摘要： 圖像超分辨是使低分辨率圖像通過端到端訓練產生邊緣更清晰的高分辨率圖像的一種技術,是數(shù)字圖像處理的一個重要研究方向。該文提出了一種基于生成對抗網(wǎng)絡的圖像超分辨算法,并對網(wǎng)絡結構進行改進。設計的生成器刪除了殘差塊的BN層,增加了特征識別的相關算法,特征提取部分采用兩層卷積網(wǎng)絡,可以提取更多的圖像特征,在低分辨率圖像上提取特征,通過卷積計算得到高分辨率圖像,可以提升運算結果的準確性。判別器設計采用先分組再整合的思想,將生成圖像劃分成一定數(shù)量的圖像塊,計算每一部分的判別結果,然后將所有圖像塊的判別真假組合起來,作為最終的判別結果。經實驗驗證,設計的網(wǎng)絡模型在圖像重建效果上有了一定的提高,并節(jié)省了一定的運算時間。

摘要： 傳統(tǒng)神經網(wǎng)絡具有過度依賴硬件資源和對應用設備性能要求較高的缺點,因此無法部署于算力有限的邊緣設備和移動終端上,人工智能技術的應用發(fā)展在一定程度上受到了限制。然而,隨著科技時代的到來,受用戶需求影響的人工智能迫切需要在便攜式設備上能成功進行如計算機視覺應用等方面的操作。為此,以近幾年流行的輕量化神經網(wǎng)絡中的卷積部分為研究對象,詳細比對了各類輕量化模型中卷積構成方式的區(qū)別,并針對卷積設計的主要思路和特點進行了較為詳細的闡述。首先,通過引入輕量化神經網(wǎng)絡的概念,介紹了輕量化神經網(wǎng)絡的發(fā)展現(xiàn)狀和網(wǎng)絡中卷積方面所面臨的問題;然后,將卷積分為卷積結構輕量化、卷積模塊輕量化和卷積運算輕量化三方面進行介紹,具體通過對各類輕量化神經網(wǎng)絡模型中卷積設計的研究,來展示不同卷積的輕量化效果,并對其中優(yōu)化方法的優(yōu)缺點進行闡述;最后,對文中所有輕量化模型卷積設計的主要思路和使用方式進行了總結分析,并對其未來的可能性發(fā)展進行了展望。

摘要： 為加快深度學習人臉檢測算法MTCNN(multi-task convolu tion neural network)的推理速度,滿足許多應用場合檢測的實時性的要求,基于Xilinx FPGA ZCU102開發(fā)板設計針對MTCNN專門優(yōu)化的卷積和全連接加速硬件。該加速硬件不僅適用于MTCNN網(wǎng)絡,其它神經網(wǎng)絡推理算法也可以使用。針對算法特點,硬件采用小而多的計算核心,支持動態(tài)分塊、圖像間混合計算、片上多核共享RAM等完全自主開發(fā)的軟硬件協(xié)同技術。在100 MHZ的頻率下對MTCNN應用在加速器上的加速效果進行測試并和ARM程序進行對比,可以得到加速器相對于ARM O2速度加快了6倍多。

摘要： 文章針對甘蔗種植區(qū)域提取的精度和效率等問題,提出了一種基于深度學習的高分辨率衛(wèi)星遙感提取甘蔗種植區(qū)域的方法,設計了一種高效、準確、自動化的卷積神經網(wǎng)絡(Sugarcane Extraction Convolutional Neural Network,以下簡稱SE-CNN)。SE-CNN無需人為設計規(guī)則,能夠自動學習甘蔗的遙感特征并提取影像中的種植區(qū)域,從而提高獲取相關數(shù)據(jù)的精度與效率。研究表明,使用深度學習方法提取試驗區(qū)甘蔗種植區(qū)域的總體精度達到93.91%,IOU系數(shù)及Kappa系數(shù)分別為0.8785、0.8701,精度指標均優(yōu)于U-Net方法的3%以上。

摘要： 復合隨機變量在各個領域有著廣泛的應用.本文在連續(xù)型的情形下,給出復合隨機變量的概率密度函數(shù)的積分公式,在離散型的情形下,給出復合隨機變量的概率分布列的迭代計算公式,考慮到實際應用的問題,最后給出一個把連續(xù)型隨機變量離散化得出復合隨機變量近似分布函數(shù)的數(shù)值例子.

