CN108111873A - 一种基于机器学习的gis图像数据传输方法 - Google Patents
一种基于机器学习的gis图像数据传输方法 Download PDFInfo
- Publication number
- CN108111873A CN108111873A CN201711467226.2A CN201711467226A CN108111873A CN 108111873 A CN108111873 A CN 108111873A CN 201711467226 A CN201711467226 A CN 201711467226A CN 108111873 A CN108111873 A CN 108111873A
- Authority
- CN
- China
- Prior art keywords
- image
- compressing
- converting
- gis
- images
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
- H04N21/23424—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving splicing one content stream with another content stream, e.g. for inserting or substituting an advertisement
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
- H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
Abstract
一种基于机器学习的GIS图像数据传输方法。其包括获取所需传输的实际GIS图像;对实际GIS图像进行压缩转换而得到压缩转换图像;将压缩转换图像进行网络传输;接收到压缩转换图像后根据需要进行解压缩而得到最终GIS图像等步骤。本发明提供的基于机器学习的GIS图像数据传输方法的有益效果:本发明可以提高GIS图像数据的压缩率,大幅降低网络传输带宽。(2)在有效增加压缩率的情况下不会大幅减少图像的精度。
Description
技术领域
本发明属于网络数据传输技术领域,特别是涉及一种基于机器学习的GIS图像数据传输方法。
背景技术
由于国家电网信息系统的规模非常大,使用人数也特别多,网络结构复杂,对于远距离网络数据传输的需求也越来越迫切。由于GIS数据中包含大量的地图图像,目前网络GIS图像数据传输相对比较传统,传输速率较低,传输时间长,因此无法满足现今国家电网的GIS图像传输需求。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于机器学习的GIS图像数据传输方法。
为了达到上述目的,本发明提供的基于机器学习的GIS图像数据传输方法包括按顺序进行的下列步骤:
1)获取所需传输的实际GIS图像的S01阶段;
从GIS数据库中获取所需传输的实际GIS图像,对原始GIS图像进行裁剪和拼接,由此获得最终所需传输的实际GIS图像A;
2)对上述实际GIS图像进行压缩转换而得到压缩转换图像的S02阶段;
将实际GIS图像A在压缩引擎中进行压缩转换,获得压缩转换图像B;
3)将上述压缩转换图像进行网络传输的S03阶段;
4)接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的S04阶段;
接收到上述压缩转换图像B后能够作为低精度的GIS图像直接使用,如果需要原始精度的GIS图像,将压缩转换图像B进行解压缩而还原到原始精度,由此获得最终GIS图像A’。
在步骤2)中,所述的对实际GIS图像进行压缩转换而得到压缩转换图像的方法包括按顺序进行的下列步骤:
2.1、读取步骤1)中获得的实际GIS图像A;
2.2、对上述实际GIS图像A进行裁剪,切割成n个像素大小为L×L的小图像Ai,其中L为用户定义的像素,并获得实际GIS图像的小图像集QA=[A1,A2,A3,A4,....An];对于裁剪到边缘处的像素大小不足L×L的小图像,进行默认背景色填充,使之最终像素大小达到L×L;
2.3、将每个小图像Ai利用缩减取样的方法进行压缩转换,压缩转换后的像素大小为其中k为用户设定的压缩率,压缩转换后的小图像Bi的大小约为小图像Ai的即相当于小图像Ai的一个的缩略图;并获得压缩转换后的小图像集QB=[B1,B2,B3,B4,....Bn],其中小图像集QA与压缩转换后的小图像集QB中的图像索引一一对应;
