CN112163612B - 基于fpga的大模板卷积图像匹配方法、装置及系统 - Google Patents

基于fpga的大模板卷积图像匹配方法、装置及系统 Download PDF

Info

Publication number
CN112163612B
CN112163612B CN202011017927.8A CN202011017927A CN112163612B CN 112163612 B CN112163612 B CN 112163612B CN 202011017927 A CN202011017927 A CN 202011017927A CN 112163612 B CN112163612 B CN 112163612B
Authority
CN
China
Prior art keywords
data
template
ram
convolution
window
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
CN202011017927.8A
Other languages
English (en)
Other versions
CN112163612A (zh
Inventor
陈海波
宋志月
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.)
DeepBlue AI Chips Research Institute Jiangsu Co Ltd
Original Assignee
DeepBlue AI Chips Research Institute Jiangsu 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 DeepBlue AI Chips Research Institute Jiangsu Co Ltd filed Critical DeepBlue AI Chips Research Institute Jiangsu Co Ltd
Priority to CN202011017927.8A priority Critical patent/CN112163612B/zh
Publication of CN112163612A publication Critical patent/CN112163612A/zh
Application granted granted Critical
Publication of CN112163612B publication Critical patent/CN112163612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于fpga的大模板卷积图像匹配方法、装置及系统，将原图像数据调整格式存入ram中，设置模板数据；在ram中同时读出原图数据和模板数据进行卷积：计算第一行第一个卷积窗口，在一个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算；直至所有的模板数据都完成后，将计算的列操作结果进行累加，得到第一行第一个卷积窗口的结果；计算第一行第二个至第N个卷积窗口，在一个周期结束，下一时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算；窗口滑动时产生了新的一列数，再利用第一行第一个卷积窗口的结果计算。本发明节省计算周期，提高了效率。

Description

基于fpga的大模板卷积图像匹配方法、装置及系统
技术领域
本发明涉及FPGA图像处理领域，尤其是涉及一种基于fpga的一种实现大模板卷积的图像匹配方法。
背景技术
所谓模板匹配就是给出一个模板图片和一个搜索图片，在搜索图片中找到与模板图片最为相似的部分。
简单来说，就是让模板图片在搜索图片上滑动，以像素点为单位，计算每一个位置上的相似度，最终得到相似度最高的像素点的位置，以该像素点为原定，模板图片为大小，对应在搜索图片上的位置即为匹配度最高的部分。匹配算法使用的是标准平方差匹配method＝CV_TM_SQDIFF_NORMED
这个方法其实和平方差匹配算法是类似的。只不过对图像和模板进行了标准化操作。
Figure BDA0002699704380000011
实例1模板图片大小64*64，如图1所示，搜索图片大小为1920*1080，如图2所示；检测结果如图3所示；以上是算法原理。通常在fpga上实现卷积计算过程如图5，以3x3模板窗口为例：如图6，将原图像数据按照行顺序循环存入ram1，ram2，ram3，ram4,ram1，ram2，ram3，ram4…中。同时读出三行数据ram1，ram2，ram3，分别将三行数据延迟1clk，2clk，得到第一行第一个模板窗口1,2,3,1921,1922,1923,3841,3842,3843的9个数据，下一时刻得到第一行第二个模板窗口2,3,4,1922,1923,1924,3842,3843,3844的9个数据,以此类推下去，完成当前行窗口的卷积滑动。当前行完成后，同时读出三行数据ram2，ram3，ram4，同样的进行数据延迟，得到第二行第一个模板窗口1921,1922,1923,3841,3842,3843,5761,5762,5763的9个数据，以此类推下去，完成整个图像的遍历。
上述过程总共消耗的fpga资源，4行ram，9个乘法器。如果是模板窗口选用64x64的大小，那么消耗的资源是65行ram，4096个乘法器。资源是巨大的。上述方法，当使用大模板进行卷积时，消耗的fpga资源是巨大的。
发明内容
1、本发明的目的
本发明为了解决在FPGA上大模板进行模板匹配时资源消耗巨大的问题，而提出了一种基于fpga的一种实现大模板卷积的图像匹配方法、装置及系统。
2、本发明所采用的技术方案
本发明提出了一种基于fpga的大模板卷积图像匹配方法，包括以下步骤：
将原图像数据调整格式存入ram中，设置模板数据；
在ram中同时读出原图数据和模板数据进行卷积：
计算第一行第一个卷积窗口，在一个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算；即在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算；直至所有的模板数据都完成后，将计算的列操作结果进行累加，得到第一行第一个卷积窗口的结果；
计算第一行第二个至第N个卷积窗口，在一个周期结束，下一时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算；窗口滑动时产生了新的一列数，再利用第一行第一个卷积窗口的结果计算；同理，在一个时钟周期内计算出第一行第三个窗口的结果；以此循环，计算出整幅图像的模板匹配卷积过程。
优选的，所述的将原图像数据调整格式存入ram中；原数据的长度按照等分多个数据拼位存入ram中，一行数据在ram中存储深度为原数据的长度与数据拼位个数之比；使用ram的行数比数据拼位个数加一，原图数据按照行存储顺序即在ram逐行循环进行存储；将模板数据按照列拼位进行存储，列方向为数据拼位个数拼成一个数据存储在ram中，ram的最大深度与所述的数据拼位个数相等。
优选的，所述的第一行第一个卷积窗口的结果具体方法为：
在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算，由于是二值化相乘，采用按位与操作，相加通过查表得出结果。
本发明提出了一种基于fpga的大模板卷积图像匹配装置，包括：
存储设置模块，将原图像数据调整格式存入ram中，设置模板数据；
卷积模块，在ram中同时读出原图数据和模板数据进行卷积：
计算第一行第一个卷积窗口，在一个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算；即在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算；直至所有的模板数据都完成后，将计算的列操作结果进行累加，得到第一行第一个卷积窗口的结果；
计算第一行第二个至第N个卷积窗口，在一个周期结束，下一时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算；窗口滑动时产生了新的一列数，再利用第一行第一个卷积窗口的结果计算；同理，在一个时钟周期内计算出第一行第三个窗口的结果；以此循环，计算出整幅图像的模板匹配卷积过程。
优选的，所述的卷积模块，将原图像数据调整格式存入ram中；原数据的长度按照等分多个数据拼位存入ram中，一行数据在ram中存储深度为原数据的长度与数据拼位个数之比；使用ram的行数比数据拼位个数加一，原图数据按照行存储顺序即在ram逐行循环进行存储；将模板数据按照列拼位进行存储，列方向为数据拼位个数拼成一个数据存储在ram中，ram的最大深度与所述的数据拼位个数相等。
优选的，所述的卷积模块，第一行第一个卷积窗口的结果具体方法为：
在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算，由于是二值化相乘，采用按位与操作，相加通过查表得出结果。
一种基于fpga的大模板卷积图像匹配设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述的即算计程序实现所述的大模板卷积图像匹配方法。
3、本发明所采用的有益效果
(1)本发明采用的FPGA去实现大卷积模板时，窗口挪动时，利用上一次的计算结果进行计算，节省计算周期，提高了效率。
(2)本发明的第一行第二个窗口的计算周期只消耗了一个时钟周期，而一行第一个窗口的计算周期消耗的很小。
(3)大模板卷积计算过程中的数据拼位方法和并行计算方法，减少了计算量，同时减少延迟时间。
附图说明
图1为实例1模板图片；
图2为实例1搜索图片；
图3为实例1模板匹配检测结果效果图；
图4为实例1卷积计算窗口滑动计算过程；
图5为实例1在fpga上实现卷积计算过程图；
图6为实例1整个图像的遍历过程；
图7为本发明存储顺序示意图。
图8为模板数据64*64调整格式存入ram示意图；
图9为在ram中同时读出原图数据和模板数据进行卷积过程示意图。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例1
本发明提出的一种基于fpga的大模板卷积图像匹配方法，包括以下步骤：
将原图像数据调整格式存入ram中，设置模板数据；
在ram中同时读出原图数据和模板数据进行卷积：
计算第一行第一个卷积窗口，在一个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算；即在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算；直至所有的模板数据都完成后，将计算的列操作结果进行累加，得到第一行第一个卷积窗口的结果；第一行第一个卷积窗口的结果具体方法为：在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算，由于是二值化相乘，采用按位与操作，相加通过查表得出结果。
计算第一行第二个至第N个卷积窗口，在一个周期结束，下一时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算；窗口滑动时产生了新的一列数，再利用第一行第一个卷积窗口的结果计算；同理，在一个时钟周期内计算出第一行第三个窗口的结果；以此循环，计算出整幅图像的模板匹配卷积过程。
其中，所述的将原图像数据调整格式存入ram中；原数据的长度按照等分多个数据拼位存入ram中，一行数据在ram中存储深度为原数据的长度与数据拼位个数之比；使用ram的行数比数据拼位个数加一，原图数据按照行存储顺序即在ram逐行循环进行存储；将模板数据按照列拼位进行存储，列方向为数据拼位个数拼成一个数据存储在ram中，ram的最大深度与所述的数据拼位个数相等。
实施例
本发明的算法实现是fpga板卡上通过逻辑设计实现的，搜索图片的分辨率为1920*1080，为二值化图像，模板窗口大小为64*64，完成模板匹配的卷积过程。以上仅为举例，但不局限于此。
如图7，将原图像数据1920*1080调整格式存入ram中：
原图数据一行数据是1bit，1920的长度，每64个数据拼位存入ram中，那么一行数据在ram中存储深度为1920/64＝30，即ram的存储深度为30。
使用ram的行数为65行，原图数据按照行存储顺序循环进行存储，ram1,ram2,ram3…ram64,ram65,ram1,ram2,ram3…ram64,ram65…
如图8，将模板数据64*64调整格式存入ram中：
模板数据是64*64，将模板数据按照列拼位进行存储，列方向为64拼成一个数据存储在ram中，这样ram的最大深度为64.
如图9，在ram中同时读出原图数据和模板数据进行卷积：
St1,St2,St3…分别代表fpga的一个时钟周期；
(a)计算第一行第一个64*64卷积窗口的结果：
在St1,St2,St3…St64这64个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算。
St1时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算，由于是二值化相乘，可以采用按位与操作，相加的话可以通过查表得出结果L1；
同理St2时刻，得出L2；同理St3时刻，得出L3…同时将计算的列操作结果进行累加；
经过64个时钟周期后，可以得到第一行第一个64*64卷积窗口的结果R1；
(b)计算第一行第二个64*64卷积窗口的结果：
在St65时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算。
利用前一个卷积结果进行计算：
R2＝L65+R1-L1；这个地方的思想是，窗口滑动时产生了新的一列数L65，再利用R1的结果。
这样做的优点减少了计算量，同时减少计算周期。我们可以看出第一行第二个窗口的计算周期只消耗了一个时钟周期，而一行第一个窗口的计算周期消耗了64个。
同理在St66时刻，可以在一个时钟周期内计算出第一行第三个窗口的结果；
以此循环下去，可以较为高效的计算出整幅图像的模板匹配卷积过程。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种基于fpga的大模板卷积图像匹配方法，其特征在于包括以下步骤：
将原图像数据调整格式存入ram中，设置模板数据；原数据的长度按照等分多个数据拼位存入ram中，一行数据在ram中存储深度为原数据的长度与数据拼位个数之比；使用ram的行数比数据拼位个数加一，原图数据按照行存储顺序即在ram逐行循环进行存储；将模板数据按照列拼位进行存储，列方向为数据拼位个数拼成一个数据存储在ram中，ram的最大深度与所述的数据拼位个数相等；
在ram中同时读出原图数据和模板数据进行卷积：
计算第一行第一个卷积窗口，在一个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算；即在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算；直至所有的模板数据都完成后，将计算的列操作结果进行累加，得到第一行第一个卷积窗口的结果；
计算第一行第二个至第N个卷积窗口，在一个周期结束，下一时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算；窗口滑动时产生了新的一列数，再利用第一行第一个卷积窗口的结果计算；同理，在一个时钟周期内计算出第一行第三个窗口的结果；以此循环，计算出整幅图像的模板匹配卷积过程。
2.根据权利要求1所述的基于fpga的大模板卷积图像匹配方法，其特征在于，所述的第一行第一个卷积窗口的结果具体方法为：
在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算，由于是二值化相乘，采用按位与操作，相加通过查表得出结果。
3.根据权利要求1所述的基于fpga的大模板卷积图像匹配方法，其特征在于，搜索图片的分辨率为1920*1080，为二值化图像，模板数据的窗口大小为64*64。
4.根据权利要求3所述的基于fpga的大模板卷积图像匹配方法，其特征在于，包括以下步骤：原图数据一行数据是1bit，1920的长度，每64个数据拼位存入ram中，那么一行数据在ram中存储深度为1920/64＝30，即ram的存储深度为30。
5.根据权利要求4所述的基于fpga的大模板卷积图像匹配方法，其特征在于，模板数据是64*64，将模板数据按照列拼位进行存储，列方向为64拼成一个数据存储在ram中，这样ram的最大深度为64。
6.一种基于fpga的大模板卷积图像匹配装置，其特征在于包括：
存储设置模块，将原图像数据调整格式存入ram中，设置模板数据；原数据的长度按照等分多个数据拼位存入ram中，一行数据在ram中存储深度为原数据的长度与数据拼位个数之比；使用ram的行数比数据拼位个数加一，原图数据按照行存储顺序即在ram逐行循环进行存储；将模板数据按照列拼位进行存储，列方向为数据拼位个数拼成一个数据存储在ram中，ram的最大深度与所述的数据拼位个数相等；
卷积模块，在ram中同时读出原图数据和模板数据进行卷积：
计算第一行第一个卷积窗口，在一个时钟周期中，同时读原图数据和模板数据的第一个地址的数据进行第一个卷积窗口的计算；即在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算；直至所有的模板数据都完成后，将计算的列操作结果进行累加，得到第一行第一个卷积窗口的结果；
计算第一行第二个至第N个卷积窗口，在一个周期结束，下一时刻，同时读原图数据和模板数据的第二个地址的数据进行第二个卷积窗口的计算；窗口滑动时产生了新的一列数，再利用第一行第一个卷积窗口的结果计算；同理，在一个时钟周期内计算出第一行第三个窗口的结果；以此循环，计算出整幅图像的模板匹配卷积过程。
7.根据权利要求6所述的装置，其特征在于，所述的卷积模块，将原图像数据调整格式存入ram中；原数据的长度按照等分多个数据拼位存入ram中，一行数据在ram中存储深度为原数据的长度与数据拼位个数之比；使用ram的行数比数据拼位个数加一，原图数据按照行存储顺序即在ram逐行循环进行存储；将模板数据按照列拼位进行存储，列方向为数据拼位个数拼成一个数据存储在ram中，ram的最大深度与所述的数据拼位个数相等。
8.根据权利要求7所述的装置，其特征在于，所述的卷积模块，第一行第一个卷积窗口的结果具体为：
在每个时刻，同时取原图第一列和模板第一列数据进行相乘和累加计算，由于是二值化相乘，采用按位与操作，相加通过查表得出结果。
9.一种基于fpga的大模板卷积图像匹配设备，其特征在于包括：
存储器，用于存储计算机程序；
处理器，用于执行所述的计算机程序实现如权利要求1-5任一所述的大模板卷积图像匹配方法。
CN202011017927.8A 2020-09-24 2020-09-24 基于fpga的大模板卷积图像匹配方法、装置及系统 Active CN112163612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011017927.8A CN112163612B (zh) 2020-09-24 2020-09-24 基于fpga的大模板卷积图像匹配方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011017927.8A CN112163612B (zh) 2020-09-24 2020-09-24 基于fpga的大模板卷积图像匹配方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112163612A CN112163612A (zh) 2021-01-01
CN112163612B true CN112163612B (zh) 2022-11-15

Family

ID=73862838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011017927.8A Active CN112163612B (zh) 2020-09-24 2020-09-24 基于fpga的大模板卷积图像匹配方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112163612B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117053619B (zh) * 2023-10-13 2024-01-02 常州中冷环保技术有限公司 一种冷却塔运行监测系统及控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844294B (zh) * 2016-12-29 2019-05-03 华为机器有限公司 卷积运算芯片和通信设备
CN107862650B (zh) * 2017-11-29 2021-07-06 中科亿海微电子科技（苏州）有限公司 加速计算二维图像cnn卷积的方法
CN110765411A (zh) * 2019-09-05 2020-02-07 天津芯海创科技有限公司 一种卷积神经网络中卷积运算数据复用装置
CN111260598B (zh) * 2020-01-14 2023-11-21 中科南京人工智能创新研究院 基于图像处理的Depthwise快速卷积系统及图像识别方法

Also Published As

Publication number Publication date
CN112163612A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
US20180121789A1 (en) Data processing method and apparatus
CN114138231B (zh) 执行矩阵乘法运算的方法、电路及soc
CN115409855B (zh) 图像处理方法、装置、电子设备和存储介质
CN110543879A (zh) 基于se模块的ssd目标检测方法及计算机存储介质
CN112163612B (zh) 基于fpga的大模板卷积图像匹配方法、装置及系统
CN111008691B (zh) 一种权值和激活值都二值化的卷积神经网络加速器架构
US20220253668A1 (en) Data processing method and device, storage medium and electronic device
Sanny et al. Energy-efficient median filter on FPGA
CN114936633B (zh) 用于转置运算的数据处理单元及图像转置运算方法
CN114780910A (zh) 用于稀疏化卷积计算的硬件系统和计算方法
CN114581682A (zh) 基于自注意力机制的图像特征提取方法、装置及设备
CN109255771B (zh) 图像滤波方法及装置
Huang et al. A low-bit quantized and hls-based neural network fpga accelerator for object detection
CN110569684B (zh) 一种小容量缓存的图像二值化方法
WO2020191668A1 (en) Proposal processing method and related products
CN111507178B (zh) 数据处理的优化方法及装置、存储介质、计算机设备
CN113900622B (zh) 一种基于fpga的数据信息快速排序方法、系统、设备及存储介质
CN112329925B (zh) 模型生成方法、特征提取方法、装置及电子设备
CN113436199B (zh) 半监督视频目标分割方法及装置
CN111400377B (zh) 一种目标数据集的确定方法及装置
CN112184565B (zh) 一种多窗口串行的图像锐化方法
CN112037240A (zh) 一种基于卷积模板的图像处理方法
CN112330524A (zh) 一种在图像跟踪系统中快速实现卷积的装置和方法
CN113836481A (zh) 矩阵计算电路、方法、电子设备及计算机可读存储介质
CN115730094A (zh) 一种图片数据集获得方法、装置、设备及存储介质

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