-
公开(公告)号：CN110378465A
公开(公告)日：2019-10-25
申请号：CN201910118216.0
申请日：2019-02-16
Applicant: 海青智盈技术公司
Abstract: 深度学习图像处理系统至少包含第一和第二组基于细胞神经网络(CNN)的集成电路(IC)。第一组和第二组经由网络总线可操作地并联连接。在第一和第二组中的每个内的基于CNN的IC经由网络总线可操作地串联连接。第一组被配置用于在深度学习模型的相应部分中执行卷积运算，以从输入数据的第一子部分中提取出特征。第二组被配置用于在深度学习模型的相应部分中执行卷积运算，以从输入数据的第二子部分中提取出特征。深度学习模型被划分为由相应的基于CNN的IC处理的多个连续部分。输入数据至少被划分为第一和第二子部分。
-
公开(公告)号：CN109145314A
公开(公告)日：2019-01-04
申请号：CN201810880139.8
申请日：2018-08-03
Applicant: 海青智盈技术公司
CPC classification number: G06F17/2785 , G06F17/2735 , G06F17/274 , G06F17/2765 , G06F17/2863 , G06K9/18 , G06K9/4628 , G06K9/6269 , G06K9/6271 , G06K9/66 , G06K2209/01 , G06N3/0454 , G06N3/0481 , G06N3/063 , G06N3/08 , G06F17/28
Abstract: 在计算系统中接收自然语言文本串并形成多层2‑D符号。2‑D符号包括表示“超级字符”的K位数据的N×N像素矩阵。矩阵被划分成M×M个子矩阵，每个子矩阵都包含(N/M)×(N/M)个像素。K、N和M是正整数，并且N优选地是M的倍数。每个子矩阵都表示被定义在表意符号收集集合中的一个表意符号。“超级字符”表示由多个表意符号的特定组合形成的含义。在基于细胞神经网络或细胞非线性网络(CNN)的集成电路中，通过经由具有双值3×3滤波器内核的经训练的卷积神经网络模型对2‑D符号进行分类来学习“超级字符”的含义。
-
公开(公告)号：CN110414599A
公开(公告)日：2019-11-05
申请号：CN201910684593.0
申请日：2019-07-26
Applicant: 海青智盈技术公司
Abstract: 一种基于集成学习的图像分类系统，包含多个基于细胞神经网络(CNN)的集成电路(IC)，所述多个基于细胞神经网络的集成电路操作联接在一起作为用于图像分类任务的一组基础学习器。每个基于CNN的IC配置有以过滤器系数形式的至少一个有区别的深度学习模型。基于集成学习的图像分类系统还包含：被配置为该集成的元学习器的控制器；以及用于保持由所述控制器和基于CNN的IC在该集成中使用的各种数据的基于存储器的数据缓冲器。各种数据可以包括待分类的输入图像数据。各种数据还可以包括来自所述一组基础学习器的经提取的特征向量或图像分类输出。然后，所述经提取的特征向量或图像分类输出被元学习器使用以进一步执行该图像分类任务。
-
公开(公告)号：CN110070186A
公开(公告)日：2019-07-30
申请号：CN201910295688.3
申请日：2019-04-12
Applicant: 海青智盈技术公司
Abstract: 公开了通过2-D符号促进机器学习的方法。在第一计算系统中接收对象的特征，所述第一计算系统上安装有2-D符号创建应用模块。根据一组符号创建规则由所述特征形成多层2-D符号。所述2-D符号是被划分为多个子矩阵的N×N像素矩阵，每个子矩阵包含一个特征，其中N是正整数。通过使用图像处理技术在第二计算系统中学习2-D符号中的组合特征的含义，以对从第一计算系统传输的2-D符号进行分类。符号创建规则确定2-D符号中的子矩阵的重要性顺序、大小和位置。
-
Patent Agency Ranking
公开(公告)号：CN109145314B
公开(公告)日：2019-07-26
申请号：CN201810880139.8
申请日：2018-08-03
Applicant: 海青智盈技术公司