2.4、从小图像集QA与压缩转换后的小图像集QB中随机选取80%的数据作为训练集,剩余20%的数据作为测试集,设定机器学习参数,利用机器学习算法进行机器学习;机器学习将利用小图像Ai和压缩转换后的小图像Bi,采用监督学习方式,学习两者之间的关系,获得从压缩转换后的小图像Bi还原到小图像Ai的精度修复算法,达到将压缩转换后的图像通过精度修复还原到原始图像精度的目的;
2.5、将上述获得的精度修复算法作为解压缩算法,对剩余20%的数据进行解压缩而获得解压缩图像Ai’,以对上述压缩转换结果进行验证,并将解压缩图像Ai’与小图像Ai进行比对,获得精度损失比例n,然后验证该精度损失比例n是否在用户设定的精度损失比例阈值N之内;如果n≤N,说明上述精度修复算法能够满足用户的要求,并将其作为最终的解压缩算法Me;如果n>N,则说明该精度修复算法还需要进行机器学习参数的调整;机器学习参数调整后,重新进行步骤2.4,直至使精度修复算法能够满足用户的要求;如果多次尝试依然无法达到用户设定的精度损失比例阈值N,则提示用户机器学习参数设定有误,建议用户重新进行机器学习参数设定;
2.6、将压缩转换后的小图像集QB中的压缩转换后的小图像Bi进行拼接,获得汇总图像,然后将上述解压缩算法Me嵌入到汇总图像数据中,获得最终的压缩转换图像B。
在步骤4)中,所述的接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的方法包括按顺序进行的下列步骤:
4.1、读取步骤3)中传输的压缩转换图像B;
4.2、将压缩转换图像B切割为n个小切割图像Ci,并获得小切割图像集QC,QC=[C1,C2,C3...Cn],小切割图像Ci的像素大小为M×M,其中
4.3、调用解压程序,利用上述得到的解压缩算法Me的参数,将小切割图像Ci进行精度修复而获得L×L像素大小的解压缩小图像,并得到最终的解压缩图像集QA’;
4.4、将上述解压缩图像集QA’中的解压缩小图像进行拼接,获得最终的解压缩GIS图像A’。
本发明提供的基于机器学习的GIS图像数据传输方法的有益效果:
(1)本发明可以提高GIS图像数据的压缩率,大幅降低网络传输带宽。
(2)在有效增加压缩率的情况下不会大幅减少图像的精度。
附图说明
图1为本发明提供的基于机器学习的GIS图像数据传输方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于机器学习的GIS图像数据传输方法进行详细说明。
如图1所示,本发明提供的基于机器学习的GIS图像数据传输方法包括按顺序进行的下列步骤:
1)获取所需传输的实际GIS图像的S01阶段;
从GIS数据库中获取所需传输的实际GIS图像,由于GIS数据库中的原始GIS图像是按照分片存储的,可能所需的实际GIS图像包含在多张原始GIS图像中,所以需要对原始GIS图像进行裁剪和拼接,由此获得最终所需传输的实际GIS图像A。
2)对上述实际GIS图像进行压缩转换而得到压缩转换图像的S02阶段;
将实际GIS图像A在压缩引擎中进行压缩转换,获得压缩转换图像B;
3)将上述压缩转换图像进行网络传输的S03阶段;
由于压缩转换后的GIS图像体积可大幅减小,所以传输速率将大幅提高。
4)接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的S04阶段;
接收到上述压缩转换图像B后可以作为低精度的GIS图像直接使用,如果需要原始精度的GIS图像,将压缩转换图像B进行解压缩而还原到原始精度,由此获得最终GIS图像A’。
在步骤2)中,所述的对实际GIS图像进行压缩转换而得到压缩转换图像的方法包括按顺序进行的下列步骤:
2.1、读取步骤1)中获得的实际GIS图像A;
2.2、对上述实际GIS图像A进行裁剪,切割成n个像素大小为L×L的小图像Ai,其中L为用户定义的像素,通常取值为64像素或者128像素,并获得实际GIS图像的小图像集QA=[A1,A2,A3,A4,....An];对于裁剪到边缘处的像素大小不足L×L的小图像,进行默认背景色填充,使之最终像素大小达到L×L;
2.3、将每个小图像Ai利用缩减取样的方法进行压缩转换,压缩转换后的像素大小为其中k为用户设定的压缩率,压缩转换后的小图像Bi的大小约为小图像Ai的即相当于小图像Ai的一个的缩略图。一般压缩率k的取值为2,此时压缩转换后的小图像Bi为小图像Ai的并获得压缩转换后的小图像集QB=[B1,B2,B3,B4,....Bn],其中小图像集QA与压缩转换后的小图像集QB中的图像索引一一对应;
2.4、从小图像集QA与压缩转换后的小图像集QB中随机选取80%的数据作为训练集,剩余20%的数据作为测试集,设定机器学习参数,利用机器学习算法进行机器学习;机器学习将利用小图像Ai和压缩转换后的小图像Bi,采用监督学习方式,学习两者之间的关系,获得从压缩转换后的小图像Bi还原到小图像Ai的精度修复算法,达到将压缩转换后的图像通过精度修复还原到原始图像精度的目的;
5、将上述获得的精度修复算法作为解压缩算法,对剩余20%的数据进行解压缩而获得解压缩图像Ai’,以对上述压缩转换结果进行验证,并将解压缩图像Ai’与小图像Ai进行比对,获得精度损失比例n,然后验证该精度损失比例n是否在用户设定的精度损失比例阈值N之内;如果n≤N,说明上述精度修复算法能够满足用户的要求,并将其作为最终的解压缩算法Me;如果n>N,则说明该精度修复算法还需要进行机器学习参数的调整;机器学习参数调整后,重新进行步骤2.4,直至使精度修复算法能够满足用户的要求;如果多次尝试依然无法达到用户设定的精度损失比例阈值N,则提示用户机器学习参数设定有误,建议用户重新进行机器学习参数设定,此时可采用减小压缩率k的方法;另外,精度损失比例阈值N一般可以在2~5%之内选取。此外,压缩率k的取值不宜过大,过大则会使精度损失比例阈值N非常大,当然,如果资源充分,可以多次尝试调整机器学习参数,以获得最佳的压缩率k。
2.6、将压缩转换后的小图像集QB中的压缩转换后的小图像Bi进行拼接,获得汇总图像,然后将上述解压缩算法Me嵌入到汇总图像数据中,获得最终的压缩转换图像B。该压缩转换图像B最终大小理论值约为实际GIS图像的其中解压缩算法Me大小相对图像大小来说可以忽略不计。
在步骤4)中,所述的接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的方法包括按顺序进行的下列步骤:
4.1、读取步骤3)中传输的压缩转换图像B;
4.2、将压缩转换图像B切割为n个小切割图像Ci,并获得小切割图像集QC,QC=[C1,C2,C3...Cn],小切割图像Ci的像素大小为M×M,其中
4.3、调用解压程序,利用上述得到的解压缩算法Me的参数,将小切割图像Ci进行精度修复而获得L×L像素大小的解压缩小图像,并得到最终的解压缩图像集QA’;
4.4、将上述解压缩图像集QA’中的解压缩小图像进行拼接,获得最终的解压缩GIS图像A’。
Claims (3)
1.一种基于机器学习的GIS图像数据压缩的方法,其特征在于:所述的基于GIS的FT无损数据转换传输的方法包括按顺序进行的下列步骤:
1)获取所需传输的实际GIS图像的S01阶段;
从GIS数据库中获取所需传输的实际GIS图像,对原始GIS图像进行裁剪和拼接,由此获得最终所需传输的实际GIS图像A;
2)对上述实际GIS图像进行压缩转换而得到压缩转换图像的S02阶段;
将实际GIS图像A在压缩引擎中进行压缩转换,获得压缩转换图像B;
3)将上述压缩转换图像进行网络传输的S03阶段;
4)接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的S04阶段;
接收到上述压缩转换图像B后能够作为低精度的GIS图像直接使用,如果需要原始精度的GIS图像,将压缩转换图像B进行解压缩而还原到原始精度,由此获得最终GIS图像A’。
2.根据权利要求1所述的基于机器学习的GIS图像数据压缩的方法,其特征在于:在步骤2)中,所述的对实际GIS图像进行压缩转换而得到压缩转换图像的方法包括按顺序进行的下列步骤:
2.1、读取步骤1)中获得的实际GIS图像A;
2.2、对上述实际GIS图像A进行裁剪,切割成n个像素大小为L×L的小图像Ai,其中L为用户定义的像素,并获得实际GIS图像的小图像集QA=[A1,A2,A3,A4,....An];对于裁剪到边缘处的像素大小不足L×L的小图像,进行默认背景色填充,使之最终像素大小达到L×L;
2.3、将每个小图像Ai利用缩减取样的方法进行压缩转换,压缩转换后的像素大小为其中k为用户设定的压缩率,压缩转换后的小图像Bi的大小约为小图像Ai的即相当于小图像Ai的一个的缩略图;并获得压缩转换后的小图像集QB=[B1,B2,B3,B4,....Bn],其中小图像集QA与压缩转换后的小图像集QB中的图像索引一一对应;
2.4、从小图像集QA与压缩转换后的小图像集QB中随机选取80%的数据作为训练集,剩余20%的数据作为测试集,设定机器学习参数,利用机器学习算法进行机器学习;机器学习将利用小图像Ai和压缩转换后的小图像Bi,采用监督学习方式,学习两者之间的关系,获得从压缩转换后的小图像Bi还原到小图像Ai的精度修复算法,达到将压缩转换后的图像通过精度修复还原到原始图像精度的目的;
2.5、将上述获得的精度修复算法作为解压缩算法,对剩余20%的数据进行解压缩而获得解压缩图像Ai’,以对上述压缩转换结果进行验证,并将解压缩图像Ai’与小图像Ai进行比对,获得精度损失比例n,然后验证该精度损失比例n是否在用户设定的精度损失比例阈值N之内;如果n≤N,说明上述精度修复算法能够满足用户的要求,并将其作为最终的解压缩算法Me;如果n>N,则说明该精度修复算法还需要进行机器学习参数的调整;机器学习参数调整后,重新进行步骤2.4,直至使精度修复算法能够满足用户的要求;如果多次尝试依然无法达到用户设定的精度损失比例阈值N,则提示用户机器学习参数设定有误,建议用户重新进行机器学习参数设定;
2.6、将压缩转换后的小图像集QB中的压缩转换后的小图像Bi进行拼接,获得汇总图像,然后将上述解压缩算法Me嵌入到汇总图像数据中,获得最终的压缩转换图像B。
3.根据权利要求1所述的基于机器学习的GIS图像数据压缩的方法,其特征在于:在步骤4)中,所述的接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的方法包括按顺序进行的下列步骤:
4.1、读取步骤3)中传输的压缩转换图像B;
4.2、将压缩转换图像B切割为n个小切割图像Ci,并获得小切割图像集QC,QC=[C1,C2,C3...Cn],小切割图像Ci的像素大小为M×M,其中
4.3、调用解压程序,利用上述得到的解压缩算法Me的参数,将小切割图像Ci进行精度修复而获得L×L像素大小的解压缩小图像,并得到最终的解压缩图像集QA’;
4.4、将上述解压缩图像集QA’中的解压缩小图像进行拼接,获得最终的解压缩GIS图像A’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711467226.2A CN108111873B (zh) | 2017-12-29 | 2017-12-29 | 一种基于机器学习的gis图像数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711467226.2A CN108111873B (zh) | 2017-12-29 | 2017-12-29 | 一种基于机器学习的gis图像数据传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108111873A true CN108111873A (zh) | 2018-06-01 |
CN108111873B CN108111873B (zh) | 2020-04-14 |
Family
ID=62214441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711467226.2A Active CN108111873B (zh) | 2017-12-29 | 2017-12-29 | 一种基于机器学习的gis图像数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108111873B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
CN115512173A (zh) | 2018-10-11 | 2022-12-23 | 特斯拉公司 | 用于使用增广数据训练机器模型的系统和方法 |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594537A (zh) * | 2009-06-04 | 2009-12-02 | 京北方科技股份有限公司 | 海量图像数据压缩方法 |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN105912640A (zh) * | 2016-04-08 | 2016-08-31 | 成都嘉泽兴业科技有限责任公司 | 环境监测gis信息传输方法 |
US20160292589A1 (en) * | 2015-04-03 | 2016-10-06 | The Mitre Corporation | Ultra-high compression of images based on deep learning |
CN107240136A (zh) * | 2017-05-25 | 2017-10-10 | 华北电力大学 | 一种基于深度学习模型的静态图像压缩方法 |
