CN103856185B - 一种基于fpga的粒子滤波权值处理及重采样方法 - Google Patents
一种基于fpga的粒子滤波权值处理及重采样方法 Download PDFInfo
- Publication number
- CN103856185B CN103856185B CN201410052491.4A CN201410052491A CN103856185B CN 103856185 B CN103856185 B CN 103856185B CN 201410052491 A CN201410052491 A CN 201410052491A CN 103856185 B CN103856185 B CN 103856185B
- Authority
- CN
- China
- Prior art keywords
- weights
- particle
- resampling
- big
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出一种基于FPGA的粒子滤波权值处理及重采样方法。其优势在于:一方面,抛弃了权值归一化过程,将权值进行并行化排序处理,M/2个比较器及控制器能在一个周期内对所有粒子进行比较和交换操作,提高排序算法的比较交换效率。另一方面,重采样部分的阈值根据权值的排列分布设定,通过Nh,Nl确定大权值粒子,中权值粒子和小权值粒子,而不是预置阈值。大权值粒子与中权值粒子在重采样过程中保留,小权值粒子淘汰,大权值粒子的权值和位置信息被输入到FIFO中,通过FIFOOUT一路输出替换小权值粒子寄存器的权值,另一路输回到FIFO,实现复制大权值粒子的功能。本发明保证了目标位置计算的准确性,粒子样本的多样性以及硬件环境下粒子替换的高效性。
Description
技术领域
本发明涉及数字图像处理领域,具体地说,本发明涉及一种基于FPGA的粒子滤波权值处理及重采样方法,属于电子信息领域。
背景技术
粒子滤波是一种基于蒙特卡洛方法和递推贝叶斯估计的方法,广泛应用于状态空间的运动估计问题,特别是非线性、非高斯系统的滤波问题。粒子滤波的基本思想是:根据系统状态向量的经验条件分布,在状态空间中抽样产生一组称为“粒子”的随机样本集合,并通过实际观测值在各次递推中不断地修正粒子的权重大小和样本位置,最后通过调整后的粒子信息调整最初的经验条件分布,估计出系统状态和参数。本算法是一种递推滤波估计算法,理论上对于各种任意的非线性、非高斯随机系统的状态和参数都有很好的估计性能,能有效克服卡尔曼滤波,扩展卡尔曼滤波等滤波算法的不足。
粒子滤波在处理非线性非高斯时变系统的参数估计和状态滤波问题方面有较大的优势,但是粒子滤波算法结构复杂,计算量大,当系统状态空间的维数增加时,粒子滤波的计算量会扩大数倍,如何将粒子滤波应用于实时系统是面临的最大课题。粒子滤波主要有三个步骤:采样(从状态空间产生新粒子);权值计算并归一化(根据观测值计算各个粒子的权值并归一化);重采样(保留并复制大权值粒子代替小权值粒子),这三步即为粒子滤波的基本算法SIRF(Sample Importance Resampling)。
发明内容
本发明的目的在于针对粒子滤波中的权值计算并归一化和重采样步骤,提出一种优化的基于FPGA的粒子滤波权值处理及重采样方法。该方法抛弃了权值归一化过程,将计算得到的权值进行并行化排序处理,重采样部分的阈值根据权值的排序结果自适应选取。本方法计算结果准确,完全满足实时跟踪系统的性能要求。
为达到上述目的,本发明采用下述技术方案:
一种基于FPGA的粒子滤波权值处理及重采样方法针对传统粒子滤波算法权值计算并归一化和重采样步骤进行改进,具体为:
1)粒子权值排序的并行处理。
所述粒子滤波算法中,选取粒子数M为偶数,计算粒子特征与目标特征之间的巴式距离作为权值;得到各个粒子的权值之后,不进行权值归一化操作,而是对粒子权值进行排序;粒子权值排序算法的基本方式如下:
排序算法要求粒子权值依次从大到小排列,硬件排序算法包含两个排序状态机,状态1和状态2:状态1中,序号为奇数的粒子与序号比其小一位偶数位粒子用比较器进行比较,若奇数位粒子权值小于偶数位粒子权值,则两个粒子的权值及位置信息进行交换,若奇数位粒子权值大于等于偶数位粒子权值,则无操作;状态2中,首粒子与末尾粒子单独进行比较交换,序号为偶数的粒子与序号比其小一位的奇数位粒子进行比较交换,若偶数位粒子权值小于奇数位粒子权值,则两个粒子的权值及位置信息进行交换,若偶数位粒子权值大于等于奇数位粒子权值,则无操作;一个时钟周期执行一个状态,状态1、状态2交替执行,直到粒子序列按照权值大小有序排列。
2)根据权值分布的自适应重采样。
通过排序算法得到粒子权值序列,按照权值大小从大到小排列,设位于1/8序列处的粒子权值为高阈值Nh,设位于5/8序列处的粒子值设为低阈值Nl;粒子权值高于Nh的为大权值粒子,权值介于Nh与Nl之间的为中权值粒子,大权值粒子与中权值粒子在重采样过程中权值和位置信息保持不变;粒子权值小于Nl的为小权值粒子,其在重采样过程中被淘汰,由大权值粒子复制(M/4-1)次代替。
其进一步特征在于:所述权值排序的并行处理中,包括两个状态机,含有M/2个比较器及控制器;所述比较器连接相邻粒子权值,对其大小进行比较;所述控制器连接比较器,根据比较器结果对两个粒子的权值与位置信息进行交换;所述粒子权值排序算法由于使用硬件系统的并行设计,使得每个周期可进行M/2次比较及交换操作,而较于传统PC排序算法的单周期仅有一次比较及交换操作,提高了排序操作效率。
其进一步特征在于:所述根据权值分布的自适应重采样的操作过程中,包括一个Nh阈值寄存器,一个Nl阈值寄存器和一个FIFO缓存器;所述Nh寄存器和Nl寄存器分别连接已排序的粒子权值序列,序号为M/8和5M/8的粒子权值;所述FIFO缓存器的设置有FIFOIN端口和FIFOOUT端口;所述FIFOIN端口连接大权值粒子寄存器,FIFOOUT端口连接小权值粒子寄存器以及FIFOIN;所述大权值粒子与中权值粒子在重采样过程中得以保留,增加粒子样本的多样性。
其进一步特征在于:所述小权值粒子淘汰过程中,大权值粒子的权值和位置信息被输入到FIFO缓存器中,通过FIFOOUT一路输出替换小权值粒子的权值,另一路输回到FIFO缓存器,实现复制大权值粒子的功能。
其进一步特征在于:所述根据权值分布的自适应重采样中,特征在于,阈值根据粒子权值的排序分布来确定,而不是事先预置。
本发明相对于传统粒子滤波在FPGA的应用中,具有较大优势:
首先,在权值处理上,通过硬件并行操作的优势设计排序算法,M/2个比较器及控制器能在一个周期内对所有粒子进行比较和交换操作,相比于普通的排序算法或者PC上一个周期仅对两个粒子进行一次比较交换操作,排序算法的比较交换效率提高多倍。
其次,权值计算后,剔除了权值归一化,这一传统过程既耗时,又妨碍粒子滤波算法并行化,同时还增加算法的计算量。在重采样部分,采用根据权值分布的自适应重采样算法,避免了缺少归一化权值所带来的问题。重采样的阈值通过权值分布自适应得到,权值序列1/8,5/8处权值所在的reg寄存器值直接与Nh,Nl寄存器连接。自适应的阈值选取方法优于预置阈值,过高的阈值会剔除大部分粒子,使目标结果计算不准确;过低的阈值则无筛选的作用,包含过多的小权值粒子同样影响目标结果。并且,跟踪的目标和背景的变化会引起粒子权值的变化,在缺少权值归一化步骤的情况下,预置阈值的效果不稳定的。
最后,重采样方法中大粒子,小粒子的个数比固定,采用FIFO缓存器存储大粒子权值和位置信息,FIFOOUT输出替代小权值粒子的权值同时完成复制,使得粒子的复制替换更高效。本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:本发明的目标计算结果准确,粒子样本的多样性得到保留,并且提高了粒子替换的高效性,完全满足实时跟踪系统的性能要求。
附图说明
图1 本发明的权值排序并行处理示意图
图2 本发明中根据权值分布的自适应重采样方法示意图。
具体实施方式
下面结合附图对本发明的优选实施例作详细描述:
实施例一:
参见图1和图2,本基于FPGA的粒子滤波权值处理及重采样方法,其特征在于以下两个步骤:
1)粒子权值排序的并行处理:
在粒子滤波算法中,选取粒子数M为偶数,计算粒子特征与目标特征之间的巴式距离作为权值;得到各个粒子的权值之后,不进行权值归一化操作,而是对粒子权值进行排序;粒子权值排序算法的基本方式如下:
排序算法要求粒子权值依次从大到小排列,硬件排序算法包含两个排序状态机,状态1和状态2:状态1中,序号为奇数的粒子与序号比其小一位偶数位粒子用比较器进行比较,若奇数位粒子权值小于偶数位粒子权值,则两个粒子的权值及位置信息进行交换,若奇数位粒子权值大于等于偶数位粒子权值,则无操作;状态2中,首粒子与末尾粒子单独进行比较交换,序号为偶数的粒子与序号比其小一位的奇数位粒子进行比较交换,若偶数位粒子权值小于奇数位粒子权值,则两个粒子的权值及位置信息进行交换,若偶数位粒子权值大于等于奇数位粒子权值,则无操作;一个时钟周期执行一个状态,状态1、状态2交替执行,直到粒子序列按照权值大小有序排列;
2)根据粒子权值分布的自适应重采样:
通过排序算法得到粒子权值序列,按照权值大小从大到小排列,设位于1/8序列处的粒子权值为高阈值Nh,设位于5/8序列处的粒子权值设为低阈值Nl;粒子权值高于Nh的为大权值粒子,权值介于Nh与Nl之间的为中权值粒子,大权值粒子与中权值粒子在重采样过程中权值和位置信息保持不变;粒子权值小于Nl的为小权值粒子,其在重采样过程中被淘汰,由大权值粒子复制(M/4-1)次代替。
实施例二:
本实施例与实施例一基本相同,特别之处是:
所述权值排序的并行处理中,包括两个状态机,含有M/2个比较器及控制器;所述比较器连接相邻粒子权值,对其大小进行比较;所述控制器连接比较器,根据比较器结果对两个粒子的权值与位置信息进行交换;所述粒子权值排序算法由于使用硬件系统的并行设计,使得每个周期可进行M/2次比较及交换操作,而较于传统PC排序算法的单周期仅有一次比较及交换操作,提高了排序操作效率。
所述根据权值分布的自适应重采样的操作过程中,包括一个Nh阈值寄存器,一个Nl阈值寄存器和一个FIFO缓存器;所述Nh寄存器和Nl寄存器分别连接已排序的粒子权值序列,序号为M/8和5M/8的粒子权值;所述FIFO缓存器设置有FIFOIN端口和FIFOOUT端口;所述FIFOIN端口连接大权值粒子寄存器,FIFOOUT端口连接小权值粒子寄存器以及FIFOIN。所述大权值粒子与中权值粒子在重采样过程中得以保留,增加粒子样本的多样性。
所述小权值粒子淘汰过程中,大权值粒子的权值和位置信息输入到FIFO缓存器中,通过FIFOOUT一路输出替换小权值粒子的权值,另一路输回到FIFO缓存器,实现复制大权值粒子的功能。
所述根据权值分布的自适应重采样中,阈值根据粒子权值的排序分布来确定,而不是事先预置。
实施例三:
本基于FPGA的粒子滤波权值处理及重采样方法,包括粒子权值排序的并行处理及根据粒子权值分布的自适应重采样两个步骤:
1)粒子权值排序的并行处理方式参照图1:
图中粒子权值排序算法取粒子数M为6,并计算其权值,框内数字表示粒子权值,粒子的序号由罗马数字Ⅰ~Ⅵ标注,一组虚线箭头表示通过比较器和控制器进行比较交换操作。
粒子权值排序算法中包含两个状态:状态1中,序号为奇数的粒子与序号比其小一位偶数位粒子用比较器进行比较,若奇数位粒子权值小于偶数位粒子权值,则两个粒子的权值及位置信息进行交换,若奇数位粒子权值大于等于偶数位粒子权值,则无操作;状态2中,首粒子与末尾粒子单独进行比较交换,序号为偶数的粒子与序号比其小一位的奇数位粒子进行比较交换,若偶数位粒子权值小于奇数位粒子权值,则两个粒子的权值及位置信息进行交换,若偶数位粒子权值大于等于奇数位粒子权值,则无操作;一个时钟周期执行一个状态,状态1、状态2交替执行,直到粒子序列按照权值大小有序排列。
图a为第一个时钟周期并且处于状态一,此时,粒子Ⅰ与粒子Ⅱ,粒子Ⅲ与粒子Ⅳ,粒子Ⅴ与粒子Ⅵ通过比较器和控制器进行比较交换,得到图b的结果;图b为第二个时钟周期并且处于状态二,此时,排在首末的粒子Ⅰ与粒子Ⅵ进行比较交换,其余粒子Ⅱ与粒子Ⅲ,粒子Ⅳ与粒子Ⅴ通过比较器和控制器进行比较交换,得到图c的结果。以此类推,直到图f第六个时钟周期,各个粒子权值进行比较后不需要交换,则粒子权值排序完成。
2)根据粒子权值分布的自适应重采样参照图2:
通过排序算法得到权值序列,按照从大到小排列,设定所选取的粒子数M为16,粒子的序号为1~16,圆圈表示粒子,圆圈的大小正比于粒子权值的大小,其中含有Nh的为高阈值所在粒子,含有Nl的为低阈值所在粒子。箭头从粒子权值1、2到FIFOIN表示粒子1、2的权值和位置信息被保存到FIFO缓存器中;箭头从FIFOOUT到FIFOIN表示循环输入粒子1、2的权值和位置信息,实现复制大权值粒子的功能;箭头从FIFOOUT到粒子11~16表示,粒子11~16的权值和位置信息被复制的粒子1、2的权值和位置信息代替。
处于粒子权值序列1/8处的权值(即粒子2的权值)设为高阈值Nh,序列5/8处的权值(即粒子10的权值)设为低阈值Nl。结果为,权值高于Nh的为大权值粒子(粒子1、2),权值介于Nh与Nl之间的为中权值粒子(粒子3~10),大权值粒子与中权值粒子在重采样过程中权值和位置信息保持不变,并且大粒子位置信息的加权平均值即为目标位置;权值小于Nl的小权值粒子(粒子11~16),在重采样过程中被淘汰;大权值粒子的权值和位置信息被输入到FIFO缓存器中,通过FIFOOUT一路输出替换小权值粒子的权值,另一路输回到FIFO缓存器,实现复制大权值粒子的功能。重采样结果为粒子1的权值及位置信息复制给粒子11,粒子13,粒子15,粒子2的权值及位置信息复制给粒子12,粒子14,粒子16。
从上述例子中看出,本发明的通过对传统粒子滤波中权值计算和重采样步骤的理解并结合FPGA的特点,提出一种优化的粒子滤波权值处理及重采样方法。该方法抛弃了权值归一化过程,更有利于粒子滤波各模块之间的并行计算,权值的并行排序利用硬件多路比较器和控制器并行操作的优势,提高算法速度。重采样部分的阈值根据权值的排序结果自适应选取,保证了目标位置计算的准确性;大粒子和中粒子保持不变保证了粒子样本的多样性;本重采样方法中大粒子,小粒子的个数比固定,采用FIFO缓存器存储大粒子权值和位置信息,FIFOOUT输出替代小权值粒子的权值同时完成复制,使得粒子的复制替换更加高效。因此,利用本发明能够有效提高粒子滤波在FPGA中的性能,降低一定的资源消耗和计算量,达到更好的目标跟踪效果。
Claims (2)
1.一种基于FPGA的粒子滤波权值处理及重采样方法,其特征在于以下两个步骤:
1)粒子权值排序的并行处理:
在粒子滤波算法中,选取粒子数M为偶数,计算粒子特征与目标特征之间的巴式距离作为权值;得到各个粒子的权值之后,不进行权值归一化操作,而是对粒子权值进行排序;粒子权值排序算法的基本方式如下:
排序算法要求粒子权值依次从大到小排列,硬件排序算法包含两个排序状态机,状态1和状态2:状态1中,序号为奇数的粒子与序号比其小一位偶数位粒子用比较器进行比较,若奇数位粒子权值小于偶数位粒子权值,则两个粒子的权值及位置信息进行交换,若奇数位粒子权值大于等于偶数位粒子权值,则无操作;状态2中,首粒子与末尾粒子单独进行比较交换,序号为偶数的粒子与序号比其小一位的奇数位粒子进行比较交换,若偶数位粒子权值小于奇数位粒子权值,则两个粒子的权值及位置信息进行交换,若偶数位粒子权值大于等于奇数位粒子权值,则无操作;一个时钟周期执行一个状态,状态1、状态2交替执行,直到粒子序列按照权值大小有序排列;
2)根据粒子权值分布的自适应重采样:
通过排序算法得到粒子权值序列,按照权值大小从大到小排列,设位于1/8序列处的粒子权值为高阈值Nh,设位于5/8序列处的粒子权值设为低阈值Nl;粒子权值高于Nh的为大权值粒子,权值介于Nh与Nl之间的为中权值粒子,大权值粒子与中权值粒子在重采样过程中权值和位置信息保持不变;粒子权值小于Nl的为小权值粒子,其在重采样过程中被淘汰,由大权值粒子复制(M/4-1)次代替;
所述权值排序的并行处理中,包括两个状态机,含有M/2个比较器及控制器;所述比较器连接相邻粒子权值,对其大小进行比较;所述控制器连接比较器,根据比较器结果对两个粒子的权值与位置信息进行交换;所述粒子权值排序算法由于使用硬件系统的并行设计,使得每个周期可进行M/2次比较及交换操作,而较于传统PC排序算法的单周期仅有一次比较及交换操作,提高了排序操作效率;
所述根据权值分布的自适应重采样的操作过程中,包括一个Nh阈值寄存器,一个Nl阈值寄存器和一个FIFO缓存器;所述Nh寄存器和Nl寄存器分别连接已排序的粒子权值序列,序号为M/8和5M/8的粒子权值;所述FIFO缓存器设置有FIFOIN端口和FIFOOUT端口;所述FIFOIN端口连接大权值粒子寄存器,FIFOOUT端口连接小权值粒子寄存器以及FIFOIN;所述大权值粒子与中权值粒子在重采样过程中得以保留,增加粒子样本的多样性;
所述小权值粒子淘汰过程中,大权值粒子的权值和位置信息输入到FIFO缓存器中,通过 FIFOOUT一路输出替换小权值粒子的权值,另一路输回到FIFO缓存器,实现复制大权值粒子的功能。
2.根据权利要求1的一种基于FPGA的粒子滤波权值处理及重采样方法,其特征在于:所述根据权值分布的自适应重采样中,阈值根据粒子权值的排序分布来确定,而不是事先预置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410052491.4A CN103856185B (zh) | 2014-02-17 | 2014-02-17 | 一种基于fpga的粒子滤波权值处理及重采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410052491.4A CN103856185B (zh) | 2014-02-17 | 2014-02-17 | 一种基于fpga的粒子滤波权值处理及重采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103856185A CN103856185A (zh) | 2014-06-11 |
CN103856185B true CN103856185B (zh) | 2016-08-17 |
Family
ID=50863456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410052491.4A Expired - Fee Related CN103856185B (zh) | 2014-02-17 | 2014-02-17 | 一种基于fpga的粒子滤波权值处理及重采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103856185B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536015B (zh) * | 2014-12-09 | 2017-04-19 | 沈阳航空航天大学 | 一种粒子滤波raim方法的fpga实现方法 |
CN105975902B (zh) * | 2016-04-09 | 2019-07-26 | 北京工业大学 | 基于samme.rcw算法的人脸识别优化方法 |
CN105869186B (zh) * | 2016-04-23 | 2019-08-06 | 上海大学 | 基于fpga的质心纠正且状态可辨的粒子滤波方法 |
CN107659374A (zh) * | 2016-07-25 | 2018-02-02 | 深圳超级数据链技术有限公司 | 基于重叠复用的译码方法、装置和系统 |
CN106597435A (zh) * | 2016-12-08 | 2017-04-26 | 北京康力优蓝机器人科技有限公司 | 实现基于粒子滤波slam算法的方法及系统 |
CN114157270B (zh) * | 2021-11-08 | 2024-06-11 | 四川泛华航空仪表电器有限公司 | 一种基于数据滚动粒子滤波的燃油油量数据处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389094A (zh) * | 2013-07-15 | 2013-11-13 | 哈尔滨工程大学 | 一种改进的粒子滤波方法 |
-
2014
- 2014-02-17 CN CN201410052491.4A patent/CN103856185B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389094A (zh) * | 2013-07-15 | 2013-11-13 | 哈尔滨工程大学 | 一种改进的粒子滤波方法 |
Non-Patent Citations (3)
Title |
---|
Resampling algorithms and architectures for distributed particle filters;Boli M 等;《IEEE Transactions on Signal Processing》;20050620;第53卷(第7期);全文 * |
目标跟踪状态估计排序粒子群算法研究;刘华伟 等;《计算机工程与应用》;20151231;第48卷(第15期);全文 * |
粒子滤波算法的硬件优化设计;郑宁;《中国优秀硕士学位论文全文数据库信息科技辑》;20120715;第2012年卷(第7期);I138-31 * |
Also Published As
Publication number | Publication date |
---|---|
CN103856185A (zh) | 2014-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103856185B (zh) | 一种基于fpga的粒子滤波权值处理及重采样方法 | |
Krizhevsky | One weird trick for parallelizing convolutional neural networks | |
Shen et al. | Overcoming resource underutilization in spatial CNN accelerators | |
CN109804385A (zh) | 可编程集成电路上的二值神经网络 | |
CN105786860A (zh) | 一种数据建模中的数据处理方法及装置 | |
CN105023066B (zh) | 一种基于季节调整的业扩报装分析预测系统及方法 | |
CN109325510B (zh) | 一种基于网格统计的图像特征点匹配方法 | |
CN103019646B (zh) | 并行排序电路及并行排序方法 | |
CN108804973A (zh) | 基于深度学习的目标检测算法的硬件架构及其执行方法 | |
Yang et al. | Evaluation of attractors and basins of asynchronous random Boolean networks | |
CN109271421A (zh) | 一种基于MapReduce的大型数据集聚类方法 | |
CN109948720A (zh) | 一种基于密度的层次聚类方法 | |
Kim et al. | Fine-grained neural architecture search | |
Ben Alaya et al. | Multilevel Monte Carlo for Asian options and limit theorems | |
Chaudhuri et al. | Fine-grained stochastic architecture search | |
CN105956605B (zh) | 基于并行k-means聚类的三维结构相似性聚类方法 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
Yen et al. | Real-time super resolution CNN accelerator with constant kernel size Winograd convolution | |
CN104573331B (zh) | 一种基于MapReduce的K近邻数据预测方法 | |
CN111950698A (zh) | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 | |
Ye et al. | PSO-PS: Parameter synchronization with particle swarm optimization for distributed training of deep neural networks | |
CN110196797A (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN113034343B (zh) | 参数自适应的高光谱图像分类gpu并行方法 | |
Kong et al. | HACScale: Hardware-aware compound scaling for resource-efficient DNNs | |
CN109902851B (zh) | 一种生产计划的确定方法以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20210217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |