CN105426517A - 一种具有图像处理功能的智能存储设备 - Google Patents
一种具有图像处理功能的智能存储设备 Download PDFInfo
- Publication number
- CN105426517A CN105426517A CN201510872516.XA CN201510872516A CN105426517A CN 105426517 A CN105426517 A CN 105426517A CN 201510872516 A CN201510872516 A CN 201510872516A CN 105426517 A CN105426517 A CN 105426517A
- Authority
- CN
- China
- Prior art keywords
- integrated circuit
- intelligent storage
- storage equipment
- logical block
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种具有图像处理功能的智能存储设备,包括:集成电路,其具有主机控制器、设备控制器、第一逻辑单元和第二逻辑单元;主机,电性耦接至主机控制器,并通过主机控制器与集成电路进行双向数据传输;以及固态硬盘,电性耦接至设备控制器,并通过设备控制器与集成电路进行双向数据传输,其中,智能存储设备藉由第一和第二逻辑单元对应地实现图像分类和图像检索。相比于现有技术,本发明利用集成电路实现CNN硬件加速功能和向量比对功能,其透过与固态硬盘的通信来实现图片存取过程的高速分类存储以及图片读取时的快速检索功能,以便在性能上完全满足高速存取的应用场景,并且集成电路和固态硬盘的功耗较低,因此可有效提高单位设备的运算能效比。
Description
技术领域
本发明涉及计算机硬件存储技术领域以及深度学习(DeepLearning)的卷积神经网络(ConvolutionalNeuralNetworks,CNN)的人工智能技术领域,尤其涉及一种具有图像处理功能的智能存储设备。
背景技术
卷积神经网络(CNN)是一个广为人知的深度学习架构,它拓展于人工神经网络并在视频监控、移动机器人视觉、图像搜索引擎等领域里被广泛使用。CNN的设计灵感来源于生物的视觉神经,通过处理具有多层神经链接特性的数据来达到图像识别的高精度要求。最近基于深度学习算法的急速需求也极大地推动了深度卷积神经网络(DeepCNN)的研究。由于CNN特殊的运算模式,通用处理器(CPU)很难有效地实现CNN算法并满足较高的性能需求。如此一来,基于可编程门阵列器件(FPGA)、显卡(GPU)甚至专用集成电路(ASIC)等各种加速模块也被设计用来改善CNN的运算性能。由于FPGA具有高性能、高能效、开发周期短和可重构等特点,FPGA的加速模块也广泛地被研究者关注。
另一方面,随着信息传播的爆发式增长,数据存储也遇到容量和速度的挑战。近年来,固态硬盘(SSD)的技术日趋成熟,因其特有的存取速度优势,传统的磁碟硬盘正在逐步被速度更快的SSD所取代。例如,在互联网、安全防护、刑事侦查等领域中,大规模图像数据的分类及检索功能的应用需求日益增多。目前常用的解决方法是利用服务器的CPU运算能力或者是独立的加速板卡例如GPU或者FPGA实现图像的高速分类和检索。然而,这几种做法都有或多或少的缺陷,一种需要倚靠服务器本身CPU的强大计算能力。另外一种的加速板卡方式需要占用服务器的扩展插槽,一般为PCIe。而服务器本身的插槽位数有限,在引入附加成本的同时,扩展性也收到了限制。如果存储设备本身已经具备了图片分类及检索功能之后,以上的问题就可以得到很好的解决。
发明内容
针对现有技术中的大规模图像数据的分类及检索时所存在的上述缺陷,本发明提供了一种基于卷积神经网络的具有图像处理功能的智能存储设备。
依据本发明的一个方面,提供了一种具有图像处理功能的智能存储设备,包括:
一集成电路,包括一主机控制器、一设备控制器、一第一逻辑单元和一第二逻辑单元,其中所述第一逻辑单元与所述第二逻辑单元相互独立;
一主机,电性耦接至所述主机控制器,所述主机通过所述主机控制器与所述集成电路进行双向数据传输;以及
一固态硬盘,电性耦接至所述设备控制器,所述固态硬盘通过所述设备控制器与所述集成电路进行双向数据传输,
其中,所述智能存储设备藉由所述第一逻辑单元和所述第二逻辑单元对应地实现图像分类和图像检索。
在其中的一实施例,所述集成电路为一现场可编程门阵列。
在其中的一实施例,所述主机控制器和所述设备控制器均为SATA接口电路。
在其中的一实施例,所述第一逻辑单元为CNN加速模块,用于接收来自所述主机的图片,对所述图片进行分类,并将分类结果存储于所述固态硬盘。
在其中的一实施例,所述CNN加速模块的分类结果包括分类标识码和索引节点地址,所述分类标识码用于生成图片目录文件,所述索引节点地址用于生成索引节点地址列表。
在其中的一实施例,所述第二逻辑单元为向量比对加速模块,用于根据来自所述主机的图片检索信息,对所述固态硬盘中的图片文件进行特征提取和向量比对,并依据相似度的高低生成检索目录文件。
