CN111581255B - 基于大数据挖掘的高密集图像数据流的分配调度系统 - Google Patents
基于大数据挖掘的高密集图像数据流的分配调度系统 Download PDFInfo
- Publication number
- CN111581255B CN111581255B CN202010372739.0A CN202010372739A CN111581255B CN 111581255 B CN111581255 B CN 111581255B CN 202010372739 A CN202010372739 A CN 202010372739A CN 111581255 B CN111581255 B CN 111581255B
- Authority
- CN
- China
- Prior art keywords
- edge computing
- computing device
- scheduling system
- data streams
- distribution scheduling
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于大数据挖掘的高密集图像数据流的分配调度系统。所述分配调度系统包括N个边缘计算设备,通过获取所述N个边缘计算设备计算得出处理结果的当次反馈值调节预定时间窗口的大小;接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定大小的时间窗口对所述数据流进行分块得到多个分块数据流,并将所述分块数据流按照时间先后顺序存储到预设大小的边缘计算任务队列中;所述N个边缘计算设备从所述预设大小的边缘计算任务队列中获取分块数据流,基于各自的所述数据挖掘模型对所述获取的分块数据流进行处理后,输出处理结果。本发明的技术方案能够高效的实现高密集图像数据流的数据挖掘。
Description
技术领域
本发明属于图像数据挖掘技术领域,尤其涉及一种基于大数据挖掘的高密集图像数据流的分配调度系统。
背景技术
图像数据处理是利用图像数据去噪、图形分割、图像数据增强等手段根据需求对图像数据进行处理的技术。
高密集图像通常是指在短时间内产生的大量数据。针对图像而言,其包括细节丰富的图像以及高密集噪声的图像。尤其在医学领域,诸如细胞追踪识别中,对于细胞图像序列中多目标的追踪是细胞运动研究中的难点,由于高密集细胞图像中细胞运动的复杂性,通常的图像识别或者数据处理算法效果欠佳。此外,对于分子定位识别图像来说,也存在类似问题。
申请号为CN201610115223.1的中国发明专利申请提出一种基于快速密度聚类算法的无监督人脸识别方法,首先提取人脸图像的像素矩阵,利用结构相似性计算图像间的相似度,利用高斯函数计算图像对象的密度,并以此计算图像对象的密度及其到更高密集图像的最小距离。结合图像对象的密度-距离分布,通过回归分析拟合密度与距离函数关系,通过残差分析自动确定簇类中心;然后,利用分类器对聚类结果进行训练和识别。该技术方案提供一种无需预知人脸图像的任何类标信息、识别能力较强的基于快速密度聚类算法的无监督人脸识别方法。
申请号为CN201210050316.2的中国发明专利申请提出低光度图像中的噪声抑制。低光度降噪机制可在去镶嵌之前执行去噪,并且还可使用在用于执行去镶嵌的去噪操作期间所确定的参数。去噪操作可试图找出图像的若干片,所述若干片类似于第一片,并且基于相似度使用加权平均值来确定用于对原始数字图像进行去噪的适当的值。相同的加权平均值和类似的片可用于在去噪操作之后对相同的图像进行去镶嵌。
然而,在大数据背景下产生或者获取的图像数据是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。尤其是针对高密集图像数据流的数据挖掘来说,现有技术并未给出有效的解决方案。
发明内容
为解决上述技术问题,本发明提出一种基于大数据挖掘的高密集图像数据流的分配调度系统。所述分配调度系统包括N个边缘计算设备,通过获取所述N个边缘计算设备计算得出处理结果的当次反馈值调节预定时间窗口的大小;接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定大小的时间窗口对所述数据流进行分块得到多个分块数据流,并将所述分块数据流按照时间先后顺序存储到预设大小的边缘计算任务队列中;所述N个边缘计算设备从所述预设大小的边缘计算任务队列中获取分块数据流,基于各自的所述数据挖掘模型对所述获取的分块数据流进行处理后,输出处理结果。本发明的技术方案能够高效的实现高密集图像数据流的数据挖掘。
总体来说,本发明的技术方案实现如下:
一种基于大数据挖掘的高密集图像数据流的分配调度系统,所述分配调度系统连接多个图像源设备;所述多个图像源设备各自产生不同密度的至少第一密度图像数据流和第二密度图像数据流;
不同于现有技术,为了实现高密集图像数据流的实时性处理,作为本发明第一个优点,所述分配调度系统包括至少第一边缘计算设备和第二边缘计算设备,所述第一边缘计算设备和第二边缘计算设备分别内置第一数据挖掘模型和第二数据挖掘模型;
作为优选,所述第一数据挖掘模型为基于时间衰减模型的数据流闭合模型;所述第二数据挖掘模型为基于滑动窗口数据流频繁项集挖掘模型。
所述分配调度系统接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定大小的时间窗口对所述数据流进行分块得到多个分块数据流,并将所述分块数据流按照时间先后顺序存储到预设大小的边缘计算任务队列中;
