下步骤:步骤一,系统实数域化,并行计算每个用户的软消息向量,排序确定其最大软消息对应的星座点向量;步骤二:迭代计算,依次计算每个用户的均值消息和软消息向量,更新最大软消息对应的星座点向量,并即时运用于下个用户的消息传递;步骤三:利用固定星座点向量计算均值,并行完成最后一次消息传递,将更新后的星座点向量转化回复数域后作为对信号的估计。本发明利用即时更新和固定点计算相结合的消息传递方式,能够在不影响系统误码率性能的前提下有效降低系统的迭代次数和计算复杂度,具有一定的创新性。

    一种可重构神经网络训练计算方法及装置

    公开(公告)号:CN112181358A

    公开(公告)日:2021-01-05

    申请号:CN202011158090.9

    申请日:2020-10-26

    Applicant: 南京大学

    Abstract: 本申请公开了一种可重构神经网络训练计算方法及装置,包括获取输入数据的属性信息;所述属性信息包括卷积核大小、步长值和计算模式信息;根据所述属性信息生成控制指令,将原始计算单元配置为训练计算单元;本申请的方案采用多路选择器来适配不同的计算模式,通过获取输入数据的属性信息,并根据属性信息将原始计算单元配置为训练计算单元,使得训练计算单元可以高效支持前向传播、反向传播、梯度生成过程中多种不同的计算模式,提高计算单元利用率,还具有消除不同阶段下产生的无效计算的效果;同时,通过该架构的灵活性,有提高单元利用率的优点,能够降低冗余计算和提高数据复用率,从而能够加速卷积网络训练过程。

    一种基于E-G两步法的配对交易协整关系加速验证方法

    公开(公告)号:CN112131529A

    公开(公告)日:2020-12-25

    申请号:CN202010999435.7

    申请日:2020-09-22

    Applicant: 南京大学

    Abstract: 本申请公开一种基于E‑G两步法的配对交易协整关系加速验证方法,包括:获取待验证协整关系的两个时间序列;对其残差及所述残差的差分进行增广迪基福勒检验,其中:利用LDLT分解法求解最大滞后阶数对应的回归分析结果;根据所述最大滞后阶数对应的回归分析结果,获取全部滞后阶数对应的回归分析结果,得到对应的误差平方和;利用优化的赤池信息量准则公式,计算所述全部滞后阶数对应的赤池信息量准则函数值;选取最小的所述赤池信息量准则函数值对应的滞后阶数为最优滞后阶数;得到所述最优滞后阶数对应的回归系数。本申请针对传统算法中的多次应用普通最小二乘法算法进行算法强度缩减和近似计算,提高两个时间序列协整关系的验证速度。

    一种基于卷积自动编码算法的图像压缩硬件加速器装置

    公开(公告)号:CN111800636A

    公开(公告)日:2020-10-20

    申请号:CN202010660030.0

    申请日:2020-07-06

    Applicant: 南京大学

    Abstract: 本发明公开了一种基于卷积自动编码算法的图像压缩硬件加速器装置。本装置主要由控制单元,逻辑计算加速单元和存储单元三大部分组成。控制单元主要包含对逻辑计算加速单元的控制和对存储单元的控制;逻辑计算加速单元包含复用处理器、周期并行卷积计算单元和计算单元组成的卷积计算阵列;存储单元包括像素存储器、权值存储器、结果存储器和片外动态存储器。本装置对于图像压缩的加速主要为:针对图像特点做出的卷积拆分;增加计算并行度;周期性的卷积控制。由于本装置的周期性卷积拆分和高并行度的工作特点,可以非常有效地利用卷积自动编码算法,针对图像进行压缩处理加速,避免过多的硬件资源消耗,具有一定创新性。

Patent Agency Ranking