-
公开(公告)号：CN118312134B
公开(公告)日：2024-08-16
申请号：CN202410721134.6
申请日：2024-06-05
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F7/523
摘要： 本申请涉及一种用于SRAM阵列内乘法的部分积生成电路和乘法器，该电路包括：Booth编码器、备选部分积生成模块、部分积选择模块以及补码计算加1实现模块。Booth编码器用于对乘数进行Booth编码，得到Booth编码结果；备选部分积生成模块用于生成五个备选部分积，备选部分积是补码表示的有符号数；部分积选择模块用于根据Booth编码结果从五个备选部分积中选择一个；补码计算加1实现模块用于将补码计算中的加1计算从部分积生成电路中分离，并合并到部分积累积的计算中。该电路与现有或非门的部分积方式相比，实现面积相当，但大幅度减少了部分积数量，能够显著提升SRAM阵列内计算的速度和能效。
-
公开(公告)号：CN114218524A
公开(公告)日：2022-03-22
申请号：CN202111283133.0
申请日：2021-11-01
申请人： 中国人民解放军国防科技大学 , 北京动力机械研究所
摘要： 本发明公开了一种大规模多运算浮点矩阵计算加速实现方法，该方法包括：步骤S1：根据待处理矩阵的操作类型，接收外部输入信号，判断矩阵运算模式：当运算模式是矩阵加、矩阵减时，转入执行步骤S3，当运行模式是矩阵乘、矩阵‑向量乘、矩阵‑标量乘时，转入执行步骤S2；步骤S2：初始化片上RAM为零，转入执行步骤S4；步骤S3：通过RAM通道加载数据源C到片上RAM中，转入执行步骤S4；步骤S4：通过RAM通道预加载部分数据流A，而后边计算边加载数据流A和数据流B；步骤S5：计算完后，将计算结果传输到片外存储器。该装置用来实施上述方法。本发明具有低存储需求、高计算效率、复用度高、适用范围广等优点。
-
公开(公告)号：CN109919241A
公开(公告)日：2019-06-21
申请号：CN201910200211.2
申请日：2019-03-15
申请人： 中国人民解放军国防科技大学
摘要： 本发明属于高光谱智能感知领域，公开了基于概率模型和深度学习的高光谱未知类别目标检测方法，其步骤为，S1:将高光谱训练数据输入到训练好的CNN分类模型，输出每种类别的所有样本的激活向量；S2:将所有属于同一类别且分类正确的样本的激活向量累加并求均值，得到均值激活向量，用该均值激活向量代表该类别的中心；S3:基于每一类别中所有样本的激活向量及该类别的均值激活向量拟合属于每一种类别的威布尔模型；S4:基于每个类别的威布尔拟合结果，把高光谱测试数据输入到CNN模型和概率模型组成网络，计算属于未知类别的概率；本发明结构清晰、易于实现，降低了神经网络学习模型的训练要求，能够明显提升未知类别目标检测的效果。
-
公开(公告)号：CN112200123B
公开(公告)日：2022-04-05
申请号：CN202011151970.3
申请日：2020-10-24
申请人： 中国人民解放军国防科技大学
IPC分类号： G06V20/10 , G06V10/77 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
摘要： 本发明属于图像处理技术领域，公开了一种联合稠密连接网络和样本分布的高光谱开放集分类方法；包括数据预处理，对高光谱数据进行人工标注、双边滤波保边降噪、主成分分析降维和最大最小归一化处理；然后使用1D/2D稠密连接网络提取高光谱预处理数据的光谱和空间特征，使用SoftMax分类器得到输入数据相对于各已知类的概率值，取最大概率值所对应的类为其预测类别；使用箱线图方法捕获训练数据的异常分类概率值，得到各已知类的异常值判断阈值，然后对输入数据的预测类别所对应的概率值进行判断：若概率值大于该预测类别的异常值判断阈值，则输入数据属于预测类别，否则属于未知类。本发明结合深度学习和箱线图方法，能在已知类分类的同时拒绝未知类。
-
公开(公告)号：CN112801204B
公开(公告)日：2022-03-15
申请号：CN202110187864.9
申请日：2021-02-09
申请人： 中国人民解放军国防科技大学
IPC分类号： G06V10/764 , G06V10/77 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/10 , G06K9/62 , G06N3/08 , G06N3/04
摘要： 本发明公开了一种基于自动神经网络的具有终身学习能力的高光谱分类方法。本发明步骤为，S1：对原始数据进行传统的主成分分析；S2：将数据随机划分为训练集、验证集和测试集；S3：将训练集样本输入到卷积神经网络中进行处理，当运行于第一个任务时，基于数据样本和给定的自动神经网络设定参数空间，分析不同网络结构性能，完成搜索后，记录模型验证集准确率，根据验证集准确率采用最高性能模型；S4：根据结果计算损失，再通过反向传播修改网络参数，不断重复上述训练过程；S5：将测试集样本放入分类模型中，对提取的特征进行处理，进行分类预测。通过Softmax作为输出层，实现分类计算。本发明能够明显提升在多种高光谱图像连续进行分类的效果。