作为本发明的第二个优点,如果在处理过程中,所述第一边缘计算设备和第二边缘计算设备均处于非空闲状态时,所述边缘计算任务队列处于堵塞状态,则停止对所述数据流进行分块。
此时,将所述分配调度系统接收的所述图像源设备产生的多个不同密度的图像数据流,发送至远端处理系统,所述远端处理系统包括所述边缘计算设备的所有数据挖掘模型。
这样一来,即使本地计算出现阻塞,也不影响数据处理的过程。
与此对应的,若所述边缘计算任务队列处于非堵塞状态,则所述分配调度系统接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定时间窗口对所述数据流进行分块得到多个分块数据流。
所述第一边缘计算设备和第二边缘计算设备从所述预设大小的边缘计算任务队列中获取分块数据流,基于各自的所述数据挖掘模型对所述获取的分块数据流进行处理后,输出处理结果;
作为本发明的再一个优点,本发明的时间窗口的大小不是不变的,而是随着实际处理结果进行调整,具体而言,在本发明中,获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值,所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小。
作为体现上述优点的关键技术手段,所述获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值S,具体包括:
所述反馈值包括第一反馈值D1和第二反馈值D2;
其中,TK为第i个边缘计算设备针对第k个分块数据流得出处理结果的时间;LK为所述第k个分块数据流的大小,Ck为获取所述分块数据流的延迟时间;
则所述处理结果的当次反馈值S=∑Di。
在基础上,获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值,所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小,具体包括:
设当前预定时间窗口大小为X,则调节后的预定时间窗口大小Y按照如下公式计算:
其中S′为所述第一边缘计算设备和第二边缘计算得出前次处理结果的前次反馈值。
在硬件实现上,不同于现有技术,作为本发明的再一个优点,在所述第一边缘计算设备、第二边缘计算设备与所述预设大小的边缘计算任务队列之间包含有全局存储器,所述全局存储器并行连接多个缓冲队列,所述缓冲队列通过超长字节指令处理器连接至所述第一边缘计算设备、第二边缘计算设备。
本发明的上述技术方案可以扩展为N(N大于2)个边缘计算设备的情形,此时,所述分配调度系统包括N个边缘计算设备;
获取所述N个边缘计算设备计算得出所述处理结果的当次反馈值,具体包括:
获取第i个边缘计算设备的反馈系数Di:
其中,TK为第i个边缘计算设备针对第k个分块数据流得出处理结果的时间;LK为所述第k个分块数据流的大小,Ck为获取所述分块数据流的延迟时间;
所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小,具体包括:
设当前预定时间窗口大小为X,则调节后的预定时间窗口大小Y按照如下公式计算:
其中S′为所述N个边缘计算设备计算得出前次处理结果的前次反馈值。
如果所述N个边缘计算设备均处于非空闲状态时,所述边缘计算任务队列处于堵塞状态,则停止对所述数据流进行分块,具体包括:
将所述分配调度系统接收的所述图像源设备产生的多个不同密度的图像数据流,发送至远端处理系统。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的基于大数据挖掘的高密集图像数据流的分配调度系统的整体架构图。
图2是图1所述系统中的具体执行流程的示意图。
图3是图2所述流程的进一步细节流程示意图。
图4是图1-3用到的硬件架构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和实施例对本发明做进一步说明。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。下面,结合附图以及具体实施方式,对发明做出进一步的描述。
参照图1,是本发明一个实施例的基于大数据挖掘的高密集图像数据流的分配调度系统的整体架构图。
图1中,示出了两个边缘计算设备与两个图像源设备,但是本发明并不以此作为限制。
图1所述的2个图像源设备各自产生不同密度的至少第一密度图像数据流和第二密度图像数据流;
所述分配调度系统包括至少第一边缘计算设备和第二边缘计算设备,所述第一边缘计算设备和第二边缘计算设备分别内置第一数据挖掘模型和第二数据挖掘模型;
所述分配调度系统接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定时间窗口对所述数据流进行分块得到多个分块数据流,并将所述分块数据流按照时间先后顺序存储到预设大小的边缘计算任务队列中;
具体而言,在图1中,在所述第一边缘计算设备、第二边缘计算设备与所述预设大小的边缘计算任务队列之间包含有全局存储器,所述全局存储器并行连接多个缓冲队列,所述缓冲队列通过超长字节指令处理器连接至所述第一边缘计算设备、第二边缘计算设备。
所述第一边缘计算设备和第二边缘计算设备从所述预设大小的边缘计算任务队列中获取分块数据流,基于各自的所述数据挖掘模型对所述获取的分块数据流进行处理后,输出处理结果;
获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值,所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小。
具体来说,在图1基础上,进一步参见图2,
获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值S,具体包括:
所述反馈值包括第一反馈值D1和第二反馈值D2;
其中,TK为第i个边缘计算设备针对第k个分块数据流得出处理结果的时间;LK为所述第k个分块数据流的大小,Ck为获取所述分块数据流的延迟时间;则所述处理结果的当次反馈值S=∑Di。
获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值,所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小,具体包括:
设当前预定时间窗口大小为X,则调节后的预定时间窗口大小Y按照如下公式计算:
其中S′为所述第一边缘计算设备和第二边缘计算得出前次处理结果的前次反馈值。
接下来参见图3,图3整体上示出了整个流程如下:
所述分配调度系统接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定时间窗口对所述数据流进行分块得到多个分块数据流,并将所述分块数据流按照时间先后顺序存储到预设大小的边缘计算任务队列中;
所述第一边缘计算设备和第二边缘计算设备从所述预设大小的边缘计算任务队列中获取分块数据流,基于各自的所述数据挖掘模型对所述获取的分块数据流进行处理后,输出处理结果;
获取所述第一边缘计算设备和第二边缘计算得出所述处理结果的当次反馈值,所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小;
在图3中,如果所述第一边缘计算设备和第二边缘计算设备均处于非空闲状态时,所述边缘计算任务队列处于堵塞状态,则停止对所述数据流进行分块;此时,将所述分配调度系统接收的所述图像源设备产生的多个不同密度的图像数据流,发送至远端处理系统。
所述远端处理系统包括所述边缘计算设备的所有数据挖掘模型,包括基于时间衰减模型的数据流闭合模型以及基于滑动窗口数据流频繁项集挖掘模型。
图4示出了图1所示的全局存储器与超长字节指令处理器(VLIW)的示意性架构图,是4个VLIW处理器芯片所构成的一个简单的处理器阵列。
图4中,令牌代表了一个控制点,它在所有的芯片间传递。令牌的工作方式由在线可编程的微码(微指令)进行驱动,芯片间的连接方式通过总线上的令牌传递实现,当一个芯片拥有令牌时就可以进入控制模式,这种方式能使不同体系结构的VLIW处理器互连也能方便的实现,支持芯片以更快的速度进行并行数据传输,连接方式可以通过运行期编程决定,从而实现了规模可变的多处理器系统。另外,这种互连技术减少了系统总线数量,即使在发生阻塞的情况下,也可以考虑由效率较低的串行传输方式实现。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于大数据挖掘的高密度图像数据流的分配调度系统,所述分配调度系统连接多个图像源设备;
其特征在于:
所述多个图像源设备各自产生不同密度的至少第一密度图像数据流和第二密度图像数据流;
所述分配调度系统包括至少第一边缘计算设备和第二边缘计算设备,所述第一边缘计算设备和第二边缘计算设备分别内置第一数据挖掘模型和第二数据挖掘模型;
所述分配调度系统接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定时间窗口对所述数据流进行分块得到多个分块数据流,并将所述分块数据流按照时间先后顺序存储到预设大小的边缘计算任务队列中;
所述第一边缘计算设备和第二边缘计算设备从所述预设大小的边缘计算任务队列中获取分块数据流,基于各自的所述数据挖掘模型对所述获取的分块数据流进行处理后,输出处理结果;
获取所述第一边缘计算设备和第二边缘计算设备得出所述处理结果的当次反馈值,所述分配调度系统基于所述当次反馈值,调节所述预定时间窗口的大小;
其中,如果所述第一边缘计算设备和第二边缘计算设备均处于非空闲状态时,所述边缘计算任务队列处于堵塞状态,则停止对所述数据流进行分块;
获取所述第一边缘计算设备和第二边缘计算 设备计算得出所述处理结果的当次反馈值S,具体包括:
所述反馈值包括第一反馈值D1和第二反馈值D2;
其中,Tk为第i个边缘计算设备针对第k个分块数据流得出处理结果的时间;Lk为所述第k个分块数据流的大小,Ck为获取所述第k个分块数据流的延迟时间;
则所述处理结果的当次反馈值S=∑Di。
3.如权利要求1所述的一种基于大数据挖掘的高密度图像数据流的分配调度系统,其特征在于:
所述分配调度系统包括至少第一边缘计算设备和第二边缘计算设备,所述第一边缘计算设备和第二边缘计算设备分别内置第一数据挖掘模型和第二数据挖掘模型,具体包括:
所述第一数据挖掘模型为基于时间衰减模型的数据流闭合模型;
所述第二数据挖掘模型为基于滑动窗口数据流频繁项集挖掘模型。
4.如权利要求1所述的一种基于大数据挖掘的高密度图像数据流的分配调度系统,其特征在于:
所述分配调度系统包括至少第一边缘计算设备和第二边缘计算设备,在所述第一边缘计算设备、第二边缘计算设备与所述预设大小的边缘计算任务队列之间包含有全局存储器,所述全局存储器并行连接多个缓冲队列,所述缓冲队列通过超长字节指令处理器连接至所述第一边缘计算设备、第二边缘计算设备。
5.如权利要求1所述的一种基于大数据挖掘的高密度图像数据流的分配调度系统,其特征在于:
如果所述第一边缘计算设备和第二边缘计算设备均处于非空闲状态时,所述边缘计算任务队列处于堵塞状态,则停止对所述数据流进行分块,具体包括:
将所述分配调度系统接收的所述图像源设备产生的多个不同密度的图像数据流,发送至远端处理系统。
6.如权利要求5所述的一种基于大数据挖掘的高密度图像数据流的分配调度系统,其特征在于:
若所述边缘计算任务队列处于非堵塞状态,则所述分配调度系统接收所述图像源设备产生的多个不同密度的图像数据流,并按照预定时间窗口对所述数据流进行分块得到多个分块数据流。
9.如权利要求7所述的一种基于大数据挖掘的高密度图像数据流的分配调度系统,其特征在于:
如果所述N个边缘计算设备均处于非空闲状态时,所述边缘计算任务队列处于堵塞状态,则停止对所述数据流进行分块,具体包括:
将所述分配调度系统接收的所述图像源设备产生的多个不同密度的图像数据流,发送至远端处理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372739.0A CN111581255B (zh) | 2020-05-06 | 2020-05-06 | 基于大数据挖掘的高密集图像数据流的分配调度系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372739.0A CN111581255B (zh) | 2020-05-06 | 2020-05-06 | 基于大数据挖掘的高密集图像数据流的分配调度系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581255A CN111581255A (zh) | 2020-08-25 |
CN111581255B true CN111581255B (zh) | 2023-04-07 |
Family
ID=72111995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372739.0A Active CN111581255B (zh) | 2020-05-06 | 2020-05-06 | 基于大数据挖掘的高密集图像数据流的分配调度系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581255B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112738225B (zh) * | 2020-12-29 | 2022-06-10 | 浙江经贸职业技术学院 | 基于人工智能的边缘计算方法 |
CN113282063B (zh) * | 2021-05-13 | 2023-06-23 | 北京大豪工缝智控科技有限公司 | 缝制产线的配置方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905833A (zh) * | 2013-07-12 | 2014-07-02 | 吉首大学 | 基于云计算分布式网络视频数据挖掘采集系统 |
CN106156321A (zh) * | 2016-06-29 | 2016-11-23 | 浙江理工大学 | 一种面向分布异构安全数据流的数据挖掘模型系统 |
CN207589029U (zh) * | 2017-08-18 | 2018-07-06 | 许丽娟 | 一种智能移动全景视频图像监控系统 |
CN109859183A (zh) * | 2019-01-29 | 2019-06-07 | 江河瑞通(北京)技术有限公司 | 基于边缘计算的多要素一体化水体智能识别方法及生态站 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8942913B2 (en) * | 2011-09-20 | 2015-01-27 | Infosys Limited | System and method for on-road traffic density analytics using video stream mining and statistical techniques |
-
2020
- 2020-05-06 CN CN202010372739.0A patent/CN111581255B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905833A (zh) * | 2013-07-12 | 2014-07-02 | 吉首大学 | 基于云计算分布式网络视频数据挖掘采集系统 |
CN106156321A (zh) * | 2016-06-29 | 2016-11-23 | 浙江理工大学 | 一种面向分布异构安全数据流的数据挖掘模型系统 |
CN207589029U (zh) * | 2017-08-18 | 2018-07-06 | 许丽娟 | 一种智能移动全景视频图像监控系统 |
CN109859183A (zh) * | 2019-01-29 | 2019-06-07 | 江河瑞通(北京)技术有限公司 | 基于边缘计算的多要素一体化水体智能识别方法及生态站 |
Non-Patent Citations (3)
Title |
---|
MuDi-Stream: A multi density clustering algorithm for evolving data stream;Amineh Amini;《Journal of Network and Computer Applications》;20160131;全文 * |
SDN支撑的MEC系统效能评估综述;付韬等;《吉林大学学报(信息科学版)》;20181115(第06期);全文 * |
高速视觉测量系统关键技术研究;于潇宇;《万方数据库》;20160505;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111581255A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144616B2 (en) | Training distributed machine learning with selective data transfers | |
US20200410212A1 (en) | Fast side-face interference resistant face detection method | |
CN111581255B (zh) | 基于大数据挖掘的高密集图像数据流的分配调度系统 | |
Wu et al. | Fast rotation invariant multi-view face detection based on real adaboost | |
Li et al. | Floatboost learning and statistical face detection | |
Ristani et al. | Tracking multiple people online and in real time | |
US20210124983A1 (en) | Device and method for anomaly detection on an input stream of events | |
Mudassar et al. | Edge-cloud collaborative processing for intelligent internet of things: A case study on smart surveillance | |
CN107483473B (zh) | 一种云环境的低速拒绝服务攻击数据流检测方法 | |
CN111553213B (zh) | 移动边缘云中实时分布式的身份感知行人属性识别方法 | |
JP2007109229A (ja) | 特定被写体検出装置及び方法 | |
EP1733560A1 (en) | Pipeline architecture for analyzing multiple video streams | |
WO2020056509A1 (en) | Region proposal with tracker feedback | |
Ding et al. | A semantics-guided graph convolutional network for skeleton-based action recognition | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
Hou et al. | Real-time surveillance video salient object detection using collaborative cloud-edge deep reinforcement learning | |
WO2024011859A1 (zh) | 一种基于神经网络的人脸检测方法和装置 | |
Kim et al. | Low-complexity online model selection with Lyapunov control for reward maximization in stabilized real-time deep learning platforms | |
CN114758285B (zh) | 基于锚自由和长时注意力感知的视频交互动作检测方法 | |
CN114384866B (zh) | 一种基于分布式深度神经网络框架的数据划分方法 | |
WO2022193171A1 (en) | System and method for unsupervised multi-model joint reasoning | |
CN114661444A (zh) | 调度方法、第一计算节点、第二计算节点以及调度系统 | |
JP7205628B2 (ja) | 情報処理装置、制御方法、およびプログラム | |
CN107316313A (zh) | 场景分割方法及设备 | |
Maheshwari et al. | Top view person detection and counting for low compute embedded platforms |
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 |