CN111614769A - 一种深度学习技术的行为智能分析引擎系统及控制方法 - Google Patents
一种深度学习技术的行为智能分析引擎系统及控制方法 Download PDFInfo
- Publication number
- CN111614769A CN111614769A CN202010444299.5A CN202010444299A CN111614769A CN 111614769 A CN111614769 A CN 111614769A CN 202010444299 A CN202010444299 A CN 202010444299A CN 111614769 A CN111614769 A CN 111614769A
- Authority
- CN
- China
- Prior art keywords
- behavior analysis
- algorithm
- deep learning
- analysis task
- algorithm model
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5017—Task decomposition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5018—Thread allocation
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习技术的行为智能分析引擎系统及控制方法。该系统包括调度中心和算法集群,算法集群包括多个计算服务器;调度中心通过调用负载均衡调度算法将行为分析任务消息分发到计算服务器;计算服务器包括深度学习GPU显卡计算模块和线程池模块;深度学习GPU显卡计算模块用于根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务;线程池模块用于将不同的行为分析任务进行隔离,为每个算法模型配置资源。本发明基于深度学习算法实现对人脸、行为等视觉场景进行智能分析,使用分布式通信协议架构和容器技术弹性伸缩保证服务的稳定和高效,极大提高系统的水平扩展能力,支撑更高压力的运算。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种深度学习技术的行为智能分析引擎系统及控制方法。
背景技术
随着科技的飞速发展,汽车,网购,电子支付等新兴技术逐渐出现,同时也产生了很多信息数据。网络,智能手机的普及也成就了大数据时代,在如今这个充满海量数据的时代,这些数据中包含了大量的视频图像信息,传统方式的人工处理已经出现了人力物力不足等各种问题,迫切需要用机器去取代人工,发挥机器自身的优势,于是人工智能,深度学习技术应运而生。
针对高分率的视频图像数据,进行深度学习推理计算需要耗费更多的计算资源,并且由于用户的不断增长,社区规模的不断扩大,进行深度学习领域的图像处理需要承担更大的负载。
本发明基于深度学习技术对人进行行为分析,行为分析是指通过分析视频、深度传感器等数据,利用特定的算法,对行人的行为进行识别、分析的技术。这项技术被广泛应用在视频分类、人机交互、安防监控等领域。行为识别包含两个研究方向:个体行为识别与群体行为识别。近年来,深度摄像技术的发展使得人体运动的深度图像序列变得容易获取,结合高精度的骨架估计算法,能够进一步提取人体骨架运动序列。利用这些运动序列信息,行为识别性能得到了很大提升,对智能视频监控、智能交通管理及智慧城市建设等具有重要意义。同时,随着行人智能分析与群体事件感知的需求与日俱增,一系列行为分析与事件识别算法在深度学习技术的推动下浮于眼前。
从个人,家庭,社区到城市甚至国家,随着智能分析引擎系统服务部署范围的不断扩大,流量越来越大,单机已无法承担大量流量数据的冲击,所以需要服务使用大量的机器形成集群,但是传统的方式无法很方便的扩展,造成服务冗余与资源浪费现象。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种深度学习技术的行为智能分析引擎系统及控制方法,使用分布式通信协议架构和容器技术弹性伸缩保证服务的稳定和高效,并且可以为每个算法模型配置资源,提高计算资源的利用率。
为实现上述目的,按照本发明的第一方面,提供了一种深度学习技术的行为智能分析引擎系统,包括调度中心和与所述调度中心通过网络连接的算法集群,所述算法集群包括多个计算服务器;
所述调度中心用于接收行为分析任务消息,调用负载均衡调度算法将行为分析任务消息分发到所述计算服务器;
所述计算服务器包括深度学习GPU显卡计算模块和线程池模块;
所述深度学习GPU显卡计算模块用于接收所述调度中心分发的行为分析任务消息,根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务;
所述线程池模块用于将不同的行为分析任务进行隔离,为每个算法模型配置资源。
优选地,所述线程池模块包括算法模型配置文件定义模块;
所述算法模型配置文件定义模块用于预先定义或修改算法模型配置文件,所述算法模型配置文件中定义了对应的算法模型运行所需要的工作线程数据。