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
-
2017
- 2017-12-29 CN CN201711467226.2A patent/CN108111873B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594537A (zh) * | 2009-06-04 | 2009-12-02 | 京北方科技股份有限公司 | 海量图像数据压缩方法 |
US20160292589A1 (en) * | 2015-04-03 | 2016-10-06 | The Mitre Corporation | Ultra-high compression of images based on deep learning |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN105912640A (zh) * | 2016-04-08 | 2016-08-31 | 成都嘉泽兴业科技有限责任公司 | 环境监测gis信息传输方法 |
CN107240136A (zh) * | 2017-05-25 | 2017-10-10 | 华北电力大学 | 一种基于深度学习模型的静态图像压缩方法 |
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
Also Published As
Publication number | Publication date |
---|---|
CN108111873B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108111873A (zh) | 一种基于机器学习的gis图像数据传输方法 | |
CN109584170B (zh) | 基于卷积神经网络的水下图像复原方法 | |
CN102523367B (zh) | 基于多调色板的实时图像压缩和还原方法 | |
CN103702133B (zh) | 一种图像压缩展示方法及其装置 | |
WO2013031785A1 (ja) | 撮影画像圧縮伝送方法及び撮影画像圧縮伝送システム | |
CN102724392A (zh) | 一种模拟高清摄像的实现方法及装置 | |
CN104966309B (zh) | 一种带透明度图像的自动压缩的系统及处理方法 | |
CN104835109A (zh) | 一种迭代自适应可逆水印嵌入和提取方法 | |
CN110381278A (zh) | 用于色彩空间4:4:4传输的方法及设备 | |
CN103763558B (zh) | 基于相似性的纹理图像压缩方法 | |
CN102917157A (zh) | 一种基于人体视觉系统的图片压缩系统及方法 | |
CN105430393A (zh) | 一种图片处理方法、图片处理装置以及图片处理平台 | |
CN107564078A (zh) | 一种带有干扰像素的栅格分区图自动矢量化方法 | |
CN107147914A (zh) | 一种嵌入式系统及单色位图压缩方法、主机 | |
CN108521535B (zh) | 一种基于图像混合处理的信息隐藏传输方法 | |
CN105871382B (zh) | 一种Micaps第四类格点数据无损压缩算法 | |
CN114187369A (zh) | 一种基于视频压缩技术的气象预报数据压缩方法 | |
CN105491398A (zh) | 图片处理方法、图片处理装置以及图片处理平台 | |
CN110191345B (zh) | 基于霍夫曼编码的前景、背景分离的增量式无损压缩方法 | |
CN110390636A (zh) | 无人机超、高清图片或视频数据的模拟变焦方法 | |
CN114245126B (zh) | 一种纹理协同的深度特征图压缩方法 | |
CN110619667A (zh) | 一种png图片的压缩方法及其系统 | |
CN107277507B (zh) | 一种空域变换域混合图像压缩方法 | |
US20100182456A1 (en) | iris image storing method and an iris image restored method | |
CN102495878A (zh) | 一种机器视觉检测结果的存储文件及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |