CN111368253B - 一种基于非易失存储器的卷积运算方法以及装置 - Google Patents

一种基于非易失存储器的卷积运算方法以及装置 Download PDF

Info

Publication number
CN111368253B
CN111368253B CN201811603522.5A CN201811603522A CN111368253B CN 111368253 B CN111368253 B CN 111368253B CN 201811603522 A CN201811603522 A CN 201811603522A CN 111368253 B CN111368253 B CN 111368253B
Authority
CN
China
Prior art keywords
value
convolution operation
storage units
memory cells
transconductance
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
Application number
CN201811603522.5A
Other languages
English (en)
Other versions
CN111368253A (zh
Inventor
刘阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhaoyi Innovation Technology Group Co ltd
Original Assignee
Zhaoyi Innovation Technology Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhaoyi Innovation Technology Group Co ltd filed Critical Zhaoyi Innovation Technology Group Co ltd
Priority to CN201811603522.5A priority Critical patent/CN111368253B/zh
Publication of CN111368253A publication Critical patent/CN111368253A/zh
Application granted granted Critical
Publication of CN111368253B publication Critical patent/CN111368253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining

Abstract

本发明一种基于非易失存储器的卷积运算方法以及装置，本发明涉及图像识别领域，所述方法包括：对所述多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值，对所述多个存储单元进行分组，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压，根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。本发明提供的一种基于非易失存储器的卷积运算方法以及装置，通过将图像矩阵中的元素值设定为存储单元的门极电压，将卷积核的值设定为存储单元的跨导，读取漏端电流，就完成卷积运算，缩短了卷积运算时间，提高了卷积运算的效率。

