-
公开(公告)号：CN119938318A
公开(公告)日：2025-05-06
申请号：CN202411946612.X
申请日：2024-12-25
Applicant: 鹏城实验室
IPC: G06F9/50 , G06N3/063 , G06F18/2415 , G06F18/214
Abstract: 本申请实施例提供了一种神经网络处理器的能效比调优方法以及相关设备，属于计算机处理技术领域，该方法包括：获取神经网络处理器的矩阵参数集合，并基于矩阵参数集合确定神经网络处理器的工作能效比函数；基于工作能效比函数和矩阵参数集合构建贝叶斯分布模型，其中，贝叶斯分布模型包括用于评估矩阵参数集合质量的采集函数；利用采集函数对矩阵参数集合进行贝叶斯优化处理，得到目标矩阵参数集合；基于目标矩阵参数集合控制神经网络处理器进入运行状态。本申请能够提高NPU的能效比、减少能源消耗。
-
公开(公告)号：CN119376902B
公开(公告)日：2025-04-08
申请号：CN202411970335.6
申请日：2024-12-30
Applicant: 鹏城实验室
Abstract: 本申请实施例提供了一种基于智算集群的资源调度方法、装置、设备及存储介质。方法包括：对多个智算集群进行基准测试，得到每个第一集群相对于基准集群的能耗比例因子和时长比例因子；对基准集群执行每个待处理任务的能耗和时长进行预测，得到基准能耗和基准时长；对每个第一集群进行能耗和时长的转换，得到对应的第一能耗和第一时长；将基准集群对应的基准能耗和基准时长，以及每个第一集群对应的第一能耗和第一时长输入至预设的目标模型中，得到待求解模型；基于待求解模型进行求解，确定多个待处理任务与多个智算集群之间的分配关系并将多个待处理任务分配到多个智算集群。以此，能够使得算力资源得到合理利用，有利于环境的可持续发展。
-
公开(公告)号：CN119376902A
公开(公告)日：2025-01-28
申请号：CN202411970335.6
申请日：2024-12-30
Applicant: 鹏城实验室
Abstract: 本申请实施例提供了一种基于智算集群的资源调度方法、装置、设备及存储介质。方法包括：对多个智算集群进行基准测试，得到每个第一集群相对于基准集群的能耗比例因子和时长比例因子；对基准集群执行每个待处理任务的能耗和时长进行预测，得到基准能耗和基准时长；对每个第一集群进行能耗和时长的转换，得到对应的第一能耗和第一时长；将基准集群对应的基准能耗和基准时长，以及每个第一集群对应的第一能耗和第一时长输入至预设的目标模型中，得到待求解模型；基于待求解模型进行求解，确定多个待处理任务与多个智算集群之间的分配关系并将多个待处理任务分配到多个智算集群。以此，能够使得算力资源得到合理利用，有利于环境的可持续发展。
-
公开(公告)号：CN119129699A
公开(公告)日：2024-12-13
申请号：CN202411196157.6
申请日：2024-08-28
Applicant: 鹏城实验室
Abstract: 本发明提供了一种博弈对局的仿真方法，该方法包括获取预置的通用交互范式数据，通用交互范式数据包含多种博弈类型的仿真环境下的交互控制逻辑；获取预置的统一接口集合，统一接口集合包含用于与多种博弈类型的仿真环境交互的接口函数；基于统一接口集合匹配生成目标博弈环境对应的仿真环境适配器；通过仿真环境适配器创建目标博弈环境对应的博弈环境实例，并创建至少一个智能体对象；按照通用交互范式数据控制至少一个智能体对象通过博弈环境实例进行博弈对局交互，以使得博弈仿真系统可以集成各种仿真环境，从而有效提高博弈仿真系统的泛化能力和灵活性。
-
公开(公告)号：CN114398949B
公开(公告)日：2024-07-26
申请号：CN202111519679.1
申请日：2021-12-13
Applicant: 鹏城实验室
Abstract: 本申请公开了一种脉冲神经网络模型的训练方法、存储介质及计算设备，方法包括：各计算节点进行前向传播确定激活值；各计算节点根据激活值计算并传输局部梯度，使得计算节点仅保存其对应的所有局部梯度；根据所有局部梯度确定目标梯度，根据目标梯度确定局部模型参数；将局部模型参数传输至其他计算节点以更新模型参数。本申请中各计算节点计算每个计算节点的局部梯度，传输并删除其他计算节点的局部梯度，使得各计算节点仅保存其对应的所有局部梯度，这样每个计算节点仅需要存放自身的局部梯度及激活值等，降低对计算节点的显示占用量，从而可以增大脉冲神经网络模型的训练批量，提高脉冲神经网络模型的训练速度。
-
Patent Agency Ranking
公开(公告)号：CN114189692B
公开(公告)日：2024-05-14
申请号：CN202010966930.8
申请日：2020-09-15
Applicant: 鹏城实验室
Abstract: 本发明公开了基于连续子空间图变换的点云属性编码方法以及解码方法，通过将目标点云划分为多层级结构，对多层级结构的第二级以及第二级以上的目标点云空间，都由该目标点云空间在下一级的子空间的第一属性系数进行图变换得到该节点的第一属性系数和第二属性系数，目标点云空间的第一属性系数在上一级继续被变换，这样进行连续变换后，最终得到所述目标点云的第一属性系数和各个目标点云空间的第二属性系数，再根据所述目标点云的第一属性系数和各个目标点云空间的第二属性系数进行点云属性编码，在编码的过程中，不涉及寻找变换点的过程，避免了寻找方向的顺序影响点云属性编码效果，保证了点云属性编码质量。
-
公开(公告)号：CN115278269B
公开(公告)日：2024-02-23
申请号：CN202210699502.2
申请日：2022-06-20
Applicant: 鹏城实验室
IPC: H04N19/91 , H04N19/18 , H04N19/50 , H04N19/61 , H04N19/124 , H04N19/186 , H04N19/597
Abstract: 本发明公开一种点云属性编码方法、点云属性解码方法及存储介质，所述编码方法包括：基于待编码点云数据得到目标排序码后对待编码点云数据进行排序；按照排序依次进行属性编码：计算当前待编码点与最相邻点之间的差值距离并与阈值距离比较，根据比较结果调整当前量化参数或当前量化舍入方法后，使用当前调整量化参数或当前调整量化舍入方法对输入系数进行量化得到量化系数。通过在编码时，计算当前待编码点与最相邻点之间的差值距离后与阈值距离比较，并根据比较结果调整当前量化参数或当前量化舍入方法后，对输入系数进行量化得到量化系数，即通过对距离的判定筛选预测误差较大的点，调整量化参数减小预测误差，从而提升重建点云数据的精度。
-
公开(公告)号：CN116701663B
公开(公告)日：2024-01-09
申请号：CN202310982255.1
申请日：2023-08-07
Applicant: 鹏城实验室
IPC: G06F16/36 , G06F16/34 , G06F16/35 , G06F16/33 , G06F16/953
Abstract: 本发明公开了一种基于数字视网膜系统构建知识图谱的方法，方法包括：基于数字视网膜的体系架构创建符合端边云形态的实体和关系图谱；从数字视网膜系统的控制流、模型流、特征流和视频流所涵盖的业务数据进行数据分类治理并存储；结合实际应用系统构建实体和关系并与数字视网膜的特征数据进行实体抽取和知识融合丰富图谱模型；根据数据类型和存储方式构建图数据库与其他数据库的图谱映射关系并导入到图数据库中；基于图数据、图片视频数据和图向量数据构建文本和图谱搜索引擎，提供可视化的检索能力与API服务。本发明能够提供可视化的文本、图片数据搜索和关系拓展服务，并为应用系统提供情报分析、智能问答和辅助决策提供能力支撑。
-
公开(公告)号：CN117221610A
公开(公告)日：2023-12-12
申请号：CN202311129407.X
申请日：2023-08-31
Applicant: 鹏城实验室
IPC: H04N19/91 , H04N19/169
Abstract: 本申请实施例提供了一种点云属性编码解码方法、装置、电子设备及存储介质，属于点云处理技术领域。方法包括：获取待编码点云，其中，待编码点云包括多维属性，对待编码点云的多维属性进行属性维度分组，得到属性维度分组和属性维度分组指示信息，根据多个属性维度间的共用和/或相关信息对属性维度分组内的单维属性进行编码计算，得到目标编码属性系数，对属性维度分组指示信息进行熵编码，并根据预设顺序对目标编码属性系数进行熵编码，得到点云码流。本申请实施例能够提高点云属性的编解码效率。
-
公开(公告)号：CN117197424A
公开(公告)日：2023-12-08
申请号：CN202310968911.2
申请日：2023-08-02
Applicant: 鹏城实验室
IPC: G06V10/25 , G06V10/774 , G06V10/74 , G06N3/0475 , G06N3/045 , G06N3/08 , G06V10/44
Abstract: 本发明实施例提供目标检测方法、样本增强方法、装置、设备和存储介质，涉及人工智能技术领域。目标检测方法利用流数据动态更新数据存储空间中的数据样本，在训练阶段利用样本增强模型对数据存储空间中的部分样本进行增强，以增加样本多样性，然后利用增强样本集、流数据样本和数据存储空间中剩余的数据样本共同作为训练样本进行模型训练，训练样本中包含在一定时间范围内的新数据、旧数据以及伪数据，这样使得目标检测任务模型能够在不断学习新任务的同时，保留以前学过的旧任务的知识，从而提高目标检测任务模型的学习效率和泛化性能，进而提升目标检测任务模型的检测准确率。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.028 seconds)