在其中的一实施例,所述向量比对加速模块使用所述集成电路中的数据处理模块对目标向量和图片特征进行欧式距离计算,以获得图片相似度的高低。
在其中的一实施例,所述CNN加速模块包括多个处理单元、片上缓存器、片外存储器和片内/片外交互单元,其中,所述片外存储器用于存储待处理的图片数据,所述片内/片外交互单元用于处理单元与片外存储器之间的数据通信,所述片上缓存器用于在所述处理单元进行卷积运算之前对所述待处理的图片数据进行高速缓存。
在其中的一实施例,所述CNN加速模块电性耦接至中断控制器和控制总线,其中,所述CNN加速模块通过所述控制总线向数据处理模块发送交互指令,所述数据处理模块根据所述交互指令并通过数据总线与片外存储器进行数据通信。
在其中的一实施例,所述数据处理模块的工作频率为100MHz,所述片外存储器的数据带宽为400MB/s。
采用本发明的具有图像处理功能的智能存储设备,其包括集成电路、主机和固态硬盘。该集成电路包括主机控制器、设备控制器、第一逻辑单元和第二逻辑单元。该主机电性耦接至上述主机控制器,主机通过主机控制器与集成电路进行双向数据传输。固态硬盘电性耦接至设备控制器,并通过设备控制器与集成电路进行双向数据传输。本发明的智能存储设备藉由第一逻辑单元和第二逻辑单元对应地实现图像分类和图像检索。相比于现有技术,本发明将诸如FPGA芯片的集成电路实现CNN硬件加速功能、向量比对功能,并透过与固态硬盘的数据通信来实现图片存取过程中的高速分类存储以及图片读取时的快速检索功能。如此一来,本发明通过集成电路的深度流水设计,在性能上完全能够满足高速存取的应用场景,并且集成电路和固态硬盘的功耗较低,因此可有效提高单位设备的运算能效比。此外,诸如服务器的主机CPU只需要负责通信和存储的控制调度,不必具备强大的计算性能;服务器允许的硬盘接入数目高于PCIe插槽的配置数目,在数据存储方面具有更好的扩展性。
附图说明
读者在参照附图阅读了本发明的具体实施方式以后,将会更清楚地了解本发明的各个方面。其中,
图1示出依据本发明的一实施方式,具有图像处理功能的智能存储设备的结构示意图;
图2示出图1的智能存储设备中的集成电路的结构示意图;
图3示出图2的集成电路中的CNN加速模块的结构示意图;
图4示出图2的集成电路中,CNN加速模块与其它功能模块的数据交互示意图;
图5示出采用图1的智能存储设备进行图片分类的示意图;以及
图6示出采用图1的智能存储设备进行图片检索的示意图。
具体实施方式
为了使本申请所揭示的技术内容更加详尽与完备,可参照附图以及本发明的下述各种具体实施例,附图中相同的标记代表相同或相似的组件。然而,本领域的普通技术人员应当理解,下文中所提供的实施例并非用来限制本发明所涵盖的范围。此外,附图仅仅用于示意性地加以说明,并未依照其原尺寸进行绘制。
下面参照附图,对本发明各个方面的具体实施方式作进一步的详细描述。
图1示出依据本发明的一实施方式,具有图像处理功能的智能存储设备的结构示意图。图2示出图1的智能存储设备中的集成电路的结构示意图。
参照图1和图2,在该实施方式中,本发明的具有图像处理功能的智能存储设备包括一主机、一集成电路和一固态硬盘。其中,集成电路包括一主机控制器、一设备控制器、一第一逻辑单元和一第二逻辑单元。第一逻辑单元与第二逻辑单元相互独立。例如,第一逻辑单元处于主机—集成电路—固态硬盘的数据通路上,用来实现图片分类存储操作。又如,第二逻辑单元处于固态硬盘—集成电路—主机的数据通路上,用来实现图片检索和读取操作。
主机电性耦接至集成电路中的主机控制器。主机通过主机控制器与集成电路进行双向数据传输。固态硬盘电性耦接至设备控制器。固态硬盘通过设备控制器与集成电路进行双向数据传输。因此,智能存储设备藉由第一逻辑单元和第二逻辑单元对应地实现图像分类和图像检索。较佳地,集成电路为一现场可编程门阵列(FPGA)芯片。主机控制器和设备控制器均为SATA接口电路。在此,简要描述一下SATA数据通信的主要操作流程:首先从主机端接收FIS命令数据,然后解码并执行ATA命令,接着发送FIS命令数据给固态硬盘,然后等待来自固态硬盘发回的FIS状态数据,最后将该FIS状态数据返回至主机端。在FPGA芯片中,数据处理模块负责转发FIS数据至主机端或固态硬盘。
在一具体实施例,第一逻辑单元为CNN加速模块,用于接收来自主机的图片,对图片进行分类并将分类结果存储于固态硬盘。进一步,CNN加速模块的分类结果包括分类标识码(分类id)和索引节点地址(inode地址),分类标识码用于生成图片目录文件,索引节点地址用于生成索引节点地址列表。后续将结合图5进行具体描述。
在一具体实施例,第二逻辑单元为向量比对加速模块,用于根据来自主机的图片检索信息,对固态硬盘中的图片文件进行特征提取和向量比对,并依据相似度的高低生成检索目录文件。进一步,向量比对加速模块使用集成电路中的数据处理模块(诸如DSP)对目标向量和图片特征进行欧式距离计算,以获得图片相似度的高低。后续将结合图6进行具体描述。