Description

一种基于非易失存储器的卷积运算方法以及装置
技术领域
本发明涉及图像识别领域，特别是一种基于非易失存储器的卷积方法以及装置。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。
图像识别过程分为图像处理和图像识别两个部分，图像处理利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像处理，而图像处理一般指数字图像处理。图像识别是将图像处理得到的图像进行特征提取和分类，识别方法中基本的也是常用的方法有统计法、句法方法、神经网络法、模板匹配法和几何变换法。
现有的图像处理中，一般由图像处理算法提取出一个图像矩阵，然后运用图像识别卷积核与提取出的图像矩阵进行卷积计算，得出卷积运算的结果矩阵，而卷积核与图像矩阵进行卷积计算的过程一般是由CPU完成的，CPU采用循环往复的运算方式进行运算，但这种运算方式对CPU的运算能力要求比较高，并且运算所需的时间比较久，使得图像处理的效率比较低下。
发明内容
鉴于上述问题，本发明提供一种基于非易失存储器的卷积运算方法以及装置，解决了现有技术中CPU采用循环往复的运算方式进行卷积运算，工作效率低下的问题。
本发明实施例提供了一种基于非易失存储器的卷积运算方法，所述方法应用于图像识别领域，所述非易失存储器包括多个存储单元，所述多个存储单元中任一存储单元在正常工作时都有一个门极电压和跨导，所述存储单元工作时的电流等于门极电压乘以跨导，所述方法包括：
对所述多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值；
对所述多个存储单元进行分组，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压；
根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。
可选地，对所述多个存储单元中每一个存储单元设定跨导，包括：
确定所述卷积核的值；
根据所述卷积核的值，通过所述非易失存储器的I/O口，对所述多个存储单元中每一个存储单元设定跨导。
可选地，对所述多个存储单元进行分组，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压，包括：
确定所述卷积核的维度；
按照所述维度，对所述多个存储单元进行分组，一组存储单元包括的存储单元个数与所述维度的个数相等；
按照所述维度的标准，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压。
可选地，所述非易失存储器还包括模数转换器，根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵，包括：
读取每组存储单元的漏端电流；
将所述漏端电流发送至所述模数转换器中；
所述模数转换器对所述漏端电流进行模数转换，输出的数字形成卷积运算的结果矩阵。
本发明实施例还提供了一种基于非易失存储器的卷积运算装置，所述装置应用于图像识别领域，所述非易失存储器包括多个存储单元，所述多个存储单元中任一存储单元在正常工作时都有一个门极电压和跨导，所述存储单元工作时的电流等于门极电压乘以跨导，所述装置包括：
设定模块，用于对所述多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值；
分组输入模块，用于对所述多个存储单元进行分组，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压；
读取形成模块，用于根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。
可选地，所述设定模块包括：
确定数值子模块，用于确定所述卷积核的值；
设定子模块，用于根据所述卷积核的值，通过所述非易失存储器的I/O口，对所述多个存储单元中每一个存储单元设定跨导。
可选地，所述分组输入模块包括：
确定维度子模块，用于确定所述卷积核的维度；
分组子模块，用于按照所述维度，对所述多个存储单元进行分组，一组存储单元包括的存储单元个数与所述维度的个数相等；
输入子模块，用于按照所述维度的标准，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压。
可选地，所述读取形成模块包括：
读取子模块，用于读取每组存储单元的漏端电流；
发送子模块，用于将所述漏端电流发送至所述模数转换器中；
输出形成子模块，用于所述模数转换器对所述漏端电流进行模数转换，输出的数字形成卷积运算的结果矩阵。
与现有技术相比，本发明提供的一种基于非易失存储器的卷积运算方法以及装置，利用非易失存储器中存储单元的特性，将存储单元按照卷积核的维度分组，将存储单元的跨导值设定为卷积核的值，只需读取存储单元的漏端电流，再将漏端电流通过模数转换成数字，形成结果矩阵，采用上述方法，卷积运算经过一次并行运算，迅速地完成所有的卷积运算结果，相较于CPU循环往复的运算更高效快捷，而且存储单元阵列规模越大，运算量越大，可以实现大规模的卷积运算。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明一种基于非易失存储器的卷积运算方法的流程图；
图2是本发明一种基于非易失存储器的卷积运算方法中步骤101的具体流程图；
图3是本发明一种基于非易失存储器的卷积运算方法中步骤102的具体流程图；
图4是本发明一种基于非易失存储器的卷积运算方法中步骤103的具体流程图；
图5是本发明实施例的结构示意图；
图6是本发明实施例中存储单元的示意图；
图7是本发明一种基于非易失存储器的卷积运算装置的框图；
图8是本发明一种基于非易失存储器的卷积运算装置设定模块的具体框图；
图9是本发明一种基于非易失存储器的卷积运算装置分组输入模块的具体框图；
图10是本发明一种基于非易失存储器的卷积运算装置读取形成模块的具体框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解，此处所描述的具体实施例仅用以解释本发明，仅仅是本发明一部分实施例，而不是全部的实施例，并不用于限定本发明。
参照图1，示出了基于非易失存储器的卷积运算方法的流程图，该方法应用于图像识别领域，非易失存储器包括多个存储单元，多个存储单元中任一存储单元在正常工作时都有一个门极电压和跨导，存储单元工作时的电流等于门极电压乘以跨导，基于非易失存储器的卷积运算的具体方法可以包括如下步骤：
步骤101：对多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值。
本发明实施例中，非易失存储器中包括多个存储单元，形成存储单元阵列，根据存储单元自身性质，在存储单元正常工作时，其门极加上一个正电压，例如：典型值为6伏，漏端加上一个正电压，例如：典型值为1伏，源端接地，这样存储单元会有电流产生，其电流值为门极电压乘以跨导，例如：典型值为1西门子，假设一个存储单元的门极电压为6伏，跨导为1西门子，则该存储单元工作时电流为6安。图像处理中需要对图像处理算法提取的图像矩阵，进行卷积运算，而进行卷积运算时必须有卷积核，可以将需要参与卷积运算的卷积核的值，通过非易失存储器的I/O口，设定为存储单元的跨导，因为不同存储单元可以由不同的跨导，所以可以设定不同的卷积核的值。本发明实施例对设定存储单元跨导值的工作方式不做具体限定。
可选地，参照图2，在步骤101还可以包括如下步骤：
步骤101a：确定卷积核的值。
步骤101b：根据卷积核的值，通过非易失存储器的I/O口，对多个存储单元中每一个存储单元设定跨导。
本发明实施例中，在进行卷积运算时，首先要确定卷积核的值，例如需要使用卷积核的值为1、1、3、3，则通过非易失存储器的I/O口，将4个存储单元的跨导设定为1、1、3、3，将另外4个存储单元的跨导设定为1、1、3、3，重复上述过程，直至每一个存储单元的跨导都被设定。本发明实施例对确定卷积核的值以及设定跨导的具体方式不做具体限定。
步骤102：对多个存储单元进行分组，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压。
本发明实施例中，根据卷积运算的特性，需要按照卷积核的维度，对存储单元进行分组，分组后需要将每一个预设图像矩阵中元素的值，按照卷积运算的规则，输入到存储单元中，将其作为存储单元的门极电压值，而预设图像矩阵是图像处理算法提取出来的，一般根据图像的各种特征以及复杂程度，预设图像矩阵的维度也不相同。本发明实施例对存储单元分组以及设定门极电压的具体方式不做具体限定。
可选地，参照图3，步骤102还可以包括如下步骤：
步骤102a：确定卷积核的维度。
步骤102b：按照维度，对多个存储单元进行分组，一组存储单元包括的存储单元个数与维度的个数相等。
步骤102c：按照维度的标准，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压。
本发明实施例中，在进行卷积运算时，需要确定卷积核的维度，确定了卷积核的维度，即确定了卷积运算的次数，以及存储单元按照分组的规则，例如一个2*2维度的卷积核，存储单元就需要4个划分为一组，而卷积运算时，从预设图像矩阵中按照卷积运算规律，一次取相同维度的数与卷积核进行卷积运算，需要运算多少次，就需要有多少组，以一个3*3的预设图像矩阵，和一个2*2的卷积核来说，共需要进行4次卷积运算，则需要将16个存储单元，每4个分成一组，一组中存储单元的门极电压，按照预设图像矩阵中一个2*2维度的数据，进行设定，例如预设图像矩阵中第一个2*2维度的数据是0、0、0、1，则通过非易失存储器的I/O口，设定第一个存储单元小组的4个存储单元的门极电压为0伏、0伏、0伏、6伏，需要说明的是，因为CPU运算是以0和1进行的，所以根据图像处理算法提取出的数字矩阵也是由0和1组成，其表示的意思并不是数字的0和1，而是逻辑上的0和1，对应于存储单元的门极电压来讲，可以理解为0是门极电压0伏，1是门极电压6伏。本发明实施例对确定维度以及设定门极电压的具体方式不做具体限定。
步骤103：根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。
本发明实施例中，当存储单元的门极电压和跨导都设定好后，在存储单元正常工作时，每个存储单元上的电流都等于门极电压乘以跨导，根据基尔霍夫电流定律，一组4个存储单元，每个存储单元的电流相加，即为该组存储单元的漏端电流，因此读取每组存储单元的漏端电流大小，形成的数字矩阵，即为卷积运算的结果矩阵，例如测出4组存储单元的漏端大小，形成一个2*2的结果矩阵。本发明实施例对读取漏端电流的具体方式不做具体限定。
可选地，参照图4，步骤103还可以包括如下步骤：
步骤103a：读取每组存储单元的漏端电流。
步骤103b：将漏端电流发送至模数转换器中。
步骤103c：模数转换器对漏端电流进行模数转换，输出的数字形成卷积运算的结果矩阵。
本发明实施例中，因为电流值是一个模拟量，所以需要将其转换成数字量，这就需要一个模数转换器，读取出的漏端电流值，经过模数转换器转换为数字量后，输出的数字就形成卷积运算的结果矩阵。本发明实施例对模数转换的具体方式不做具体限定。
举例说明，如图5所示，该实施例设计方案中，一个输入图像数字3，经过图像处理算法后，提取出一个8*8的图像矩阵，其图像矩阵中元素的值如图所示，卷积核采用2*2的维度，其值为gm0＝1、gm1＝3、gm2＝1、gm3＝3，8*8图像矩阵中第一个2*2的维度为：a00＝0、a01＝0、a10＝0、a11＝1，根据卷积运算的规则，结果矩阵中第一个元素c00的卷积运算为c00＝a00*gm0+a01*gm1+a10*gm2+a11*gm3，将a00＝0、a01＝0、a10＝0、a11＝1通过非易失存储器的I/O口，输入到第一组的4个存储单元10、11、12、13中，作为4个存储单元各自的门极电压，分别为0伏、0伏、0伏、6伏，将gm0＝1、gm1＝3、gm2＝1、gm3＝3通过非易失存储器的I/O口，输入到第一组的4个存储单元中，作为4个存储单元各自的跨导，分别为1西门子、3西门子、1西门子、3西门子，如图6所示，在存储单元正常工作时，存储单元10的电流i0为0安，存储单元11的电流i1为0安，存储单元12的电流i2为0安，存储单元13的电流i3为18安，即第一组存储单元的漏端电流i＝18安，再将该电流值经过模数转换为数字量18，在结果矩阵中即为18，所以结果矩阵中第一元素c00就为18。
因为卷积运算需要依次取2*2维度的数据与卷积核进行49次卷积运算，最终得到一个7*7的结果矩阵，所以就需要将非易失存储器中196个存储单元分成49组，一组4个存储单元，只需要一次性读取49组存储单元的漏端电流，就可以直接得到图像数字3的卷积运算结果矩阵，极大的缩短了卷积运算的时间，并且保证了卷积运算的结果正确性，提高了运算速度。并且因为非易失存储器的存储单元数量巨大，所以基本满足图像矩阵的卷积运算，并且存储单元的阵列规模越大，完成的卷积运算的规模就越大，相比较于CPU的卷积运算效率就越高。
需要说明的是，上述实施例例举的数据是为了更加清晰的理解本发明方案所提出的简单实施例，并不代表所有图像处理领域进行卷积运算的数据，也不代表本发明方案提出的方法只能适用于图像处理领域，一切通过本发明方案可以完成的卷积运算都落入本发明的保护范围之内。
参照图7，示出了基于非易失存储器的卷积运算装置的框图，该装置包括：
设定模块310，用于对多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值；
分组输入模块320，用于对多个存储单元进行分组，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压；
读取形成模块330，用于根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。
可选地，参照图8，设定模块310包括：
确定数值子模块3101，用于确定卷积核的值；
设定子模块3102，用于根据卷积核的值，通过非易失存储器的I/O口，对多个存储单元中每一个存储单元设定跨导。
可选地，参照图9，分组输入模块320包括：
确定维度子模块3201，用于确定卷积核的维度；
分组子模块3202，用于按照维度，对多个存储单元进行分组，一组存储单元包括的存储单元个数与维度的个数相等；
输入子模块3203，用于按照维度的标准，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压。
可选地，参照图10，读取形成模块330包括：
读取子模块3301，用于读取每组存储单元的漏端电流；
发送子模块3302，用于将漏端电流发送至模数转换器中；
输出形成子模块3303，用于模数转换器对漏端电流进行模数转换，输出的数字形成卷积运算的结果矩阵。
通过上述实施例，本发明通过将图像矩阵中的元素值设定为存储单元的门极电压，将卷积核的值设定为存储单元的跨导，根据存储单元自身的特性，只需读取漏端电流，就完成卷积运算，打破了传统卷积运算只依靠CPU循环往复的运算，缩短了卷积运算时间，提高了卷积运算的效率。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种基于非易失存储器的卷积运算方法以及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于非易失存储器的卷积运算方法，其特征在于，所述方法应用于图像识别领域，所述非易失存储器包括多个存储单元，所述多个存储单元中任一存储单元在正常工作时都有一个门极电压和跨导，所述存储单元工作时的电流等于门极电压乘以跨导，所述方法包括：
确定卷积核的值；
根据所述卷积核的值，通过所述非易失存储器的I/O口，对所述多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值；
确定所述卷积核的维度；
按照所述维度，对所述多个存储单元进行分组，一组存储单元包括的存储单元个数与所述维度的个数相等；
按照所述维度的标准，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压；
根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。
2.根据权利要求1所述的方法，其特征在于，所述非易失存储器还包括模数转换器，根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵，包括：
读取每组存储单元的漏端电流；
将所述漏端电流发送至所述模数转换器中；
所述模数转换器对所述漏端电流进行模数转换，输出的数字形成卷积运算的结果矩阵。
3.一种基于非易失存储器的卷积运算装置，其特征在于，所述装置应用于图像识别领域，所述非易失存储器包括多个存储单元，所述多个存储单元中任一存储单元在正常工作时都有一个门极电压和跨导，所述存储单元工作时的电流等于门极电压乘以跨导，所述装置包括：
设定模块，所述设定模块包括：
确定数值子模块，用于确定所述卷积核的值；
设定子模块，用于根据所述卷积核的值，通过所述非易失存储器的I/O口，对所述多个存储单元中每一个存储单元设定跨导，设定的跨导数值为进行卷积运算所需卷积核的值；
分组输入模块，所述分组输入模块包括：
确定维度子模块，用于确定所述卷积核的维度；
分组子模块，用于按照所述维度，对所述多个存储单元进行分组，一组存储单元包括的存储单元个数与所述维度的个数相等；
输入子模块，用于按照所述维度的标准，将预设图像矩阵中元素的值，输入到每一组存储单元，使得一个元素的值对应一个存储单元的门极电压；
读取形成模块，用于根据存储单元的特性，读取每组存储单元的漏端电流，形成卷积运算的结果矩阵。
4.根据权利要求3所述的装置，其特征在于，所述读取形成模块包括：
读取子模块，用于读取每组存储单元的漏端电流；
发送子模块，用于将所述漏端电流发送至所述模数转换器中；
输出形成子模块，用于所述模数转换器对所述漏端电流进行模数转换，输出的数字形成卷积运算的结果矩阵。
CN201811603522.5A 2018-12-26 2018-12-26 一种基于非易失存储器的卷积运算方法以及装置 Active CN111368253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811603522.5A CN111368253B (zh) 2018-12-26 2018-12-26 一种基于非易失存储器的卷积运算方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811603522.5A CN111368253B (zh) 2018-12-26 2018-12-26 一种基于非易失存储器的卷积运算方法以及装置

Publications (2)

Publication Number Publication Date
CN111368253A CN111368253A (zh) 2020-07-03
CN111368253B true CN111368253B (zh) 2023-09-26

Family

ID=71212227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811603522.5A Active CN111368253B (zh) 2018-12-26 2018-12-26 一种基于非易失存储器的卷积运算方法以及装置

Country Status (1)

Country Link
CN (1) CN111368253B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2364182A1 (en) * 1999-03-05 2000-09-08 Clarity, L.L.C. Two architectures for integrated realization of sensing and processing in a single device
WO2011085355A1 (en) * 2010-01-11 2011-07-14 David Reynolds Belief propagation processor
CN102150153A (zh) * 2008-07-23 2011-08-10 原子能和能源替代品委员会 具有基本处理器的数据处理电路,包括该电路的阵列的数据处理组件以及包括该组件的矩阵传感器
CN106530210A (zh) * 2016-10-31 2017-03-22 北京大学 基于阻变存储器件阵列实现并行卷积计算的设备和方法
CN106843809A (zh) * 2017-01-25 2017-06-13 北京大学 一种基于nor flash阵列的卷积运算方法
WO2018137177A1 (zh) * 2017-01-25 2018-08-02 北京大学 一种基于nor flash阵列的卷积运算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8228076B2 (en) * 2009-03-27 2012-07-24 Texas Instruments Incorporated Deconvolution-based capacitive touch detection circuit and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2364182A1 (en) * 1999-03-05 2000-09-08 Clarity, L.L.C. Two architectures for integrated realization of sensing and processing in a single device
CN102150153A (zh) * 2008-07-23 2011-08-10 原子能和能源替代品委员会 具有基本处理器的数据处理电路,包括该电路的阵列的数据处理组件以及包括该组件的矩阵传感器
WO2011085355A1 (en) * 2010-01-11 2011-07-14 David Reynolds Belief propagation processor
CN106530210A (zh) * 2016-10-31 2017-03-22 北京大学 基于阻变存储器件阵列实现并行卷积计算的设备和方法
CN106843809A (zh) * 2017-01-25 2017-06-13 北京大学 一种基于nor flash阵列的卷积运算方法
WO2018137177A1 (zh) * 2017-01-25 2018-08-02 北京大学 一种基于nor flash阵列的卷积运算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨红官 ; 朱坤顺 ; 朱晓君 ; .基于Savitzky-Golay滤波器的MOSFET阈值电压提取技术.电子学报.2013,(第11期),全文. *

Also Published As

Publication number Publication date
CN111368253A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN108229588B (zh) 一种基于深度学习的机器学习识别方法
CN111368636B (zh) 目标分类方法、装置、计算机设备和存储介质
WO2021088101A1 (zh) 基于改进的条件生成对抗网络的绝缘子分割方法
CN114235759B (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN110866490A (zh) 一种基于多任务学习的人脸检测方法及装置
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN111585851A (zh) 一种专线用户的识别方法及装置
CN110008949B (zh) 一种图像目标检测方法、系统、装置和存储介质
CN111368253B (zh) 一种基于非易失存储器的卷积运算方法以及装置
CN105389825A (zh) 图像处理方法及系统
CN111160142B (zh) 一种基于数值预测回归模型的证件票据定位检测方法
CN116977336A (zh) 摄像头缺陷检测方法、装置、计算机设备及存储介质
CN111768406A (zh) 细胞图像处理方法、装置、设备和存储介质
CN108345943B (zh) 一种基于嵌入编码与对比学习的机器学习识别方法
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
Cai et al. An efficient method for electric meter readings automatic location and recognition
CN111222560B (zh) 一种图像处理模型生成方法、智能终端及存储介质
CN111511016B (zh) 确定同源无线网络的方法、装置、服务器及存储介质
CN112347865A (zh) 一种基于关键点检测的票据矫正方法
CN113269052A (zh) 价签识别方法、终端、存储装置
CN113808129A (zh) 易混淆缺陷的有效检测方法
CN112766465A (zh) 用于智能转动性能检测的神经网络的训练方法
CN113139577A (zh) 一种基于可变形卷积网络的深度学习图像分类方法及系统
CN112163617A (zh) 无标签数值类型特征分类方法、装置、设备及可读存储介质
US10460212B1 (en) Binning digital images by source camera

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 101, Floor 1-5, Building 8, Yard 9, Fenghao East Road, Haidian District, Beijing 100094

Applicant after: Zhaoyi Innovation Technology Group Co.,Ltd.

Address before: 100083 12 Floors, Block A, Tiangong Building, Science and Technology University, 30 College Road, Haidian District, Beijing

Applicant before: GIGADEVICE SEMICONDUCTOR(BEIJING) Inc.

GR01 Patent grant
GR01 Patent grant