优选地,所述深度学习GPU显卡计算模块包括多个不同类型的GPU显卡;
所述算法模型配置文件定义了对应的算法模型运行的GPU显卡。
优选地,所述行为分析任务消息为JSON格式,所述深度学习GPU显卡计算模块包括:
解析模块,用于将接收的JSON格式的行为分析任务消息转换为Mat二维矩阵格式;
封装模块,用于将执行行为分析任务后的分析结果封装为JSON格式后返回给调度中心。
优选地,包括扩展模块,用于修改系统配置文件以支持所述调度中心和所述算法集群扩展。
优选地,所述行为分析任务消息包括请求算法类型字段,所述深度学习GPU显卡计算模块包括消息队列处理模块,用于根据请求算法类型字段分别为不同请求算法类型的所述行为分析任务消息开启消息队列。
按照本发明的第二方面,提供了一种深度学习技术的行为智能分析引擎控制方法,包括步骤:
接收行为分析任务消息,调用负载均衡调度算法将行为分析任务消息分发到计算服务器;
在计算服务器中接收分发的行为分析任务消息,根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务;
将不同的行为分析任务进行隔离,为每个算法模型配置资源。
按照本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项方法。
总体而言,本发明与现有技术相比,具有有益效果:
(1)本发明充分利用具有高效率通信的ZMQ通信框架,实现了服务系统中的核心通信模块,并使用容器技术实现了分析服务的强移植性、便携性、稳定性,具体来说包括:
(1.1)支持横向扩展,通过增加机器数量,建立集群环境,借助ZMQ消息通信框架提供的负载均衡算法,便可大大提高智能分析引擎处理数据的吞吐量,进而满足高并发场景的需要。
(1.2)随着请求不断增加,系统压力增大,这时可以添加更多的节点到集群中,借助更多的机器来实现负载均衡。此外,系统资源可以重新分配,以更好地支持一个动态扩展的系统。各个节点负责完成不同的分析计算任务,多个节点通过协作,完成请求回应。
(1.3)本发明采用无控制中心的多代理结构,每个算法集群都是独立的算法引擎模块,尽量降低各个模块的相关性,实现模块解耦,真正实现了分布式计算的思想。
(1.4)通过将一个或多个路由端节点连接起来,构成系统的调度中心,在路由端收到请求后使用轮询算法,分发不同的行为分析任务到不同的分析计算节点,实现负载均衡。并且可以通过修改Docker Compose文件服务配置选项ZMQ_ADDR参数,增加更多的分析计算节点到算法集群中,增加系统的并发能力,减轻负载,避免由于请求压力过大,导致消息阻塞排队延迟增加。
(1.5)本发明采用Docker集群部署,部署便捷快速,运维方便,程序可以二十四小时无间断运行,遇见突发事件,会在较短时间内进行重启。
(2)使用多线程方式基于Caffe模型实现推理计算,支持每一种算法自定义选择使用更多的线程提高计算速度,避开Caffe不支持多线程的缺点,在空间和时间两者实现了可配置化,根据不同算法的计算开销和显存开销,经权衡后,可以通过更改配置参数,对占据空间大耗时短的算法选择更少的线程数,对占据空间小耗时长的算法选择更多的线程数。
(3)使用单服务器多GPU卡的配置参数,支持每一种算法自定义选择使用自定义的GPU显卡,可根据不同显卡的计算能力匹配不同的应用场景。
(4)在执行人脸识别等任务时,需要根据接收到的人脸图像去数据库中搜索相似度高的图片,本发明使用向量式数据库存储人脸等目标的特征信息,较传统使用CPU资源进行搜索使用GPU资源矩阵式搜索最相似的特征,可以大幅度提高搜索效率,同时也解放CPU资源,从而大大降低机器的CPU负载,CPU不再是计算的瓶颈。
附图说明
图1是本发明实施例的行为智能分析引擎系统的框架示意图;
图2是本发明实施例的行为智能分析引擎控制方法的示意图;
图3是本发明实施例的负载均衡示意图;
图4是本发明实施例的消息队列处理示意图;
图5是本发明实施例的执行行为智能分析任务的流程示意图;
图6是本发明实施例的行为智能分析引擎系统的扩展示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例一种深度学习技术的行为智能分析引擎系统,如图1所示,包括调度中心和算法集群,调度中心与算法集群通过网络连接。算法集群包括多个计算服务器(Dealer)来实现分布式计算。
调度中心基于ZMQ通信框架Router-Dealer模式实现,调度中心负责接收行为分析任务消息,调用负载均衡调度算法将接收的多个行为分析任务消息分发到计算服务器。
调度中心由一个或多个路由端(Router)组成。开启Router路由代理端服务,其绑定一个前向端口和一个后向端口,然后开启Dealer计算端服务,其作为客户端连接Router路由代理端服务的后向端口,整个服务到此部署完成,开始等待客户端连接Router端的前向端口并发送请求消息。
支持一个Router路由端与多个Dealer计算端相连,Router通过一定的负载均衡机制实现服务调度运算,支持轮询机制和LRU调度机制,与同一个Router相连的多个Dealer计算端之间应是对等的,此模式可满足高并发运算需求。