-
公开(公告)号：CN113221848A
公开(公告)日：2021-08-06
申请号：CN202110639872.2
申请日：2021-06-09
申请人： 中国人民解放军国防科技大学
摘要： 一种基于多分类器域对抗网络的高光谱开放集领域自适应方法，基于多分类器结构的动态自适应阈值方案以评估目标域中各样本的域级可识别特征信息，从而增强对抗训练过程的鲁棒性，最终实现在准确分类目标域中与源域的共有类别的同时拒绝未知类别目标为“unknown”类。本发明结构清晰，易于实现，能够明显提升开放集场景下的高光谱图像分类效果，具有深厚的理论基础与实际意义。
-
公开(公告)号：CN108037906B
公开(公告)日：2021-07-13
申请号：CN201711342559.2
申请日：2017-12-14
申请人： 中国人民解放军国防科技大学
IPC分类号： G06F7/544
摘要： 本发明公开一种基于TCORDIC算法的浮点基本函数实现方法及装置，该方法步骤包括：S1.根据待处理函数的类型获取对应的计算边界；将输入角度与计算边界进行比较，当输入角度的绝对值小于计算边界时，转入执行步骤S3，否则转入执行步骤S2；S2.使用定点CORDIC算法进行计算，转入执行步骤S4；S3.使用Taylor展开进行计算，转入执行步骤S4；S4.对计算结果进行规格化处理，输出最终的计算结果；该装置包括预处理模块、CORDIC算法计算模块以及Taylor展开计算模块。本发明能够基于统一TCORDIC算法实现浮点基本函数计算，且具有实现简单、相对误差及开销小及精度高等优点。
-
公开(公告)号：CN112801853A
公开(公告)日：2021-05-14
申请号：CN202110178449.7
申请日：2021-02-09
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了一种基于NAPC的高光谱图像特征提取的并行加速方法。其步骤为：S1：输入高光谱原始图像数据，通过padding改变尺寸来达到后续计算空间优化；S2：初始化后，搭建核函数完成噪声估计，调用SGEMMS库计算协方差矩阵，并利用cusolver对噪声协方差矩阵进行第一次SVD变换；S3：用SVD分解结果计算调整后的观测矩阵，对其进行第二次SVD变换；S4：利用提出的新的选取规则自适应确定降维数K值，并根据K值裁剪得到调整矩阵，继续计算得到最终的变换矩阵与降维后的数据。关闭整套函数调用，释放空间。计算结果显示并行部署的特征提取效果在分类准确性上保持很高的水准，并在计算开销上与OpenCV和PyTorch的实现相比有很大的加速比，满足更高的实时性要求。
-
公开(公告)号：CN112200123A
公开(公告)日：2021-01-08
申请号：CN202011151970.3
申请日：2020-10-24
申请人： 中国人民解放军国防科技大学
摘要： 本发明属于图像处理技术领域，公开了一种联合稠密连接网络和样本分布的高光谱开放集分类方法；包括数据预处理，对高光谱数据进行人工标注、双边滤波保边降噪、主成分分析降维和最大最小归一化处理；然后使用1D/2D稠密连接网络提取高光谱预处理数据的光谱和空间特征，使用SoftMax分类器得到输入数据相对于各已知类的概率值，取最大概率值所对应的类为其预测类别；使用箱线图方法捕获训练数据的异常分类概率值，得到各已知类的异常值判断阈值，然后对输入数据的预测类别所对应的概率值进行判断：若概率值大于该预测类别的异常值判断阈值，则输入数据属于预测类别，否则属于未知类。本发明结合深度学习和箱线图方法，能在已知类分类的同时拒绝未知类。
-
公开(公告)号：CN110348399A
公开(公告)日：2019-10-18
申请号：CN201910635970.1
申请日：2019-07-15
申请人： 中国人民解放军国防科技大学
摘要： 本发明属于图像处理技术领域，公开了一种基于原型学习机制和多维残差网络的高光谱智能分类方法。首先，构造适用于高光谱图像特征的多维残差网络，用于提取高光谱图像的光谱和空间特征；其次，构造基于原型学习机制的类别预测函数，对传统深度学习使用的softmax分类器进行替换；然后构造新型的原型距离损失函数，对传统的softmax交叉熵损失函数进行替换，完成对多维残差网络参数的优化更新。本发明引入多维残差网络，舍弃传统的softmax分类器和softmax交叉熵损失函数，构造并应用基于原型学习机制的类别预测函数和原型距离损失函数，具有针对高光谱图像分类问题精度高，训练过程收敛速度快，训练得到的分类模型的鲁棒性高等优点。
-
-
-
-
-
-
-
-
-
搜索结果
42 条记录 (耗时 0.031 秒)
