公开(公告)号：CN114359255A

公开(公告)日：2022-04-15

申请号：CN202210037901.2

申请日：2022-01-13

Applicant: 西南林业大学 ,  云南省公路科学技术研究院

Inventor： 黄苾 ,  刘国志 ,  代飞 ,  强振平 ,  董跃宇 ,  林宏 ,  杨静 ,  亓祥宇 ,  郝建云 ,  李国辉 ,  黄宗才

IPC: G06T7/00 ,  G06T7/136 ,  G06T5/00 ,  G06N3/08 ,  G06N3/04 ,  G06V10/44

Abstract: 本发明涉及一种基于改进Yolov5s的公路路面修补检测方法，属于目标检测技术领域。本发明首先构建路面修补样本集。再改进Yolov5s网络，使得改进后的Yolov5s网络可以减少模型参数，降低网络计算量。然后使用路面修补样本集对改进后的Yolov5s网络进行训练，得到修补检测模型。最后利用修补检测模型检测路面图像，判断路面图像是否存在修补，若存在，则确定修补位置。

公开(公告)号：CN116894469A

公开(公告)日：2023-10-17

申请号：CN202311163761.4

申请日：2023-09-11

Applicant: 西南林业大学

Inventor： 刘国志 ,  代飞 ,  黄苾 ,  李乐成 ,  王帅 ,  巫晓静 ,  柴新卓 ,  刘宁 ,  杨静 ,  黄宗才 ,  亓祥宇 ,  刘露 ,  强振平

IPC: G06N3/063 ,  G06N3/048 ,  G06F9/50 ,  H04L67/10

Abstract: 本发明涉及深度学习技术领域，尤其涉及一种端边云计算环境中的DNN协同推理加速方法、设备及介质。根据多分支DNN的层类型和计算平台的计算资源，构建目标时延预测模型；基于目标时延预测模型，预测DNN层的执行时延；获取目标平台当前可用带宽资源和可用计算资源，并将可用带宽资源、可用计算资源、截止时延和网络类型，输入最佳退出点预测模型，预测最佳退出点；根据最佳退出点提取多分支DNN，并确定提取后的多分支DNN中的节点划分结果；根据节点划分结果，将提取后的所述多分支DNN中的各个节点，分配至节点划分结果对应的目标平台，目标平台包括终端设备、云服务器和边缘服务器中的至少一个。解决了如何提高端边云计算环境中的DNN协同推理速度的问题。

公开(公告)号：CN116894469B

公开(公告)日：2023-12-15

申请号：CN202311163761.4

申请日：2023-09-11

Applicant: 西南林业大学

Inventor： 刘国志 ,  代飞 ,  黄苾 ,  李乐成 ,  王帅 ,  巫晓静 ,  柴新卓 ,  刘宁 ,  杨静 ,  黄宗才 ,  亓祥宇 ,  刘露 ,  强振平

IPC: G06F9/50 ,  H04L67/10 ,  G06N3/063 ,  G06N3/048

Abstract: 本发明涉及深度学习技术领域，尤其涉及一种端边云计算环境中的DNN协同推理加速方法、设备及介质。根据多分支DNN的层类型和计算平台的计算资源，构建目标时延预测模型；基于目标时延预测模型，预测DNN层的执行时延；获取目标平台当前可用带宽资源和可用计算资源，并将可用带宽资源、可用计算资源、截止时延和网络类型，输入最佳退出点预测模型，预测最佳退出点；根据最佳退出点提取多分支DNN，并确定提取后的多分支DNN中的节点划分结果；根据节点划分结果，将提取后的所述多分支DNN中的各个节点，分配至节点划分结果对应的目标平台，目标平台包括终端设备、云服务器和边缘服务器中的(56)对比文件CN 115841590 A,2023.03.24CN 116187429 A,2023.05.30CN 116227558 A,2023.06.06CN 116341624 A,2023.06.27US 2021056357 A1,2021.02.25US 2021247246 A1,2021.08.12US 2021289456 A1,2021.09.16US 2022358358 A1,2022.11.10WO 2022111002 A1,2022.06.02WO 2022252713 A1,2022.12.08WO 2023091019 A1,2023.05.25刘国志等“.车辆边缘计算环境下基于深度强化学习的服务卸载方法”《.计算机集成制造系统》.2022,第28卷(第10期),第3304-3315.guozhi liu等“.An adaptive DNNinference acceleration framework withend-edge-cloud collaborative computing”.《Future Generation Computer Systems》.2023,第140卷第422-435页.Hsu TzHeng等“.A Cloud-Edge-Smart IoTArchitecture for Speeding Up theDeployment of Neural Network Models withTransfer Learning Techniques”.《Electronics》.2022,第11卷(第14期),第1-12页.Enzo Baccarelli等.“Learning-in-the-Fog(LiFo)：Deep Learning Meets FogComputing for the Minimum-EnergyDistributed Early-Exit of Inference inDelay-Critical IoT Realms”《.IEEE Access》.2021,第9卷第25716-25757页.郭永安等“.基于边端协同的CNN推理加速框架”《.南京邮电大学学报(自然科学版)》.2023,第43卷(第3期),第68-77页.