-
公开(公告)号：CN117851061A
公开(公告)日：2024-04-09
申请号：CN202410035067.2
申请日：2024-01-09
申请人： 南京理工大学
摘要： 本发明公开了一种面向CPU‑GPU异构片上系统的深度学习神经网络功耗优化调度方法，包括：修改神经网络的实现代码以拆分神经网络，允许定义神经网络的运行模式，选择每一层网络是在CPU上运行还是在GPU上运行，在相应的CPU‑GPU异构片上系统平台测试所有可能的运行模式的时间和功耗数据，并保存；针对电池供电的CPU‑GPU异构片上系统设备，设计电量感知的深度学习神经网络功耗元启发式优化调度算法，根据电量状态并结合任务的实时性要求，使用元启发式算法寻找最适合当前状态的切割方式。本发明能够权衡深度学习神经网络在CPU‑GPU异构边缘设备上运行的实时性和能耗，通过在低电量状态下采用网络层迁移技术和动态电压调整技术，提高异构边缘设备运行深度学习神经网络的续航时间。
-
公开(公告)号：CN117421161A
公开(公告)日：2024-01-19
申请号：CN202311583691.8
申请日：2023-11-23
申请人： 南京理工大学
IPC分类号： G06F11/14
摘要： 本发明公开了一种地理分布式数据中心系统的工作流容错调度方法，其特征在于使用一种创建副本的容错调度算法在截止期限约束下满足工作流的高可靠性需求，并实现系统总花销的最小化。本申请提案所述方法，全面考虑工作流在数据存储、数据传输和任务执行时可靠性需求，不仅使用数据存储副本和任务执行副本，而且通过主动复制的方式创建数据传输副本，系统解决了地理分布式数据中心环境的工作流容错调度问题，具有较高创新性和新颖性。
-
公开(公告)号：CN115795221A
公开(公告)日：2023-03-14
申请号：CN202211543502.X
申请日：2022-12-03
申请人： 南京理工大学
摘要： 本发明公开了一种联合深度先验和可学习成像模型的光谱计算成像方法与装置，涉及光谱计算成像领域。本发明方法包括两个阶段，训练阶段中构建用于训练的高光谱数据集；利用半二次方分裂算法迭代求解优化问题，并根据迭代步骤构建深度展开网络；利用均方根误差函数作为所述网络损失函数，并训练；满足一定终止条件后，保存网络结构及参数。使用阶段，建立压缩光谱数据采集装置；采集压缩光谱数据并进行预处理，利用训练阶段保存的模型对压缩光谱数据进行重建。本发明利用深度先验项对数据进行多频率增强，有效地提高了方法的细节纹理恢复能力以及重构精度，同时该装置可以兼顾灵活性与可解释性的应用需求。
-
公开(公告)号：CN112508829B
公开(公告)日：2022-09-27
申请号：CN202010616742.2
申请日：2020-06-30
申请人： 南京理工大学
摘要： 本发明公开了一种基于剪切波变换的pan‑sharpening方法。该方法通过结合高空间分辨率全色图像（PAN）和低空间分辨率多光谱图像（MS）的空谱信息，得到具有高空间分辨率的多光谱图像（HRMS）。该方法的核心为两步的剪切波域图像融合；融合过程分为两步进行，且每步都在剪切波域进行。本发明在传统pan‑sharpening方法的基础上，不仅利用了PAN图像的空间结构信息和MS图像的光谱信息，并且充分挖掘了高、低分辨率PAN和MS图像之间的光谱和空间关系，通过这些信息的有机融合，得到了具有光谱保真，空间细节丰富的融合图像。
-
公开(公告)号：CN109801218B
公开(公告)日：2022-09-20
申请号：CN201910013887.0
申请日：2019-01-08
申请人： 南京理工大学
摘要： 本发明公开了一种基于多层耦合卷积神经网络的多光谱遥感图像Pan‑sharpening方法，通过两个卷积自编码器分别提取输入图像与输出图像的高层特征，并通过耦合卷积网络在两个高层特征间建立特征映射层的同时在网络的输入与输出图像间建立端到端连接，最终微调整体网络框架。本发明通过卷积自编码器的算法充分提取了图像LM‑HR和图像HR‑MS的内在特征，并通过耦合卷积的方式，在两个内在特征间建立卷积神经网络并在网络的输入与输出间创建连接形成端到端的网络，提高了融合精度。
-
公开(公告)号：CN114118308A
公开(公告)日：2022-03-01
申请号：CN202210091082.X
申请日：2022-01-26
申请人： 南京理工大学
摘要： 本发明公开了一种基于约束能量最小化变分自编码的高光谱目标检测方法，包括以下步骤：利用约束能量最小化算法粗检测得到用于网络训练的背景样本；将背景样本输入到变分自编码器网络中进行训练，在变分自编码网络中引入能量最小化约束，从而在训练过程中，抑制疑似目标像元的影响，更好地重构出背景；用原始图像与重构背景作差得到残差，再使用约束能量最小化对残差进行检测得到检测图，其中自相关矩阵由重构的背景成分计算得到，对检测图使用非线性函数抑制背景像素保持目标像素不变，最后根据检测图得到最终的结果。本发明提出将约束能量最小化的自相关矩阵使用重构背景计算，消除了目标对自相关矩阵计算的影响，提高了目标检测精度。
-
公开(公告)号：CN113034343B
公开(公告)日：2021-09-03
申请号：CN202110588085.X
申请日：2021-05-28
申请人： 南京理工大学
摘要： 本发明公开了一种参数自适应的高光谱图像分类GPU并行方法，包括以下步骤：针对高光谱分类并行算法，在CPU+多GPU异构平台上构造并行计算负载均衡模型；根据CPU+多GPU异构系统负载均衡模型采用二进制编码来对异构系统的参数配置方案进行描述；根据异构系统负载均衡模型采用布谷鸟搜索算法求解CPU+多GPU异构系统负载均衡模型的最优解；根据获得的最优解为异构系统配置相应的参数并运行高光谱遥感图像分类并行算法，参数包括：CPU参与计算的核数、CPU频率、GPU参与计算的设备数、GPU频率和CPU计算的任务占总任务的百分比。本发明能够充分利用CPU与GPU的计算资源，对高光谱遥感数据进行快速地分类。
-
公开(公告)号：CN113157661A
公开(公告)日：2021-07-23
申请号：CN202110451095.9
申请日：2021-04-26
申请人： 南京理工大学
IPC分类号： G06F16/182 , G06F16/2453
摘要： 本发明公开了一种基于云平台的高光谱遥感大数据奇异值分解的分布式并行优化方法，包括：将高光谱原始图像分块上传至HDFS分布式文件系统中，使用Spark云计算框架进行分布式并行读取；将读取结果封装成矩阵形式，并执行双边Jacobi方法；将所有分块数据的计算结果进行合并，对合并矩阵执行双边Jacobi算法。本发明能够快速、精确地对高光谱遥感图像进行奇异值分解。
-
公开(公告)号：CN112149652A
公开(公告)日：2020-12-29
申请号：CN202011351142.4
申请日：2020-11-27
申请人： 南京理工大学
摘要： 本发明公开了一种用于高光谱图像有损压缩的空谱联合深度卷积网络方法，用于在低比特率下对高光谱图像进行有损压缩，该方法包括：高光谱图像整体输入到卷积神经网络当中训练和测试；编码器和解码器采用卷积结构提取高光谱图像的空谱特征，网络采用的激活函数为广义分裂归一化层，经过量化器和熵编码后得到比特流进行存储和传输；考虑到波段之间的相关性，首先采取单向光谱卷积针对光谱信息进行压缩和解压缩，再通过编码器提取空谱联合特征；网络损失函数为率‑失真损失函数。该损失函数平衡压缩率与图像失真程度，使得网络能够根据不同的平衡因子学习到不同的压缩能力，在性能上有了显著的提升。
-
公开(公告)号：CN108133465A
公开(公告)日：2018-06-08
申请号：CN201711489305.3
申请日：2017-12-29
申请人： 南京理工大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种基于空谱加权TV的非凸低秩松弛的高光谱图像恢复方法。首先利用局部空间邻域的梯度信息，建立空谱联合的加权TV，继而在高光谱图像低秩恢复的框架下，引入矩阵的γ范数作为矩阵秩的非凸松弛，结合空谱加权TV，建立空谱加权TV的高光谱图像非凸低秩恢复模型。利用ADMM方法(Alternating Direction Method of Multipliers，交替方向乘子法)将模型分解为几个子问题，并分别采用非凸软阈值算子，分裂Bregman迭代，软阈值收缩算子等对转换后的子问题进行求解；得到恢复后的高光谱图像。本发明充分挖掘高光谱图像的光谱以及空间信息，具有很好的空间结构保持性能、光谱保真性，同时，具有良好的无偏性和鲁棒性，本发明能够快速、有效的去除混合噪声，得到具有良好视觉效果的高光谱图像。
-
-
-
-
-
-
-
-
-
搜索结果
84 条记录 (耗时 0.027 秒)