CPC classification number: G06F17/2785 , G06F17/2735 , G06F17/274 , G06F17/2765 , G06F17/2863 , G06K9/18 , G06K9/4628 , G06K9/6269 , G06K9/6271 , G06K9/66 , G06K2209/01 , G06N3/0454 , G06N3/0481 , G06N3/063 , G06N3/08
Abstract: 在计算系统中接收自然语言文本串并形成多层2‑D符号。2‑D符号包括表示“超级字符”的K位数据的N×N像素矩阵。矩阵被划分成M×M个子矩阵，每个子矩阵都包含(N/M)×(N/M)个像素。K、N和M是正整数，并且N优选地是M的倍数。每个子矩阵都表示被定义在表意符号收集集合中的一个表意符号。“超级字符”表示由多个表意符号的特定组合形成的含义。在基于细胞神经网络或细胞非线性网络(CNN)的集成电路中，通过经由具有双值3×3滤波器内核的经训练的卷积神经网络模型对2‑D符号进行分类来学习“超级字符”的含义。
-
公开(公告)号：CN110070186B
公开(公告)日：2020-07-24
申请号：CN201910295688.3
申请日：2019-04-12
Applicant: 海青智盈技术公司
Abstract: 公开了通过2‑D符号促进机器学习的方法。在第一计算系统中接收对象的特征，所述第一计算系统上安装有2‑D符号创建应用模块。根据一组符号创建规则由所述特征形成多层2‑D符号。所述2‑D符号是被划分为多个子矩阵的N×N像素矩阵，每个子矩阵包含一个特征，其中N是正整数。通过使用图像处理技术在第二计算系统中学习2‑D符号中的组合特征的含义，以对从第一计算系统传输的2‑D符号进行分类。符号创建规则确定2‑D符号中的子矩阵的重要性顺序、大小和位置。
-
公开(公告)号：CN110321974A
公开(公告)日：2019-10-11
申请号：CN201910118220.7
申请日：2019-02-16
Applicant: 海青智盈技术公司
IPC: G06K9/68
Abstract: 一种用于识别手写汉字的装置，包含：总线；连接到总线的输入装置，用于接收根据手写汉字创建的输入图像数据；基于细胞神经网络或细胞非线性网络(CNN)的集成电路，可操作地连接到总线，用于使用存储在其中的多个有序的卷积层的预训练滤波器系数而从输入图像数据中提取特征；连接总线的存储器，该存储器被配置用于存储完全连接(FC)层的权重系数；连接到总线的处理单元，用于执行FC层的计算，以将来自基于CNN的集成电路中提取的特征分类为预定义的汉字集中的特定汉字；以及连接到总线的显示单元，用于显示特定汉字。使用多个双值3×3滤波器内核作为预训练滤波器系数，实现了大于95％的识别准确率。
-
公开(公告)号：CN110059815A
公开(公告)日：2019-07-26
申请号：CN201910263665.4
申请日：2019-04-01
Applicant: 海青智盈技术公司
Abstract: 一种人工智能推理计算设备，包含印刷电路板(PCB)和安装在印刷电路板上的若干电子部件。电子部件包括无线通信模块、控制器模块、存储器模块、储存模块和至少一个基于细胞神经网络(CNN)的集成电路(IC)，该基于细胞神经网络的集成电路被配置用于执行深度学习模型中的卷积操作以从输入数据中提取出特征。每一个基于CNN的IC包括可操作地耦接到至少一个输入/输出数据总线的若干CNN处理引擎。CNN处理引擎利用时钟偏移电路以环路连接。无线通信模块被配置用于传输深度学习模型的预训练的滤波器系数、输入数据和分类结果。
-
公开(公告)号：CN110059815B
公开(公告)日：2020-03-24
申请号：CN201910263665.4
申请日：2019-04-01
Applicant: 海青智盈技术公司
Abstract: 一种人工智能推理计算设备，包含印刷电路板(PCB)和安装在印刷电路板上的若干电子部件。电子部件包括无线通信模块、控制器模块、存储器模块、储存模块和至少一个基于细胞神经网络(CNN)的集成电路(IC)，该基于细胞神经网络的集成电路被配置用于执行深度学习模型中的卷积操作以从输入数据中提取出特征。每一个基于CNN的IC包括可操作地耦接到至少一个输入/输出数据总线的若干CNN处理引擎。CNN处理引擎利用时钟偏移电路以环路连接。无线通信模块被配置用于传输深度学习模型的预训练的滤波器系数、输入数据和分类结果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.041 seconds)