由上述可知,相比于现有技术,本发明将诸如FPGA芯片的集成电路实现CNN硬件加速功能和向量比对功能,并透过与固态硬盘的数据通信来实现图片存取过程中的高速分类存储以及图片读取时的快速检索功能。由于本发明采用集成电路的深度流水设计,在性能上完全能够满足高速存取的应用场景,并且集成电路和固态硬盘的功耗较低,因此可有效提高单位设备的运算能效比。此外,诸如服务器的主机CPU只需要负责通信和存储的控制调度,不必具备强大的计算性能;服务器允许的硬盘接入数目高于PCIe插槽的配置数目,在数据存储方面具有更好的扩展性。
图3示出图2的集成电路中的CNN加速模块的结构示意图。图4示出图2的集成电路中,CNN加速模块与其它功能模块的数据交互示意图。
参照图3和图4,在一示意性实施例中,CNN加速模块包括多个处理单元(ProcessElement,PE)、片上缓存器(On-chipMemory)、片外存储器(Off-chipMemory)和片内/片外交互单元。其中,片外存储器用于存储待处理的图片数据。片内/片外交互单元用于处理单元与片外存储器之间的数据通信。片上缓存器用于在处理单元进行卷积运算之前对待处理的图片数据进行高速缓存。此外,CNN加速模块内还包括片内互连单元,专门用于各个处理单元与片内缓存器之间的数据通信。
在图4中,CNN加速模块还电性耦接至中断控制器和控制总线(controlbus)。其中,CNN加速模块通过控制总线向处理器(如,数据处理模块)发送交互指令。处理器根据交互指令并通过数据总线(databus)、DDR控制器与片外存储器(如,DDR存储器)进行数据通信。例如,数据处理模块的工作频率为100MHz,片外存储器的数据带宽为400MB/s。
图5示出采用图1的智能存储设备进行图片分类的示意图。参照图5,当主机通过其自身内存将图片传入SATA接口,并通过FPGA芯片内部集成的CNN加速模块对图片进行分类判断。根据得到的分类结果,图片会存入初始化过程中根据模型的信息预先建立的图片目录文件中。例如,CNN加速模块进行分类时,其分类结果包括分类标识码(分类id)和索引节点地址(inode地址)。分类标识码分别对应分类1、分类2、分类3、…分类n,从而生成输出结果中的图片目录文件。索引节点地址用于生成索引节点地址列表(inode列表)。
此外,图片分类操作对应于主机—集成电路—固态硬盘的数据通路,且集成电路利用主机控制器一侧的SATA接口以及设备控制器一侧的SATA接口分别同主机和固态硬盘进行数据通信。相应地,其SATA数据通信的图片分类操作流程为:首先从FIS命令数据中解码数据总大小,创建并发送DMAFIS数据到主机端,准备传输;然后等待主机端返回数据;接着用户指定LBA地址将转发数据到固态硬盘;在重复上述步骤以完成数据传输之后,等待固态硬盘返回FIS状态数据信息,并由FPGA芯片将FIS状态数据信息发送回主机端。
图6示出采用图1的智能存储设备进行图片检索的示意图。参照图6,当主机输入目标检测对象(可支持以模型ID的形式输入)时,FPGA芯片通过设备控制器一侧的SATA接口遍历分类后模型ID对应的目录文件,对目录文件中的图片文件进行特征提取及向量比对。根据计算欧式距离的结果,将检索目标文件进行相似度从高到低的排序,并存入检索目录文件内,然后将该检索目录文件发送返回主机端。
类似地,图片检索操作对应于固态硬盘—集成电路—主机的数据通路,且集成电路利用主机控制器一侧的SATA接口以及设备控制器一侧的SATA接口分别同主机和固态硬盘进行数据通信。其SATA数据通信的图片检索操作流程为:首先从FIS命令数据中解码数据总大小,并转发FIS命令数据到固态硬盘;然后等待来自固态硬盘发送的数据,若数据较多,数据处理模块可将FIS数据通过DDR缓存后再发送;在重复上述步骤后,等待固态硬盘返回FIS状态数据信息,并由FPGA芯片将FIS状态数据信息发回主机端。
采用本发明的具有图像处理功能的智能存储设备,其包括集成电路、主机和固态硬盘。该集成电路包括主机控制器、设备控制器、第一逻辑单元和第二逻辑单元。该主机电性耦接至上述主机控制器,主机通过主机控制器与集成电路进行双向数据传输。固态硬盘电性耦接至设备控制器,并通过设备控制器与集成电路进行双向数据传输。本发明的智能存储设备藉由第一逻辑单元和第二逻辑单元对应地实现图像分类和图像检索。相比于现有技术,本发明将诸如FPGA芯片的集成电路实现CNN硬件加速功能、向量比对功能,并透过与固态硬盘的数据通信来实现图片存取过程中的高速分类存储以及图片读取时的快速检索功能。如此一来,本发明通过集成电路的深度流水设计,在性能上完全能够满足高速存取的应用场景,并且集成电路和固态硬盘的功耗较低,因此可有效提高单位设备的运算能效比。此外,诸如服务器的主机CPU只需要负责通信和存储的控制调度,不必具备强大的计算性能;服务器允许的硬盘接入数目高于PCIe插槽的配置数目,在数据存储方面具有更好的扩展性。
上文中,参照附图描述了本发明的具体实施方式。但是,本领域中的普通技术人员能够理解,在不偏离本发明的精神和范围的情况下,还可以对本发明的具体实施方式作各种变更和替换。这些变更和替换都落在本发明权利要求书所限定的范围内。
Claims (9)
1.一种具有图像处理功能的智能存储设备,其特征在于,该智能存储设备包括:
一集成电路,包括一主机控制器、一设备控制器、一第一逻辑单元和一第二逻辑单元,其中所述第一逻辑单元与所述第二逻辑单元相互独立;
一主机,电性耦接至所述主机控制器,所述主机通过所述主机控制器与所述集成电路进行双向数据传输;以及
一固态硬盘,电性耦接至所述设备控制器,所述固态硬盘通过所述设备控制器与所述集成电路进行双向数据传输,
其中,所述智能存储设备藉由所述第一逻辑单元和所述第二逻辑单元对应地实现图像分类和图像检索。
2.根据权利要求1所述的智能存储设备,其特征在于,所述集成电路为一现场可编程门阵列。
3.根据权利要求1所述的智能存储设备,其特征在于,所述主机控制器和所述设备控制器均为SATA接口电路。
4.根据权利要求1所述的智能存储设备,其特征在于,所述第一逻辑单元为CNN加速模块,用于接收来自所述主机的图片,对所述图片进行分类,并将分类结果存储于所述固态硬盘。
5.根据权利要求4所述的智能存储设备,其特征在于,所述CNN加速模块的分类结果包括分类标识码和索引节点地址,所述分类标识码用于生成图片目录文件,所述索引节点地址用于生成索引节点地址列表。
6.根据权利要求1所述的智能存储设备,其特征在于,所述第二逻辑单元为向量比对加速模块,用于根据来自所述主机的图片检索信息,对所述固态硬盘中的图片文件进行特征提取和向量比对,并依据相似度的高低生成检索目录文件。
7.根据权利要求6所述的智能存储设备,其特征在于,所述向量比对加速模块使用所述集成电路中的数据处理模块对目标向量和图片特征进行欧式距离计算,以获得图片相似度的高低。
8.根据权利要求1所述的智能存储设备,其特征在于,所述CNN加速模块包括多个处理单元、片上缓存器、片外存储器和片内/片外交互单元,
其中,所述片外存储器用于存储待处理的图片数据,所述片内/片外交互单元用于处理单元与片外存储器之间的数据通信,所述片上缓存器用于在所述处理单元进行卷积运算之前对所述待处理的图片数据进行高速缓存。
9.根据权利要求1所述的智能存储设备,其特征在于,所述CNN加速模块电性耦接至中断控制器和控制总线,
其中,所述CNN加速模块通过所述控制总线向数据处理模块发送交互指令,所述数据处理模块根据所述交互指令并通过数据总线与片外存储器进行数据通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510872516.XA CN105426517B (zh) | 2015-12-02 | 2015-12-02 | 一种具有图像处理功能的智能存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510872516.XA CN105426517B (zh) | 2015-12-02 | 2015-12-02 | 一种具有图像处理功能的智能存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426517A true CN105426517A (zh) | 2016-03-23 |
CN105426517B CN105426517B (zh) | 2020-02-18 |
Family
ID=55504729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510872516.XA Active CN105426517B (zh) | 2015-12-02 | 2015-12-02 | 一种具有图像处理功能的智能存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426517B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956660A (zh) * | 2016-05-16 | 2016-09-21 | 浪潮集团有限公司 | 一种用于实时图像识别的神经元网络芯片实现方法 |
CN107392309A (zh) * | 2017-09-11 | 2017-11-24 | 东南大学—无锡集成电路技术研究所 | 一种基于fpga的通用定点数神经网络卷积加速器硬件结构 |
CN108073983A (zh) * | 2016-11-10 | 2018-05-25 | 谷歌有限责任公司 | 在硬件中执行核心跨越 |
CN108765258A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市商汤科技有限公司 | 车载图像处理方法和装置、电子设备、介质、程序产品 |
CN110688263A (zh) * | 2019-09-30 | 2020-01-14 | 中国工程物理研究院计算机应用研究所 | 基于fpga的硬盘自动切换装置及应用方法 |
CN112997169A (zh) * | 2018-11-08 | 2021-06-18 | 西门子医疗有限公司 | 传输数据集和提供数据传输信息 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110033A1 (en) * | 2004-11-24 | 2006-05-25 | Shunsaku Toshihiro | Photograph image-processing method and device thereof |
CN102360342A (zh) * | 2011-10-11 | 2012-02-22 | 中国人民解放军国防科学技术大学 | 海量影像数据快速存储显示固态硬盘 |
CN104679863A (zh) * | 2015-02-28 | 2015-06-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于深度学习的以图搜图方法和系统 |
CN104834484A (zh) * | 2015-05-11 | 2015-08-12 | 上海新储集成电路有限公司 | 基于嵌入式可编程逻辑阵列的数据处理系统及处理方法 |
-
2015
- 2015-12-02 CN CN201510872516.XA patent/CN105426517B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110033A1 (en) * | 2004-11-24 | 2006-05-25 | Shunsaku Toshihiro | Photograph image-processing method and device thereof |
CN102360342A (zh) * | 2011-10-11 | 2012-02-22 | 中国人民解放军国防科学技术大学 | 海量影像数据快速存储显示固态硬盘 |
CN104679863A (zh) * | 2015-02-28 | 2015-06-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于深度学习的以图搜图方法和系统 |
CN104834484A (zh) * | 2015-05-11 | 2015-08-12 | 上海新储集成电路有限公司 | 基于嵌入式可编程逻辑阵列的数据处理系统及处理方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956660A (zh) * | 2016-05-16 | 2016-09-21 | 浪潮集团有限公司 | 一种用于实时图像识别的神经元网络芯片实现方法 |
CN108073983A (zh) * | 2016-11-10 | 2018-05-25 | 谷歌有限责任公司 | 在硬件中执行核心跨越 |
CN108073983B (zh) * | 2016-11-10 | 2022-04-26 | 谷歌有限责任公司 | 在硬件中执行核心跨越 |
US11816532B2 (en) | 2016-11-10 | 2023-11-14 | Google Llc | Performing kernel striding in hardware |
CN107392309A (zh) * | 2017-09-11 | 2017-11-24 | 东南大学—无锡集成电路技术研究所 | 一种基于fpga的通用定点数神经网络卷积加速器硬件结构 |
CN108765258A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市商汤科技有限公司 | 车载图像处理方法和装置、电子设备、介质、程序产品 |
CN108765258B (zh) * | 2018-04-26 | 2022-05-24 | 深圳市商汤科技有限公司 | 车载图像处理方法和装置、电子设备、介质、程序产品 |
CN112997169A (zh) * | 2018-11-08 | 2021-06-18 | 西门子医疗有限公司 | 传输数据集和提供数据传输信息 |
US11599564B2 (en) | 2018-11-08 | 2023-03-07 | Siemens Healthcare Gmbh | Transmission of a data set and provision of data transmission information |
CN110688263A (zh) * | 2019-09-30 | 2020-01-14 | 中国工程物理研究院计算机应用研究所 | 基于fpga的硬盘自动切换装置及应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105426517B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426517A (zh) | 一种具有图像处理功能的智能存储设备 | |
US11836081B2 (en) | Methods and systems for handling data received by a state machine engine | |
Law et al. | Cornernet-lite: Efficient keypoint based object detection | |
CN111522986B (zh) | 图像检索方法、装置、设备和介质 | |
KR102449191B1 (ko) | 이더넷 솔리드 스테이트 드라이브에서 데이터 패턴 매칭 및 기계 학습 알고리즘들을 지원하는 장치 및 방법 | |
US10909452B2 (en) | Methods and systems for power management in a pattern recognition processing system | |
CN108416327B (zh) | 一种目标检测方法、装置、计算机设备及可读存储介质 | |
US9292767B2 (en) | Decision tree computation in hardware utilizing a physically distinct integrated circuit with on-chip memory and a reordering of data to be grouped | |
US20170060904A1 (en) | Method for visual search, corresponding system, apparatus and computer program product | |
WO2016119117A1 (en) | Localization and mapping method | |
CN110458805A (zh) | 一种平面检测方法、计算设备以及电路系统 | |
Xie et al. | RGB‐D static gesture recognition based on convolutional neural network | |
Guan et al. | On-device mobile landmark recognition using binarized descriptor with multifeature fusion | |
CN105760533B (zh) | 一种照片管理方法和装置 | |
Wang et al. | Adversarial point cloud perturbations against 3D object detection in autonomous driving systems | |
US10943098B2 (en) | Automated and unsupervised curation of image datasets | |
CN109166615A (zh) | 一种随机森林哈希的医学ct图像存储与检索方法 | |
CN103207889A (zh) | 一种基于Hadoop的海量人脸图像的检索方法 | |
JP7085600B2 (ja) | 画像間の類似度を利用した類似領域強調方法およびシステム | |
US20180113951A1 (en) | Graph traversal using automata processor | |
Jain et al. | Literature review of vision‐based dynamic gesture recognition using deep learning techniques | |
US11276249B2 (en) | Method and system for video action classification by mixing 2D and 3D features | |
Zhou et al. | Retrieval and localization with observation constraints | |
Yan et al. | RTL3D: real‐time LIDAR‐based 3D object detection with sparse CNN | |
Liu et al. | IrisST-Net for iris segmentation and contour parameters extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200423 Address after: 200233 room 603, No. 28, Lane 201, Guilin West Street, Xuhui District, Shanghai Patentee after: Huang Feng Address before: 201111 Shanghai city Minhang District Yuanjiang Road No. 5500, building 1, room 1362 Patentee before: SHANGHAI ECCS TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |