CN110533666B - 一种获取数据块尺寸的方法、处理数据的方法及装置 - Google Patents
一种获取数据块尺寸的方法、处理数据的方法及装置 Download PDFInfo
- Publication number
- CN110533666B CN110533666B CN201810516394.4A CN201810516394A CN110533666B CN 110533666 B CN110533666 B CN 110533666B CN 201810516394 A CN201810516394 A CN 201810516394A CN 110533666 B CN110533666 B CN 110533666B
- Authority
- CN
- China
- Prior art keywords
- data block
- data
- size set
- block size
- size
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请是关于一种获取数据块尺寸的方法、处理数据的方法及装置,属于图像处理领域。所述方法包括:获取至少一个数据块尺寸集合和所述至少一个数据块尺寸集合中的每个数据块尺寸集合的耗时数据,数据块尺寸集合包括数据块宽度和数据块高度,所述数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据所述数据块尺寸集合处理测试数据需要的时间;根据所述每个数据块尺寸集合对应的耗时数据,从所述至少一个数据块尺寸集合中选择一个数据块尺寸集合。本申请能够减小浪费计算资源。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种获取数据块尺寸的方法、处理数据的方法及装置。
背景技术
在视频图像处理领域中,卷积神经网络由于其具有高效特征提取能力被得到广泛应用。卷积神经网络用于对输入的图像数据进行卷积处理。卷积神经网络设有图像块宽度和图像块高度。对于输入的图像数据,根据该图像块宽度和该图像块高度将该图像数据划分成多个图像块,然后对每个图像块进行卷积处理。
在卷积神经网络中每个图像块对应N个线程,N为大于1的整数,该N个线程用于对该图像块进行卷积处理。在对该图像块进行卷积处理时,如果该图像块的宽度和高度分别为该图像块宽度和该图像块高度时,该图像块被分成N个等大小的区域块,该N个线程中的每个线程对应一个区域块,每个线程分别对其对应的区域块进行卷积处理。每个区域块的尺寸是固定不变的,所以在不同图像块中区域块的尺寸均相同。
申请人在实现本申请的过程中,发现上述方式至少存在如下缺陷:
对于某些图像数据,该图像数据的宽度可能不是该图像块宽度的整数倍和/或该图像数据的高度可能不是该图像块高度的整数倍,这样对该图像数据划分的图像块中存在图像块的宽度小于图像块宽度和/或高度小于该图像块高度。由于区域块的尺寸是固定的,该图像块被划分的区域块的数目少于N,在对该图像块进行处理时该图像块对应的N个线程中存在部分线程将空置,导致计算资源的浪费。
申请内容
为了减小浪费计算资源,本申请实施例提供了一种获取数据块尺寸的方法、处理数据的方法及装置。所述技术方案如下:
根据本申请实施例的第一方面,提供一种获取数据块尺寸的方法,所述方法包括:
获取至少一个数据块尺寸集合和所述至少一个数据块尺寸集合中的每个数据块尺寸集合的耗时数据,数据块尺寸集合包括数据块宽度和数据块高度,所述数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据所述数据块尺寸集合处理测试数据需要的时间;
根据所述每个数据块尺寸集合对应的耗时数据,从所述至少一个数据块尺寸集合中选择一个数据块尺寸集合。
可选的,所述获取至少一个数据块尺寸集合和所述至少一个数据块尺寸集合中的每个数据块尺寸集合的耗时数据,包括:
确定数据块的初始数据块宽度和初始数据块高度,得到包括所述初始数据块宽度和所述初始数据块高度的第一数据块尺寸集合;
根据所述第一数据块尺寸集合确定用于处理所述数据块的第一线程数目;
在所述第一线程数目未超过门限值时,获取所述第一数据块尺寸集合的耗时数据。
可选的,所述确定数据块的初始数据块宽度和初始数据块高度之后,还包括:
扩大所述数据块的当前数据块宽度和/或扩大所述数据块的当前数据块高度得到第二数据块尺寸集合;
根据所述第二数据块尺寸集合确定用于处理所述数据块的第二线程数目;
在所述第二线程数目未超过门限值时,获取所述第二数据块尺寸集合的耗时数据。
可选的,所述确定数据块的初始数据块宽度和初始数据块高度,包括:
获取所述卷积神经网络算法的卷积核的高度;
设置数据块的初始数据块宽度和初始数据块高度,所述初始数据块宽度为数值32的整数倍,所述初始数据块高度大于所述卷积核的高度且为数值4的整数倍。
可选的,所述扩大所述数据块的当前数据块宽度和/或扩大所述数据块的当前数据块高度得到第二数据块尺寸集合,包括:
根据第一递增倍数扩大所述数据块的当前数据块宽度和/或根据第二递增倍数扩大所述数据块的当前数据块高度得到第二数据块尺寸集合。
可选的,所述方法还包括:
获取用于运行所述卷积神经网络算法的图形处理器GPU的计算能力信息,根据所述计算能力信息设置所述门限值。
根据本申请实施例的第二方面,提供一种处理数据的方法,所述方法包括:
获取与目标数据尺寸相适应的数据块尺寸集合,其中所述数据块尺寸集合是根据与所述目标数据尺寸相等的测试数据,通过第一方面所述的方法获取的数据块尺寸集合;
控制卷积神经网络算法根据所述数据块尺寸集合处理至少一个待处理数据,所述至少一个待处理数据中的每个待处理数据的尺寸等于所述目标数据尺寸。
可选的,所述获取与目标数据尺寸相适应的数据块尺寸集合,包括:
根据目标数据尺寸,从测试数据的尺寸与数据块尺寸集合的对应关系中获取所述目标数据尺寸对应的数据块尺寸集合。
可选的,所述获取与目标数据尺寸相适应的数据块尺寸集合之前,还包括:
从所述至少一个待处理数据中选择一个待处理数据,将所述选择的待处理数据确定为所述测试数据;或者,
生成尺寸与所述目标数据尺寸相等的测试数据。
根据本申请实施例的第三方面,提供一种获取数据块尺寸的装置,所述装置包括:
获取模块,用于获取至少一个数据块尺寸集合和所述至少一个数据块尺寸集合中的每个数据块尺寸集合的耗时数据,数据块尺寸集合包括数据块宽度和数据块高度,所述数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据所述数据块尺寸集合处理测试数据需要的时间;
选择模块,用于根据所述每个数据块尺寸集合对应的耗时数据,从所述至少一个数据块尺寸集合中选择一个数据块尺寸集合。
可选的,所述获取模块包括:
第一确定单元,用于确定数据块的初始数据块宽度和初始数据块高度,得到包括所述初始数据块宽度和所述初始数据块高度的第一数据块尺寸集合;
第二确定单元,用于根据所述第一数据块尺寸集合确定用于处理所述数据块的第一线程数目;
第一获取单元,用于在所述第一线程数目未超过门限值时,获取所述第一数据块尺寸集合的耗时数据。
可选的,所述获取模块还包括:
扩大单元,用于扩大所述数据块的当前数据块宽度和/或扩大所述数据块的当前数据块高度得到第二数据块尺寸集合;
第三确定单元,用于根据所述第二数据块尺寸集合确定用于处理所述数据块的第二线程数目;
第二获取单元,用于在所述第二线程数目未超过门限值时,获取所述第二数据块尺寸集合的耗时数据。
可选的,所述第一确定单元,用于
获取所述卷积神经网络算法的卷积核的高度;
设置数据块的初始数据块宽度和初始数据块高度,所述初始数据块宽度为数值32的整数倍,所述初始数据块高度大于所述卷积核的高度且为数值4的整数倍。
可选的,所述扩大单元,用于:
根据第一递增倍数扩大所述数据块的当前数据块宽度和/或根据第二递增倍数扩大所述数据块的当前数据块高度得到第二数据块尺寸集合。
可选的,所述装置还包括:
设置模块,用于获取用于运行所述卷积神经网络算法的图形处理器GPU的计算能力信息,根据所述计算能力信息设置所述门限值。
根据本申请实施例的第四方面,提供一种处理数据的装置,所述装置包括:
获取模块,用于获取与目标数据尺寸相适应的数据块尺寸集合,其中所述数据块尺寸集合是根据与所述目标数据尺寸相等的测试数据,通过第三方面所述的装置获取的数据块尺寸集合;
控制模块,用于控制卷积神经网络算法根据所述数据块尺寸集合处理至少一个待处理数据,所述至少一个待处理数据中的每个待处理数据的尺寸等于所述目标数据尺寸。
可选的,所述获取模块,用于:
根据目标数据尺寸,从测试数据的尺寸与数据块尺寸集合的对应关系中获取所述目标数据尺寸对应的数据块尺寸集合。
可选的,所述装置还包括:
选择模块,用于从所述至少一个待处理数据中选择一个待处理数据,将所述选择的待处理数据确定为所述测试数据;或者,
生成模块,用于生成尺寸与所述目标数据尺寸相等的测试数据。
根据本申请实施例的第五方面,提供一种非易失性计算机可读存储介质,用于存储计算机程序,所述计算机程序被处理器加载并执行,以实现第一方面或第一方面的任一种可选的方法的指令。
根据本申请实施例的第六方面,提供一种非易失性计算机可读存储介质,用于存储计算机程序,所述计算机程序被处理器加载并执行,以实现第二方面或第二方面的任一种可选的方法的指令。
本申请实施例提供的技术方案可以包括以下有益效果:
由于获取各个数据块尺寸集合对应的耗时数据,根据每个数据块尺寸集合对应的耗时数据,选择一个数据块尺寸集合,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1-1是本申请实施例提供的数据、数据块和子数据数据块示意图;
图1-2是本申请实施例提供的卷积神经网络算法处理数据的示意图;
图1-3是本申请实施例提供的卷积核处理数据的示意图;
图2是本申请实施例提供的一种获取数据块尺寸的方法流程图;
图3-1是本申请实施例提供的另一种获取数据块尺寸的方法流程图;
图3-2是本申请实施例提供的获取数据块尺寸集合和数据块尺寸集合的耗时数据的流程图;
图3-3是本申请实施例提供的另一获取数据块尺寸集合和数据块尺寸集合的耗时数据的流程图;
图4是本申请实施例提供的一种处理数据的方法流程图;
图5是本申请实施例提供的另一种处理数据的方法流程图;
图6是本申请实施例提供的获取数据块尺寸的装置结构示意图;
图7是本申请实施例提供的处理数据的装置结构示意图;
图8是本申请实施例提供的一种装置结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
卷积神经网络算法可以在终端或服务器等设备的图形处理器(GraphicsProcessing Unit,GPU)中运行,用于对输入数据进行卷积处理,该输入数据可以为图片或视频中的每帧视频图片等。卷积神经网络在对输入数据进行处理时,根据已设置的数据块宽度和数据块高度将该输入数据划分成多个数据块(Block),然后对每个数据块进行处理。该数据块可以为图像块等。
在处理每个数据块时,使用N个线程处理该数据块,N是根据该数据块宽度、该数据块高度和子数据块的尺寸确定的。每个线程用于处理一个子数据块。其中,如果该数据块的宽度和高度分别与该数据块宽度和该数据块高度相等,则该数据块可以被划分成N个子数据块,每个线程用于处理一个子数据块。如果该该数据块的宽度小于该数据块宽度和/或高度小于该数据块高度,则该数据块被划分的子数据块的数目小于N,此时存在部分线程没有对应的子数据块,而被空置。
参见图1-1,当需要处理的数据的宽度不是该数据块宽度的整数倍和/或该数据的高度不是该数据块高度的整数倍时,对该数据划分得到的数据块中存在部分数据块的宽度小于该数据块宽度和/或高度小于该数据块高度,导致该部分数据块中包括的子数据块少于N个。如图1-1中的数据块1、2和3的宽度均小于该数据块宽度,在数据块1、2和3右侧虚线框表示的子数据块对应线程被空置。数据块4和5的高度均小于该数据块高度,在数据块4和5下方虚线框表示的子数据块对应的线程被空置,导致GPU中的线程被浪费,即浪费GPU的计算资源。
为了减小计算资源的浪费,对于任一种尺寸的数据,在本申请中通过如下任一实施例,获取与该尺寸的数据相适应的数据块尺寸,从而使得卷积神经网络算法根据该数据块尺寸对该数据进行处理,尽量减小浪费GPU的计算资源。
对于上述卷积神经网络算法,参见图1-2,卷积神经网络算法包括至少一个卷积核,每个卷积核用于对输入数据进行卷积处理,并输出卷积处理后的输出数据。例如,在图1-2所示的实例中,包括两个卷积核,该两个卷积核对输入数据进行卷积处理,并输出卷积处理后得到的输出数据。
参见图1-3,每个卷积核可以是一个多通道的卷积核,输入数据也可以是多通道的数据,且输入数据的通道数目等于每个卷积核的通道数目。参见图1-3,对于每个卷积核,该卷积核可以包括多个通道,每个通道的卷积核的尺寸相等且每个通道对应一个通道的输入数据。每个通道的卷积核包括一个系数矩阵,该系数矩阵的尺寸为该通道的卷积核的尺寸,该系数矩阵中的系数是事先通过对卷积神经网络算法进行训练得到的。该通道的卷积核根据该系数矩阵对其对应的通道的输入数据进行卷积处理,并输出处理后得到的输出数据。
参见图1-3,输入数据的通道个数为3,卷积核个数为2,卷积核的为3*3。每个卷积核的卷积处理过程都是相同的,故图1-3只是描述了一个卷积核的卷积处理过程。由于输入数据的通道的数目和卷积核的通道数目是相等的,输入数据的各个通道会和对应通道的卷积核进行卷积处理并得到输出数据,随后将各个通道的输出数据进行累加得到输出通道的数据点。例如,在图1-3中,单个输出点的卷积计算公式为:o_1=i_1*k_1+i2*k_2+i_3*k_3+i_4*k_4+i5*k_5+i_6*k_6+i_7*k_7+i_8*k_8+i_9*k_9;o_2和o_3的计算公式与o_1相同,输出通道1对应的输出点的结果=o_1+o_2+o_3。
参见图2,本申请实施例提供了一种获取数据块尺寸的方法,所述方法包括:
步骤201:获取至少一个数据块尺寸集合和该至少一个数据块尺寸集合中的每个数据块尺寸集合的耗时数据。
其中,数据块尺寸集合包括数据块宽度和数据块高度,该数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据该数据块尺寸集合处理测试数据需要的时间。
步骤202:根据每个数据块尺寸集合对应的耗时数据,从该至少一个数据块尺寸集合中选择一个数据块尺寸集合。
在本申请实施例中,选择的数据块尺寸集合可用于卷积神经网络算法处理与测试数据的尺寸相等的待处理数据。由于根据每个数据块尺寸集合对应的耗时数据,选择一个数据块尺寸集合,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
参见图3-1,本申请实施例提供了一种获取数据块尺寸的方法,该方法可以是图2所示实施例的一种详细实例,包括:
步骤301:确定数据块的初始数据块宽度和初始数据块高度,以及获取门限值,该门限值小于或等于用于处理数据块的最大线程数目。
可选的,对于初始数据块宽度和初始数据块高度的确定操作,可以为:获取卷积神经网络算法的卷积核的高度,设置初始数据块宽度和初始数据块高度,初始数据块宽度可以为数值32的整数倍,初始数据块高度大于该卷积核的高度且可以为数值4的整数倍。
可选的,可以设置初始数据块宽度等于32、64或256等数值,可以设置初始数据块高度为大于该卷积核的高度且可被数值4整除的最小数值。
可选的,对于门限值的获取操作可以为:获取用于运行卷积神经网络算法的GPU的计算能力信息,根据该计算能力信息设置该门限值。
该门限值小于或等于GPU允许处理数据块的最大线程数目。GPU的计算能力信息包括GPU的处理核数目和/或GPU的主频率等。
步骤302:获取至少一个数据块尺寸集合和每个数据块尺寸集合的耗时数据。
数据块尺寸集合包括数据块宽度和数据块高度。数据块尺寸集合的耗时数据用于反应卷积神经网络根据该数据块尺寸集合处理测试数据需要的时间。
可选的,数据块尺寸集合的耗时数据可以为卷积神经网络根据该数据块尺寸集合处理测试数据需要的时间或者对该时间进行归一化后的结果等。
可选的,本步骤的详细方式有多种,接下来列举一种实现方式,参见图3-2,该实现方式可以为:
3021:根据第一数据块尺寸集合确定用于处理数据块的第一线程数目,第一数据块尺寸集合包括初始数据块高度和初始数据块宽度。
3022:如果第一线程数目未超过该门限值,获取第一数据块尺寸集合对应的耗时数据。
本步骤可以为:获取卷积神经网络根据第一数据块尺寸集合处理测试数据的第一时间,根据第一时间获取第一数据块尺寸集合的耗时数据。
可选的,在获取第一时间时,可以将卷积神经网络算法对应的数据块宽度参数的值和数据块高度参数的值分别设置成第一数据块集合中的初始数据块宽度和初始数据块高度,向设置后的卷积神经网络算法输入测试数据。卷积神经网络算法根据该初始数据块宽度和该初始数据块高度将该测试数据划分成多个数据块,对每个数据块进行卷积处理,最后再输出该测试数据的处理结果。获取向卷积神经网络算法输入测试数据到卷积神经网络算法输出处理结果之间的第一时间。
可选的,可以将第一时间作为第一数据块尺寸集合的耗时数据。
3023:扩大数据块的当前数据块当前高度得到第二数据块尺寸集合,第二数据块尺寸集合包括数据块的当前数据块宽度和扩大后的数据块的高度。
可选的,可以根据第二递增倍数,对数据块的当前高度进行扩大,得到扩大后的数据块的高度。
可选的第二递增倍数可以为1倍或2倍等。
3024:根据第二数据块尺寸集合确定用于处理数据块的第二线程数目。
3025:判断第二线程数目是否超过该门限值,如果未超过,执行3026,如果超过,则执行3027。
3026:获取第二数据块尺寸集合对应的耗时数据,返回3023。
详细实现可以参见3022中的相关内容,在此不再详细说明。
3027:扩大数据块的当前数据块宽度得到第二数据块尺寸集合,第二数据块尺寸集合包括扩大后的数据块宽度和数据块的初始数据块高度。
可选的,可以根据第一递增倍数,对当前数据块宽度进行扩大,得到扩大后的数据块宽度。
可选的第一递增倍数可以为1倍或2倍等数值。
3028:根据第二数据块尺寸集合确定用于处理数据块的第二线程数目,如果第二线程数目未超过该门限值,则返回执行3026,如果第二线程数目超过该门限值,则结束返回。
或者,
可选的,接下来列举本步骤的另一种实现方式,参见图3-3,该实现方式可以为:
3121:根据第一数据块尺寸集合确定用于处理数据块的第一线程数目,第一数据块尺寸集合包括初始数据块高度和初始数据块宽度。
3122:如果第一线程数目未超过该门限值,获取第一数据块尺寸集合对应的耗时数据。
详细实现可以参见3022中的相关内容,在此不再详细说明。
3123:扩大数据块的当前数据块宽度得到第二数据块尺寸集合,第二数据块尺寸集合包括数据块的当前数据块高度和扩大后的数据块宽度。
可选的,可以根据第一递增倍数,对当前数据块宽度进行扩大,得到扩大后的数据块宽度。
可选的第一递增倍数可以为1倍或2倍等。
3124:根据第二数据块尺寸集合确定用于处理数据块的第二线程数目。
3125:判断第二线程数目是否超过该门限值,如果未超过,执行3126,如果超过,则执行3127。
3126:获取第二数据块尺寸集合对应的耗时数据,返回3123。
详细实现可以参见3022中的相关内容,在此不再详细说明。
3127:扩大数据块的当前数据块高度得到第二数据块尺寸集合,第二数据块尺寸集合包括数据块的初始数据块宽度和扩大后的数据块高度。
可选的,可以根据第二递增倍数,对当前数据块高度进行扩大,得到扩大后的数据块高度。
可选的第二递增倍数可以为1倍或2倍等数值。
3128:根据第二数据块尺寸集合确定用于处理数据块的第二线程数目,如果第二线程数目未超过该门限值,则返回执行3126,如果第二线程数目超过该门限值,则结束返回。
步骤303:根据每个数据块尺寸集合对应的耗时数据,从该至少一个数据块尺寸集合中选择一个数据块尺寸集合。
可选的,可以从该至少一个数据块尺寸集合中选择耗时数据最小的一个数据块尺寸集合。
可选的,可以将卷积神经网络算法的数据块宽度参数的值和数据块高度参数的值分别设置成选择的数据块尺寸集合中包括的宽度和高度,然后可以向设置的卷积神经网络算法输入与测试数据的尺寸相等的输入数据,控制设置后的卷积神经网络算法对该输入数据进行处理。
可选的,还可以将该测试数据的尺寸和选择的数据块尺寸集合对应保存在测试数据的尺寸与数据块尺寸集合的对应关系中。
在本申请实施例中,获取多个数据块尺寸集合,以及获取每个数据块尺寸集合对应的耗时数据,根据每个数据块尺寸集合的耗时数据选择一个数据块尺寸集合,选择的数据块尺寸集合可用于卷积神经网络算法处理与测试数据的尺寸相等的待处理数据。由于根据每个数据块尺寸集合对应的耗时数据,选择一个数据块尺寸集合,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
参见图4,本申请实施例提供了一种处理数据的方法,所述方法包括:
步骤401:获取与目标数据尺寸相适应的数据块尺寸集合。
其中该数据块尺寸集合是根据与该目标数据尺寸相等的测试数据,通过上述图2或图3-1所述的方法实施例获取的数据块尺寸集合。
步骤402:控制卷积神经网络算法根据该数据块尺寸集合处理至少一个待处理数据,该至少一个待处理数据中的每个待处理数据的尺寸等于目标数据尺寸。
在本申请实施例中,由于获取与目标数据尺寸相适应的数据块尺寸集合,控制卷积神经网络算法根据该数据块尺寸集合处理尺寸与目标数据尺寸相等的至少一个待处理数据,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
参见图5,本申请实施例提供了一种获取数据块尺寸的方法,该方法可以是图4所示实施例的一种详细实例,包括:
步骤501:获取与目标数据尺寸相适应的数据块尺寸集合。
具体地,可以根据目标数据尺寸,从测试数据的尺寸与数据块尺寸集合的对应关系中获取该目标数据尺寸对应的数据块尺寸集合。其中,目标数据尺寸是至少一个待处理数据中的每个待处理数据的尺寸。或者,
获取尺寸等于目标数据尺寸的测试数据,通过上述图2或图3-1所述的方法实施例获取数据块尺寸集合。
可选的,可以通过如下方式获取尺寸等于目标数据尺寸的测试数据,包括:
从至少一个待处理数据中选择一个待处理数据,将选择的待处理数据确定为所述测试数据;或者,
生成尺寸与目标数据尺寸相等的测试数据。
步骤502:将卷积神经网络算法的图像块宽度参数的值和图像块高度参数的值分别设置为该图像块尺寸集合中的宽度和高度。
步骤503:向设置后的卷积神经网络算法输入至少一个待处理数据,使设置后的卷积神经网络算法处理该至少一个待处理数据。
在本申请实施例中,由于获取与目标数据尺寸相适应的数据块尺寸集合,将卷积神经网络算法的数据块宽度参数的值和数据块高度参数的值分别设置为该数据块尺寸集合包括的宽度和高度,使设置后的卷积神经网络处理尺寸与目标数据尺寸相等的至少一个待处理数据,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
参见图6,本申请实施例提供了一种获取数据块尺寸的装置600,所述装置600包括:
获取模块601,用于获取至少一个数据块尺寸集合和所述至少一个数据块尺寸集合中的每个数据块尺寸集合的耗时数据,数据块尺寸集合包括数据块宽度和数据块高度,所述数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据所述数据块尺寸集合处理测试数据需要的时间;
选择模块602,用于根据所述每个数据块尺寸集合对应的耗时数据,从所述至少一个数据块尺寸集合中选择一个数据块尺寸集合。
可选的,所述获取模块601包括:
第一确定单元,用于确定数据块的初始数据块宽度和初始数据块高度,得到包括所述初始数据块宽度和所述初始数据块高度的第一数据块尺寸集合;
第二确定单元,用于根据所述第一数据块尺寸集合确定用于处理所述数据块的第一线程数目;
第一获取单元,用于在所述第一线程数目未超过门限值时,获取所述第一数据块尺寸集合的耗时数据。
可选的,所述获取模块601还包括:
扩大单元,用于扩大数据块的当前数据块宽度和/或扩大数据块的当前数据块高度得到第二数据块尺寸集合;
第三确定单元,用于根据所述第二数据块尺寸集合确定用于处理所述数据块的第二线程数目;
第二获取单元,用于在所述第二线程数目未超过门限值时,获取所述第二数据块尺寸集合的耗时数据。
可选的,所述第一确定单元,用于
获取所述卷积神经网络算法的卷积核的高度;
设置数据块的初始数据块宽度和初始数据块高度,所述初始数据块宽度为数值32的整数倍,所述初始数据块高度大于所述卷积核的高度且为数值4的整数倍。
可选的,所述扩大单元,用于:
根据第一递增倍数扩大数据块的当前数据块宽度和/或根据第二递增倍数扩大数据块的当前数据块高度得到第二数据块尺寸集合。
可选的,所述装置600还包括:
设置模块,用于获取用于运行所述卷积神经网络算法的图形处理器GPU的计算能力信息,根据所述计算能力信息设置所述门限值。
在本申请实施例中,选择的数据块尺寸集合可用于卷积神经网络算法处理与测试数据的尺寸相等的待处理数据。由于根据每个数据块尺寸集合对应的耗时数据,选择一个数据块尺寸集合,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
参见图7,本申请实施例提供一种处理数据的装置700,所述装置700包括:
获取模块701,用于获取与目标数据尺寸相适应的数据块尺寸集合,其中所述数据块尺寸集合是根据与所述目标数据尺寸相等的测试数据,通过图6所述的装置获取的数据块尺寸集合;
控制模块702,用于控制卷积神经网络算法根据所述数据块尺寸集合处理至少一个待处理数据,所述至少一个待处理数据中的每个待处理数据的尺寸等于所述目标数据尺寸。
可选的,所述获取模块701,用于:
根据目标数据尺寸,从测试数据的尺寸与数据块尺寸集合的对应关系中获取所述目标数据尺寸对应的数据块尺寸集合。
可选的,所述装置700还包括:
选择模块,用于从所述至少一个待处理数据中选择一个待处理数据,将所述选择的待处理数据确定为所述测试数据;或者,
生成模块,用于生成尺寸与所述目标数据尺寸相等的测试数据。
在本申请实施例中,由于获取与目标数据尺寸相适应的数据块尺寸集合,将卷积神经网络算法的数据块宽度参数的值和数据块高度参数的值分别设置为该数据块尺寸集合包括的宽度和高度,使设置后的卷积神经网络处理尺寸与目标数据尺寸相等的至少一个待处理数据,从而可以减小卷积神经网络算法处理待处理数据的耗时,减小计算资源的浪费。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8示出了本申请一个示例性实施例提供的终端800的结构框图。该终端800可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端800包括有:处理器801和存储器802。
处理器801可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器801还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的获取数据块尺寸的方法或处理数据的方法。
在一些实施例中,终端800还可选包括有:外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地,外围设备包括:射频电路804、触摸显示屏805、摄像头806、音频电路807、定位组件808和电源809中的至少一种。
外围设备接口803可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中,处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上;在一些其他实施例中,处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路804包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路804还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏805用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时,显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时,显示屏805还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏805可以为一个,设置终端800的前面板;在另一些实施例中,显示屏805可以为至少两个,分别设置在终端800的不同表面或呈折叠设计;在再一些实施例中,显示屏805可以是柔性显示屏,设置在终端800的弯曲表面上或折叠面上。甚至,显示屏805还可以设置成非矩形的不规则图形,也即异形屏。显示屏805可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地,摄像头组件806包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器801进行处理,或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路807还可以包括耳机插孔。
定位组件808用于定位终端800的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于:加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号,控制触摸显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器812可以检测终端800的机体方向及转动角度,陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器813可以设置在终端800的侧边框和/或触摸显示屏805的下层。当压力传感器813设置在终端800的侧边框时,可以检测用户对终端800的握持信号,由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在触摸显示屏805的下层时,由处理器801根据用户对触摸显示屏805的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器814用于采集用户的指纹,由处理器801根据指纹传感器814采集到的指纹识别用户的身份,或者,由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器801授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时,指纹传感器814可以与物理按键或厂商Logo集成在一起。
光学传感器815用于采集环境光强度。在一个实施例中,处理器801可以根据光学传感器815采集的环境光强度,控制触摸显示屏805的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏805的显示亮度;当环境光强度较低时,调低触摸显示屏805的显示亮度。在另一个实施例中,处理器801还可以根据光学传感器815采集的环境光强度,动态调整摄像头组件806的拍摄参数。
接近传感器816,也称距离传感器,通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中,当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时,由处理器801控制触摸显示屏805从亮屏状态切换为息屏状态;当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时,由处理器801控制触摸显示屏805从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图8中示出的结构并不构成对终端800的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (18)
1.一种获取数据块尺寸的方法,其特征在于,所述方法包括:
获取至少一个数据块尺寸集合,获取门限值,所述门限值小于或等于用于处理数据块的最大线程数目,根据每个数据块尺寸集合分别确定所述每个数据块尺寸集合的用于处理数据块的线程数目,获取线程数目未超过所述门限值的每个数据块尺寸集合的耗时数据,数据块尺寸集合包括数据块宽度和数据块高度,所述数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据所述数据块尺寸集合处理测试数据需要的时间;
根据所述线程数目未超过所述门限值的每个数据块尺寸集合对应的耗时数据,从所述线程数目未超过所述门限值的每个数据块尺寸集合中选择一个数据块尺寸集合。
2.如权利要求1所述的方法,其特征在于,所述获取至少一个数据块尺寸集合,包括:
确定数据块的初始数据块宽度和初始数据块高度,得到包括所述初始数据块宽度和所述初始数据块高度的第一数据块尺寸集合;
根据所述第一数据块尺寸集合确定用于处理所述数据块的第一线程数目;
在所述第一线程数目未超过门限值时,获取所述第一数据块尺寸集合的耗时数据。
3.如权利要求2所述的方法,其特征在于,所述确定数据块的初始数据块宽度和初始数据块高度之后,还包括:
扩大所述数据块的当前数据块宽度和/或扩大所述数据块的当前数据块高度得到第二数据块尺寸集合;
根据所述第二数据块尺寸集合确定用于处理所述数据块的第二线程数目;
在所述第二线程数目未超过门限值时,获取所述第二数据块尺寸集合的耗时数据。
4.如权利要求2或3所述的方法,其特征在于,所述确定数据块的初始数据块宽度和初始数据块高度,包括:
获取所述卷积神经网络算法的卷积核的高度;
设置数据块的初始数据块宽度和初始数据块高度,所述初始数据块宽度为数值32的整数倍,所述初始数据块高度大于所述卷积核的高度且为数值4的整数倍。
5.如权利要求3所述的方法,其特征在于,所述扩大所述数据块的当前数据块宽度和/或扩大所述数据块的当前数据块高度得到第二数据块尺寸集合,包括:
根据第一递增倍数扩大所述数据块的当前数据块宽度和/或根据第二递增倍数扩大所述数据块的当前数据块高度得到第二数据块尺寸集合。
6.如权利要求3所述的方法,其特征在于,所述方法还包括:
获取用于运行所述卷积神经网络算法的图形处理器GPU的计算能力信息,根据所述计算能力信息设置所述门限值。
7.一种处理数据的方法,其特征在于,所述方法包括:
获取与目标数据尺寸相适应的数据块尺寸集合,其中所述数据块尺寸集合是根据与所述目标数据尺寸相等的测试数据,通过如权利要求1至6任一项所述的方法获取的数据块尺寸集合;
控制卷积神经网络算法根据所述数据块尺寸集合处理至少一个待处理数据,所述至少一个待处理数据中的每个待处理数据的尺寸等于所述目标数据尺寸。
8.如权利要求7所述的方法,其特征在于,所述获取与目标数据尺寸相适应的数据块尺寸集合,包括:
根据目标数据尺寸,从测试数据的尺寸与数据块尺寸集合的对应关系中获取所述目标数据尺寸对应的数据块尺寸集合。
9.如权利要求7所述的方法,其特征在于,所述获取与目标数据尺寸相适应的数据块尺寸集合之前,还包括:
从所述至少一个待处理数据中选择一个待处理数据,将所述选择的待处理数据确定为所述测试数据;或者,
生成尺寸与所述目标数据尺寸相等的测试数据。
10.一种获取数据块尺寸的装置,其特征在于,所述装置包括:
获取模块,用于获取至少一个数据块尺寸集合,获取门限值,所述门限值小于或等于用于处理数据块的最大线程数目,根据每个数据块尺寸集合分别确定所述每个数据块尺寸集合的用于处理数据块的线程数目,获取线程数目未超过所述门限值的每个数据块尺寸集合的耗时数据,数据块尺寸集合包括数据块宽度和数据块高度,所述数据块尺寸集合的耗时数据用于反应卷积神经网络算法根据所述数据块尺寸集合处理测试数据需要的时间;
选择模块,用于根据所述线程数目未超过所述门限值的每个数据块尺寸集合对应的耗时数据,从所述线程数目未超过所述门限值的每个数据块尺寸集合中选择一个数据块尺寸集合。
11.如权利要求10所述的装置,其特征在于,所述获取模块包括:
第一确定单元,用于确定数据块的初始数据块宽度和初始数据块高度,得到包括所述初始数据块宽度和所述初始数据块高度的第一数据块尺寸集合;
第二确定单元,用于根据所述第一数据块尺寸集合确定用于处理所述数据块的第一线程数目;
第一获取单元,用于在所述第一线程数目未超过门限值时,获取所述第一数据块尺寸集合的耗时数据。
12.如权利要求11所述的装置,其特征在于,所述获取模块还包括:
扩大单元,用于扩大所述数据块的当前数据块宽度和/或扩大所述数据块的当前数据块高度得到第二数据块尺寸集合;
第三确定单元,用于根据所述第二数据块尺寸集合确定用于处理所述数据块的第二线程数目;
第二获取单元,用于在所述第二线程数目未超过门限值时,获取所述第二数据块尺寸集合的耗时数据。
13.如权利要求11或12所述的装置,其特征在于,所述第一确定单元,用于
获取所述卷积神经网络算法的卷积核的高度;
设置数据块的初始数据块宽度和初始数据块高度,所述初始数据块宽度为数值32的整数倍,所述初始数据块高度大于所述卷积核的高度且为数值4的整数倍。
14.如权利要求12所述的装置,其特征在于,所述扩大单元,用于:
根据第一递增倍数扩大所述数据块的当前数据块宽度和/或根据第二递增倍数扩大所述数据块的当前数据块高度得到第二数据块尺寸集合。
15.如权利要求12所述的装置,其特征在于,所述装置还包括:
设置模块,用于获取用于运行所述卷积神经网络算法的图形处理器GPU的计算能力信息,根据所述计算能力信息设置所述门限值。
16.一种处理数据的装置,其特征在于,所述装置包括:
获取模块,用于获取与目标数据尺寸相适应的数据块尺寸集合,其中所述数据块尺寸集合是根据与所述目标数据尺寸相等的测试数据,通过如权利要求11至15任一项所述的装置获取的数据块尺寸集合;
控制模块,用于控制卷积神经网络算法根据所述数据块尺寸集合处理至少一个待处理数据,所述至少一个待处理数据中的每个待处理数据的尺寸等于所述目标数据尺寸。
17.如权利要求16所述的装置,其特征在于,所述获取模块,用于:
根据目标数据尺寸,从测试数据的尺寸与数据块尺寸集合的对应关系中获取所述目标数据尺寸对应的数据块尺寸集合。
18.如权利要求16所述的装置,其特征在于,所述装置还包括:
选择模块,用于从所述至少一个待处理数据中选择一个待处理数据,将所述选择的待处理数据确定为所述测试数据;或者,
生成模块,用于生成尺寸与所述目标数据尺寸相等的测试数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810516394.4A CN110533666B (zh) | 2018-05-25 | 2018-05-25 | 一种获取数据块尺寸的方法、处理数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810516394.4A CN110533666B (zh) | 2018-05-25 | 2018-05-25 | 一种获取数据块尺寸的方法、处理数据的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533666A CN110533666A (zh) | 2019-12-03 |
CN110533666B true CN110533666B (zh) | 2022-09-23 |
Family
ID=68656804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810516394.4A Active CN110533666B (zh) | 2018-05-25 | 2018-05-25 | 一种获取数据块尺寸的方法、处理数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533666B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2410726B1 (en) * | 2004-02-02 | 2014-12-03 | Nippon Telegraph And Telephone Corporation | Digital watermark detection apparatus, method and program |
US8587306B2 (en) * | 2008-01-23 | 2013-11-19 | Hitachi Medical Corporation | Magnetic resonance imaging apparatus and multi-contrast acquiring method |
US9547890B2 (en) * | 2013-07-09 | 2017-01-17 | Hitachi Kokusai Electric Inc. | Image processing apparatus and image processing method |
CN104408202B (zh) * | 2014-12-17 | 2017-08-08 | 武汉大学 | 面向关系数据库扩展的自适应影像金字塔切片方法 |
CN105678379B (zh) * | 2016-01-12 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种cnn的处理方法和装置 |
CN106127782B (zh) * | 2016-06-30 | 2019-10-18 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及系统 |
CN107451654B (zh) * | 2017-07-05 | 2021-05-18 | 深圳市自行科技有限公司 | 卷积神经网络的加速运算方法、服务器及存储介质 |
CN107437110B (zh) * | 2017-07-11 | 2021-04-02 | 中国科学院自动化研究所 | 卷积神经网络的分块卷积优化方法及装置 |
-
2018
- 2018-05-25 CN CN201810516394.4A patent/CN110533666B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于小波变换的分形图像压缩;王文娟;《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》;20070115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533666A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712224B (zh) | 虚拟场景的渲染方法、装置及智能设备 | |
CN108401124B (zh) | 视频录制的方法和装置 | |
WO2021008456A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111372126B (zh) | 视频播放方法、装置及存储介质 | |
CN108965922B (zh) | 视频封面生成方法、装置和存储介质 | |
CN108132790B (zh) | 检测无用代码的方法、装置及计算机存储介质 | |
CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN110288689B (zh) | 对电子地图进行渲染的方法和装置 | |
CN110797042B (zh) | 音频处理方法、装置及存储介质 | |
CN108845777B (zh) | 播放帧动画的方法和装置 | |
CN109102811B (zh) | 音频指纹的生成方法、装置及存储介质 | |
CN110839174A (zh) | 图像处理的方法、装置、计算机设备以及存储介质 | |
CN110673944B (zh) | 执行任务的方法和装置 | |
CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN110677713B (zh) | 视频图像处理方法及装置、存储介质 | |
CN111857793A (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN110992268B (zh) | 背景设置方法、装置、终端及存储介质 | |
CN111860064A (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN115798418A (zh) | 图像显示方法、装置、终端及存储介质 | |
CN111711841B (zh) | 图像帧播放方法、装置、终端及存储介质 | |
CN110533666B (zh) | 一种获取数据块尺寸的方法、处理数据的方法及装置 | |
CN108881739B (zh) | 图像生成方法、装置、终端及存储介质 | |
CN108881715B (zh) | 拍摄模式的启用方法、装置、终端及存储介质 | |
CN113240784A (zh) | 图像处理方法、装置、终端及存储介质 | |
CN110471613B (zh) | 存储数据的方法、读取数据的方法、装置及系统 |
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 |