摘要： 針對高分辨率遙感圖像分割方法計算效率低和分割精度差等問題進行研究。設計了一種新型網(wǎng)絡結構,架構由端到端的新型全卷積網(wǎng)絡框架構成,結合了密集連接的思想和全卷積層的體系結構,實現(xiàn)了每個層和所有其他層之間的直接連接。利用多尺度卷積核構造更寬的網(wǎng)絡,提高了網(wǎng)絡在不同尺度下的適應性。試驗結果表明,提出方法在15尺度時精確度達到最大值92.2%,具有良好的分割性能。

摘要： 卷積是一種重要的積分變換方法,在現(xiàn)代信號處理技術的多個領域都有非常廣泛的應用,許多有待深入研究的新課題也有賴于卷積。卷積本身蘊含著某些特殊的性質,這些性質不僅能夠簡化卷積的運算過程,而且能夠揭示卷積運算的內在規(guī)律。移位運算是一種非常重要的信號運算,廣泛存在于信號處理過程中,通過對卷積的定義和已有性質的進一步研究,結合卷積定理和傅里葉變換理論,提出并證明了卷積的移位性質及其推論。

摘要： 為提升物流貨柜自動識別的準確率和檢測速率,該文提出了一種基于深度卷積神經網(wǎng)絡的改進算法。該算法將DenseNet卷積神經網(wǎng)絡融入SSD檢測算法中,利用DenseNet的Block模塊,提高梯度信息傳播能力,使得檢測模型具有更高的識別準確率和收斂速度。實驗結果表明,該改進型算法的平均識別準確率為71.3%,檢測速率為每秒42幀,相比YOLO和SSD算法,其平均檢測準確率和檢測速率均得到明顯提升。

摘要： 本文設計并實現(xiàn)了面向深度學習的統(tǒng)一框架批處理矩陣乘法.我們細致地分析了利用矩陣乘法實現(xiàn)卷積的過程中卷積核、輸入特征圖和輸出特征圖在NCHW和NHWC兩類存儲格式下的矩陣數(shù)據(jù)排列特點,指出了其和矩陣行列主序的關系.在此基礎上,為了更好復用共享的卷積核數(shù)據(jù),我們提出將批量輸入特征圖轉化為一個矩陣整體進行計算的方法.我們設計了統(tǒng)一框架的批處理分塊矩陣乘法,該框架計算同一矩陣和多個不同矩陣的乘法,可以處理并輸出任意存儲格式的矩陣數(shù)據(jù).我們優(yōu)化了分塊矩陣乘法實現(xiàn),根據(jù)輸入?yún)?shù)特征規(guī)劃計算順序,利用矩陣轉置技巧復用核心計算模塊,沒有增加額外的數(shù)據(jù)組織操作.數(shù)值試驗表明:本文設計實現(xiàn)的批處理單精度矩陣乘法的計算速度比循環(huán)調用原始單精度矩陣乘法的計算速度在處理中小尺度矩陣時在四款不同處理器平臺上性能最高分別提高4.80%、26.57%、29.27%和25.55%,平均分別提升2.37%、14.37%、9.89%和15.72%.

摘要： 針對當前相關濾波跟蹤算法在目標進行旋轉、快速運動和被遮擋時,易出現(xiàn)跟蹤漂移甚至跟丟的問題,提出一種卷積視角下抗遮擋相關濾波跟蹤方法.該方法在相關濾波算法框架的基礎上,利用上下文感知方法增加背景信息,引入多模態(tài)歷史池更新策略增強抗遮擋的跟蹤性能.首先,設計出一套基于卷積視角的公式推導體系,巧妙地引入卷積定理在頻域上求解濾波器,相比于現(xiàn)有文獻中循環(huán)矩陣對角化的濾波器求解方法,該推導方法易于理解.然后,通過引入上下文相關信息,設計合理的能量泛函壓制背景區(qū)域的響應值,達到更加穩(wěn)健跟蹤目標的目的.最后,建立歷史多模態(tài)目標池,一旦相關響應最大的樣本與歷史模板池各多模態(tài)模板相似度低于人為設置閾值,則認定該幀出現(xiàn)遮擋,不進行模板池、外觀模型、濾波器的更新,有效解決遮擋挑戰(zhàn)下跟蹤漂移的問題.將所提方法在OTB2015上進行測試,實驗表明在目標旋轉、快速運動、被遮擋等條件下,所提方法在保證準確跟蹤的同時保持較高的速度,優(yōu)于實驗所提的其他方法.