如图2所示,客户端成功连接Router的前向端口,发送JSON(JavaScript ObjectNotation)格式的请求。JSON是一种与开发语言无关的、轻量级的数据存储格式。Router收到消息后调用自身内置负载均衡算法。如图3所示,调度中心内含多种负载均衡调度算法,在调用算法之后,开始向已成功连接到Router后向端口的多个Dealer端分发消息。
算法集群负责行为分析任务的计算处理。每个计算服务器包括线程池模块和深度学习GPU显卡计算模块。
深度学习GPU显卡计算模块基于Caffe深度学习计算框架实现,用于接收所述中心分发的行为分析任务消息,根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务。
线程池模块用于将一个计算服务器中同时运行的多个行为分析任务进行隔离,为每个算法模型配置资源,可以避免了不必要的资源浪费,提高计算资源的利用率。
具体地,线程池模块包括算法模型配置文件定义模块,用于预先定义或修改算法模型配置文件。算法模型配置文件中可以定义两方面的内容:(1)对应的算法模型运行所需要的工作线程数据,例如可以为耗时长算法可分配更多线程。(2)对应的算法模型运行的GPU显卡。一台计算服务器上的深度学习GPU显卡计算模块可以包括多个不同类型的GPU显卡,支持每一种算法自定义选择使用自定义的GPU显卡,可根据不同显卡的计算能力匹配不同的应用场景。
结合图2和图4说明一条行为分析任务消息进入Dealer计算端后的流向。Dealer计算端收到报文后,进行JSON解析后,检查消息中请求算法类型字段,即接口ID字段(INTERFACE_ID),区分请求算法类型,INTERFACE_ID可以预定义30余种,其中包含人脸检测,人脸搜索,人脸注册,人脸比对,人群计数,火焰检测,服装识别,安全帽检测等。深度学习GPU显卡计算模块包括消息队列处理模块,用于根据请求算法类型字段分别为不同算法类型的行为分析任务消息开启消息队列,即不同的请求分开并行处理,同类请求串行化处。新来的消息加到队列尾部,线程在队列头部消费数据,不同的队列中有一个线程池,其中开启适当的多线程,可加快消息的处理速度,充分发挥计算资源最大优势。
结合图5说明深度学习GPU显卡计算模块执行行为分析任务的流程。深度学习GPU显卡计算模块包括:
解析模块:用于解析请求消息中Image_Base64字段,获取图片的base64信息,并使用Base2Mat函数,将Base64转为Mat格式。
预处理模块:用于将Mat格式的图片首先进行预处理。预处理一般包括对图片进行类型检测、通道数检测,本发明支持多通道彩色图像的分析。此外,针对超高分辨率的图片,在不影响结果的条件下,做必要的缩小处理,针对太小的图片,在其质量合格的调价下,做必要的扩放处理。这些预处理都对深度学习技术的推理计算不可或缺,增强推理结果的准确性,减少计算资源的浪费。
计算模块:用于在进行预处理完成后,将预处理后的图像数据Feed到Caffe模型中,调用Forward函数开启推理计算。
后处理模块:用于在返回推理计算后结果集后,需要进行后处理,提取结果集中感兴趣的结果,不同的算法推理返回的结果集也各有异同,针对不同算法进行不同后处理,譬如,人脸检测返回的为人脸框,五点坐标和人脸置信度,而性别检测返回的为男或女,男的置信度和女的置信度,等等。
封装模块:用于将执行行为分析任务后的分析结果封装为JSON格式后返回给发送消息的Router。
在执行人脸识别等任务时,需要根据接收到的人脸图像去数据库中搜索相似度高的图片,可以使用向量式数据库存储人脸等目标的特征信息,较传统使用CPU资源进行搜索使用GPU资源矩阵式搜索最相似的特征,大幅度提高了搜索效率,同时也解放了CPU资源,从而大大降低了机器的CPU负载,CPU不再是计算的瓶颈。
行为智能分析引擎系统还包括扩展模块,用于修改系统配置文件Docker Compose文件服务配置选项ZMQ_ADDR参数,以支持所述调度中心和算法集群扩展。如图6所示,整个服务可以动态扩展,以支持更大的请求压力的分布式拓扑结构图,拓扑中心是调度服务,其主要负责对流量走向的均衡,防止单机因压力过大而崩溃宕机而无法提供服务。
拓扑四周为各种算法集群,可以在一个集群部署同一种服务,如行人检测,奔跑检测,物品丢失以及人群聚集等算法集群。这样,一个集群中的计算服务器处理的计算任务是同一类型的,避免了需要处理不同类型任务而需要加载各种类型的算法模型,进一步节约了内存资源,提高了处理速度。
随着请求不断增加,系统压力增大,这时可以添加更多的Router和Dealer到系统中,可以通过增加机器的数量,扩展集群数量,减少每一机器的负载量,在压力减小后,可以减少机器的数量,提高资源的利用率。此外,系统资源可以重新分配,以更好地支持一个动态扩展的系统。
本发明实施例的一种深度学习技术的行为智能分析引擎控制方法,包括步骤(1)~(3):
(1)接收行为分析任务消息,调用负载均衡调度算法将行为分析任务消息分发到计算服务器。
(2)在计算服务器中接收分发的行为分析任务消息,根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务。
(3)将不同的行为分析任务进行隔离,为每个算法模型配置资源。例如可以为预先定义或修改算法模型配置文件,算法模型配置文件中可以定义:(a)对应的算法模型运行所需要的工作线程数据,例如可以为耗时长算法可分配更多线程。(b)对应的算法模型运行的GPU显卡。一台计算服务器上的深度学习GPU显卡计算模块可以包括多个不同类型的GPU显卡,支持每一种算法自定义选择使用自定义的GPU显卡,可根据不同显卡的计算能力匹配不同的应用场景。
优选地,该控制方法还包括步骤:修改系统配置文件以支持系统集群扩展。
优选地,接收到行为分析任务消息后,可以根据行为分析任务消息中的请求算法类型字段分别为不同请求算法类型的消息分别开启消息队列。
行为智能分析引擎控制方法的实现原理、技术效果与上述行为智能分析引擎系统类似,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现上述任一行为智能分析引擎控制方法实施例的技术方案。其实现原理、技术效果与上述方法类似,此处不再赘述。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种深度学习技术的行为智能分析引擎系统,其特征在于,包括调度中心和与所述调度中心通过网络连接的算法集群,所述算法集群包括多个计算服务器;
所述调度中心用于接收行为分析任务消息,调用负载均衡调度算法将行为分析任务消息分发到所述计算服务器;
所述计算服务器包括深度学习GPU显卡计算模块和线程池模块;
所述深度学习GPU显卡计算模块用于接收所述调度中心分发的行为分析任务消息,根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务;
所述线程池模块用于将不同的行为分析任务进行隔离,为每个算法模型配置资源。
2.如权利要求1所述的一种深度学习技术的行为智能分析引擎系统,其特征在于,所述线程池模块包括算法模型配置文件定义模块;
所述算法模型配置文件定义模块用于预先定义或修改算法模型配置文件,所述算法模型配置文件中定义了对应的算法模型运行所需要的工作线程数据。
3.如权利要求2所述的一种深度学习技术的行为智能分析引擎系统,其特征在于,所述深度学习GPU显卡计算模块包括多个不同类型的GPU显卡;
所述算法模型配置文件定义了对应的算法模型运行的GPU显卡。
4.如权利要求1所述的一种深度学习技术的行为智能分析引擎系统,其特征在于,所述行为分析任务消息为JSON格式,所述深度学习GPU显卡计算模块包括:
解析模块,用于将接收的JSON格式的行为分析任务消息转换为Mat二维矩阵格式;
封装模块,用于将执行行为分析任务后的分析结果封装为JSON格式后返回给调度中心。
5.如权利要求1所述的一种深度学习技术的行为智能分析引擎系统,其特征在于,包括扩展模块,用于修改系统配置文件以支持所述调度中心和所述算法集群扩展。
6.如权利要求1所述的一种深度学习技术的行为智能分析引擎系统,其特征在于,所述行为分析任务消息包括请求算法类型字段,所述深度学习GPU显卡计算模块包括消息队列处理模块,用于根据请求算法类型字段分别为不同请求算法类型的所述行为分析任务消息开启消息队列。
7.一种深度学习技术的行为智能分析引擎控制方法,其特征在于,包括步骤:
接收行为分析任务消息,调用负载均衡调度算法将行为分析任务消息分发到计算服务器;
在计算服务器中接收分发的行为分析任务消息,根据行为分析任务消息将对应的算法模型加载到GPU显卡的显存中,执行行为分析任务;
将不同的行为分析任务进行隔离,为每个算法模型配置资源。
8.如权利要求7所述的一种深度学习技术的行为智能分析控制方法,其特征在于,所述为每个算法模型配置资源包括:
预先定义或修改算法模型配置文件,所述算法模型配置文件中定义了对应的算法模型运行所需要的工作线程数据。
9.如权利要求8所述的一种深度学习技术的行为智能分析控制方法,其特征在于,所述算法模型配置文件定义了对应的算法模型运行的GPU显卡。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求至中如权利要求7至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010444299.5A CN111614769B (zh) | 2020-05-22 | 2020-05-22 | 一种深度学习技术的行为智能分析引擎系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010444299.5A CN111614769B (zh) | 2020-05-22 | 2020-05-22 | 一种深度学习技术的行为智能分析引擎系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111614769A true CN111614769A (zh) | 2020-09-01 |
CN111614769B CN111614769B (zh) | 2023-05-09 |
Family
ID=72203775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010444299.5A Active CN111614769B (zh) | 2020-05-22 | 2020-05-22 | 一种深度学习技术的行为智能分析引擎系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111614769B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052083A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 云端gpu的显存调度方法、装置、电子设备及存储介质 |
CN112685267A (zh) * | 2021-01-22 | 2021-04-20 | 永辉云金科技有限公司 | 交互数据的处理方法、装置、计算机设备及存储介质 |
CN113127195A (zh) * | 2021-03-30 | 2021-07-16 | 杭州岱名科技有限公司 | 人工智能分析垂直解决方案集成器 |
CN113157252A (zh) * | 2021-04-13 | 2021-07-23 | 中国航天科工集团八五一一研究所 | 一种电磁信号通用分布式智能处理分析平台及方法 |
CN113542352A (zh) * | 2021-06-08 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 节点联合建模的方法和节点 |
CN113645282A (zh) * | 2021-07-29 | 2021-11-12 | 上海熠知电子科技有限公司 | 一种基于服务器集群的深度学习方法 |
CN113835883A (zh) * | 2021-09-08 | 2021-12-24 | 深圳供电局有限公司 | 一种基于算法容器装载自定义电网算法的云端系统 |
CN114707646A (zh) * | 2022-01-26 | 2022-07-05 | 电子科技大学 | 基于远程推理的分布式人工智能实践平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080222646A1 (en) * | 2007-03-06 | 2008-09-11 | Lev Sigal | Preemptive neural network database load balancer |
CN106650925A (zh) * | 2016-11-29 | 2017-05-10 | 郑州云海信息技术有限公司 | 一种基于MIC集群的深度学习框架Caffe系统及算法 |
CN106790706A (zh) * | 2017-02-27 | 2017-05-31 | 深圳先进技术研究院 | 一种数据资源优化的方法、平台及系统 |
CN110333945A (zh) * | 2019-05-09 | 2019-10-15 | 成都信息工程大学 | 一种动态负载均衡方法、系统及终端 |
CN110489240A (zh) * | 2019-08-22 | 2019-11-22 | Oppo广东移动通信有限公司 | 图像识别方法、装置、云平台及存储介质 |
-
2020
- 2020-05-22 CN CN202010444299.5A patent/CN111614769B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080222646A1 (en) * | 2007-03-06 | 2008-09-11 | Lev Sigal | Preemptive neural network database load balancer |
CN106650925A (zh) * | 2016-11-29 | 2017-05-10 | 郑州云海信息技术有限公司 | 一种基于MIC集群的深度学习框架Caffe系统及算法 |
CN106790706A (zh) * | 2017-02-27 | 2017-05-31 | 深圳先进技术研究院 | 一种数据资源优化的方法、平台及系统 |
CN110333945A (zh) * | 2019-05-09 | 2019-10-15 | 成都信息工程大学 | 一种动态负载均衡方法、系统及终端 |
CN110489240A (zh) * | 2019-08-22 | 2019-11-22 | Oppo广东移动通信有限公司 | 图像识别方法、装置、云平台及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052083A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 云端gpu的显存调度方法、装置、电子设备及存储介质 |
CN112685267A (zh) * | 2021-01-22 | 2021-04-20 | 永辉云金科技有限公司 | 交互数据的处理方法、装置、计算机设备及存储介质 |
CN113127195A (zh) * | 2021-03-30 | 2021-07-16 | 杭州岱名科技有限公司 | 人工智能分析垂直解决方案集成器 |
CN113127195B (zh) * | 2021-03-30 | 2023-11-28 | 杭州岱名科技有限公司 | 人工智能分析垂直解决方案集成器 |
CN113157252A (zh) * | 2021-04-13 | 2021-07-23 | 中国航天科工集团八五一一研究所 | 一种电磁信号通用分布式智能处理分析平台及方法 |
CN113157252B (zh) * | 2021-04-13 | 2022-11-25 | 中国航天科工集团八五一一研究所 | 一种电磁信号通用分布式智能处理分析平台及方法 |
CN113542352A (zh) * | 2021-06-08 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 节点联合建模的方法和节点 |
CN113542352B (zh) * | 2021-06-08 | 2024-04-09 | 支付宝(杭州)信息技术有限公司 | 节点联合建模的方法和节点 |
CN113645282A (zh) * | 2021-07-29 | 2021-11-12 | 上海熠知电子科技有限公司 | 一种基于服务器集群的深度学习方法 |
CN113835883A (zh) * | 2021-09-08 | 2021-12-24 | 深圳供电局有限公司 | 一种基于算法容器装载自定义电网算法的云端系统 |
CN114707646A (zh) * | 2022-01-26 | 2022-07-05 | 电子科技大学 | 基于远程推理的分布式人工智能实践平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111614769B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614769B (zh) | 一种深度学习技术的行为智能分析引擎系统及控制方法 | |
CN107403173B (zh) | 一种人脸识别系统及方法 | |
CN111506434B (zh) | 一种任务处理方法、装置及计算机可读存储介质 | |
CN111507257B (zh) | 图片处理方法、装置、系统、介质及程序 | |
CN111738341B (zh) | 一种分布式大规模人脸聚类方法及装置 | |
CN111857734B (zh) | 一种分布式深度学习模型平台部署及使用方法 | |
CN111935663A (zh) | 传感器数据流的处理方法、装置、介质及电子设备 | |
CN117193992B (zh) | 模型训练方法、任务调度方法、装置以及计算机存储介质 | |
CN111813529B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111199276B (zh) | 数据处理方法及相关产品 | |
CN112669353B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Wang et al. | C3Meta: a context-aware cloud-edge-end collaboration framework toward green metaverse | |
CN111901561B (zh) | 监控系统中的视频数据处理方法、装置、系统及存储介质 | |
CN116737351A (zh) | 图像处理系统运行管理方法、装置、存储介质及电子设备 | |
CN114494978A (zh) | 基于Pipeline的并行视频结构化推理方法及系统 | |
CN113449628A (zh) | 图像处理系统及方法、装置、存储介质、计算机程序产品 | |
CN112671867A (zh) | 一种融合多种交通方式的出行一体化云服务系统及方法 | |
CN114495188A (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN117311941B (zh) | 图像处理方法及相关设备 | |
CN111476616B (zh) | 轨迹确定方法、装置、电子设备及计算机存储介质 | |
CN113515649B (zh) | 数据的结构化方法、系统、装置、设备和存储介质 | |
KR20230036945A (ko) | 엣지 컴퓨팅 환경의 자원 관리 방법 및 장치 | |
CN117314943A (zh) | 一种图像处理方法及相关设备 | |
Dai et al. | Dangerous Driving Action Detection and Recognition Technology | |
Tabernik et al. | A web-service for object detection using hierarchical models |
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 |