摘要： 文章討論了幾個誤差分布密度函數(shù)“卷積”合成后方差的合成情況,指出用均方差作為置信概率的置信區(qū)間時,合成前,合成后的置信概率是不一樣的。

摘要： 該文介紹了IMSA100開發(fā)板的結構，并針對該結構提出了對數(shù)字信號進行相關、 卷積、有限長數(shù)字濾波的運算方法，最后對無限長數(shù)字信號的濾波運算進行了探討。

摘要： 該文介紹的卷積CAI系統(tǒng)，主要由四個模塊組成：線性卷積，周期卷積，圓周卷積，圓周卷積應用。各模塊均能以動畫的形式直接顯示相應卷積的全過程。該課件可作為插播課件用于課堂演示，也可對給定信號進行卷積運算與處理。

摘要： 該文在深入研究卷積，相關理論的基礎上提出了一種完成線性相關運算的方法——乘不進位法，以及由線性卷積求圓周卷積、線性相關求圓周相關的方法。方法簡單、直觀，易掌握，并給出了具體實例。

摘要： 當前，運用邊緣檢測算法結合人工判讀的方式提取館藏壁畫中的病害信息是壁畫病害調查方法的一種有效手段，但是現(xiàn)有的邊緣檢測算法難以提取出較好的壁畫病害邊緣圖?；诖耍疚奶岢隽艘环NK-均值Sobel的邊緣檢測算法，該方法將圖像分割中的聚類和邊緣檢測方法有效結合，首先運用K-均值聚類算法對壁畫灰度正射影像圖進行聚類得到灰度值矩陣，然后運用Sobel卷積公式對矩陣進行卷積，將該矩陣轉化為圖像即得到一幅黑白二值邊緣圖。本文結合壁畫病害調查的實際意義，以壁畫病害識別百分比和病害邊緣連續(xù)性兩個要素作為驗證邊緣檢測算法壁畫病害邊緣提取效果的評判因素，實驗證明了該方法在病害邊緣提取效果上優(yōu)于傳統(tǒng)方法。

摘要： 利用卷積程序計算了探測器的時間響應函數(shù)，上升時間常數(shù)1ns，下降時間常數(shù)20ns。編寫了反卷積計算程序，對實驗波形進行了數(shù)據(jù)還原和恢復，經過反卷積還原后的波形在時間響應上與閃爍探測器所測波形進行了比對，取得了很好的一致性，可直接用于高能脈沖X射線能譜計算。給出了反卷積信號還原系統(tǒng)所產生的誤差，誤差為16％。

摘要： 基于線性時不變系統(tǒng)的系統(tǒng)函數(shù)不變特性，設計了一套桿塔沖擊接地電阻測試儀。測試儀向桿塔接地體注入波形較緩的沖擊電流，測量此電流及其響應電壓波形，通過數(shù)字卷積計算，求取接地體在標準雷電流波形下的響應電壓，從而算得沖擊接地電阻。系統(tǒng)以DSP芯片作為主控芯片，采用復雜可編程邏輯器件作為系統(tǒng)地址邏輯信號發(fā)生器，采用兩片高速AD轉換器件構成雙通道數(shù)據(jù)采集系統(tǒng)分別測量電流電壓信號，用雙口RAM 存儲采集的數(shù)據(jù)，采用FLASHROM實現(xiàn)對測量結果和測得波形的掉電存儲，并能通過RS232通信接口將保存數(shù)據(jù)上傳至PC機。采用可控高壓電源模塊和電力MOSFET構成沖擊電流發(fā)生器。整套裝置采用兩塊蓄電池互為備用的供電方式，可靠性高，滿足野外測量要求。

摘要： 本文通過對時間基函數(shù)的微分運算和脈沖源產生的矢量位的卷積,以及對時間基函數(shù)的積分運算和脈沖源產生的標量位的卷積精確的計算出了時域阻抗矩陣.計算實例表明,利用時間步進(MOT)算法求解時域電場積分方程(TDEFIE)時,利用本文方法求解時域阻抗矩陣可以得到非常穩(wěn)定和精確的解.

摘要： 該文就口型識別的預處理過程中的口型定位和提取問題提出了一種新型的變化的最佳閾值方法，該方法使得嘴唇的輪廓線趨于最平滑，最接近嘴型的真實情況，從而改善了提取的口型特征，對提高口型的識別率有著明顯的作用。

摘要： 本發(fā)明的目的是得到謀求集成度提高和消耗功率降低的卷積交錯裝置。設置用于進行數(shù)據(jù)延遲的RAM區(qū)域…，123-(N/2-1)，…，123-((C-1)/2-1)和移位寄存器122-0，…，122-((C-1)/2)，對于RAM區(qū)域，在兩個信道中共用地址計數(shù)器，通過選擇器120來進行輸入數(shù)據(jù)的選擇，在RAM區(qū)域…，123-(N/2-1)，…，123-((C-1)/2-1)和移位寄存器122-0，…，122-((C-1)/2)中依次寫入數(shù)據(jù)，通過選擇器121與其同步地取出數(shù)據(jù)。

摘要： 時間交織器中包含的進行卷積交織的卷積交織器具備：第1開關，將卷積交織器的輸入的連接目的地向多個分支中的某個分支的一端切換；FIFO存儲器，設在多個分支中的除了一個分支以外的一部分的分支中，在該一部分的分支間個數(shù)相互不同；第2開關，將卷積交織器的輸出的連接目的地向多個分支中的某個分支的另一端切換；第1及第2開關在與每1個幀的代碼字的數(shù)量相等的多個數(shù)據(jù)單元已通過的情況下對上述連接目的地進行切換，該連接目的地的切換通過按照順序地重復多個分支來進行連接目的地的分支。

摘要： 時間交織器中包含的進行卷積交織的卷積交織器具備：第1開關，將卷積交織器的輸入的連接目的地向多個分支中的某個分支的一端切換；FIFO存儲器，設在多個分支中的除了一個分支以外的一部分的分支中，在該一部分的分支間個數(shù)相互不同；第2開關，將卷積交織器的輸出的連接目的地向多個分支中的某個分支的另一端切換；第1及第2開關在與每1個幀的代碼字的數(shù)量相等的多個數(shù)據(jù)單元已通過的情況下對上述連接目的地進行切換，該連接目的地的切換通過按照順序地重復多個分支來進行連接目的地的分支。

摘要： 本發(fā)明的目的是得到謀求集成度提高和消耗功率降低的卷積交錯裝置、卷積解交錯裝置、卷積交錯方法和卷積解交錯方法。設置用于進行數(shù)據(jù)延遲的RAM區(qū)域…，123－(N/2－1)，…，123－((C－1)/2－1)和移位寄存器122－0，…，122－((C－1)/2)，對于RAM區(qū)域。在兩個信道中共用地址計數(shù)器，通過選擇器120來進行輸入數(shù)據(jù)的選擇，在RAM區(qū)域…，123－(N/2－1)，…，123－((C－1)/2－1)和移位寄存器122－0，…，122－((C－1)/2)中依次寫入數(shù)據(jù)，通過選擇器121與其同步地取出數(shù)據(jù)。

摘要： 一種示例融合卷積層包括：比較器，其能夠接收第一零點和乘法累加結果；第一多路復用器，其耦合到比較器，其中，第一多路復用器接收多個2的冪次方的指數(shù)值；移位歸一化器，其耦合至第一多路復用器，其中，移位歸一化器能夠接收乘法累加結果和多個2的冪次方的指數(shù)值，其中，移位歸一化器將對乘法累加結果的量化限制為2的冪次方的標度；以及第二多路復用器，其耦合到移位歸一化器的輸出、第一多路復用器，并接收第二零點且輸出激活。

摘要： 本申請是關于一種卷積計算加速器、卷積計算方法及卷積計算設備，涉及電子電路技術領域。該卷積計算加速器包括：控制器、計算矩陣以及第一緩存，計算矩陣中包含至少一行計算單元，每行計算單元中包含至少兩個計算單元；控制器，用于控制將載入至第一緩存的輸入數(shù)據(jù)輸入至對應行的計算單元中，由對應行的計算單元將輸入數(shù)據(jù)在對應行的計算單元中進行傳輸；對應行的計算單元中的每一個計算單元將接收到的輸入數(shù)據(jù)與預先存儲的卷積核進行卷積計算，處于同一行的至少兩個計算單元復用同一份輸入數(shù)據(jù)，且只需要一個輸入通道，從而降低了計算矩陣的緩存容量和輸入帶寬需求，提高了計算矩陣的可擴展性。

摘要： 本發(fā)明涉及卷積運算裝置及卷積神經網(wǎng)路的卷積輸入的調規(guī)方法。一種卷積運算裝置，包括卷積運算模塊、存儲器、規(guī)?？刂颇K以及調規(guī)器。卷積運算模塊輸出多個帶小數(shù)部的卷積運算結果；存儲器耦接卷積運算模塊，接收并儲存帶小數(shù)部的卷積運算結果，以及輸出多個帶小數(shù)部的卷積運算輸入值；規(guī)?？刂颇K耦接卷積運算模塊，根據(jù)帶小數(shù)部的卷積運算結果的整體規(guī)模產生調規(guī)信號；調規(guī)器耦接存儲器、規(guī)模控制模塊及卷積運算模塊，根據(jù)調規(guī)信號調整帶小數(shù)部的卷積運算輸入值的規(guī)模，然后將調整規(guī)模后的帶小數(shù)部的卷積運算輸入值輸出至卷積運算模塊。

摘要： 一種卷積運算方法及裝置、卷積處理方法、電子設備與存儲介質。該卷積運算方法包括：獲取輸入數(shù)據(jù)中的至少部分數(shù)據(jù)對應的第一矩陣和卷積核對應的權重矩陣；將權重矩陣劃分為N個子權重矩陣；對N個子權重矩陣中的第K個子權重矩陣設置對應于第一矩陣的沿第一方向的第K偏移；基于第K偏移，使用第K個子權重矩陣對第一矩陣進行多步卷積運算；對多步卷積運算中的每一步卷積運算對應的第1子運算結果至第N子運算結果進行累加，得到每一步卷積運算對應的第一運算結果；將多步卷積運算對應的多個第一運算結果作為至少部分輸出數(shù)據(jù)并輸出多個第一運算結果。該數(shù)據(jù)處理方法可以適應芯片的硬件特性，充分發(fā)揮芯片算力，提高計算性能。

摘要： 本發(fā)明公開了一種基于雙向LSTM的卷積碼譯碼方法與卷積碼編碼和譯碼方法，屬于電子通信技術領域，解決傳統(tǒng)編譯碼時間復雜度、空間復雜度隨碼長、約束度的增大呈指數(shù)上升、長碼碼本不好選取和編碼信息容易被截取和破解，安全性低的問題。本發(fā)明的方法包括：構建雙向LSTM神經網(wǎng)絡譯碼器，神經網(wǎng)絡譯碼器采用雙向LSTM神經網(wǎng)絡進行譯碼；建立接收序列數(shù)據(jù)集，根據(jù)接收序列數(shù)據(jù)集和雙向LSTM神經網(wǎng)絡構造訓練碼本；選取訓練信噪比，訓練信噪比為接收序列的信噪比；設定仿真參數(shù)，并利用訓練碼本和訓練信噪比對雙向LSTM神經網(wǎng)絡譯碼器進行訓練；利用訓練后的雙向LSTM神經網(wǎng)絡譯碼器進行譯碼。本發(fā)明適用于端到端的卷積碼編碼和譯碼。

摘要： 本申請公開一種卷積輸入數(shù)據(jù)確定、卷積運算、圖像去噪、方法和系統(tǒng)、加速器、圖像處理芯片，其中卷積輸入數(shù)據(jù)確定方法包括：確定當前運算結果對應的卷積運算輸入數(shù)據(jù)；將所述當前運算結果之前的k?s行卷積結果存入BT；將所述BT中，當前運算結果之前的k?s列卷積結果存入BL，以根據(jù)所述BT、所述BL確定下一層卷積運算的卷積輸入數(shù)據(jù)。本申請能夠避免計算輸出層不同位置的像素輸出時神經網(wǎng)絡深度層次的重復計算，能夠實現(xiàn)神經網(wǎng)絡數(shù)據(jù)的片上數(shù)據(jù)緩存，避免獲取上層中間結果時頻繁的片外數(shù)據(jù)交互，提高加速器運算效率，減小運算功耗。