CN113221250B - 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法 - Google Patents
一种适用于遥感图像舰船在轨检测系统的高效数据调度方法 Download PDFInfo
- Publication number
- CN113221250B CN113221250B CN202110563255.9A CN202110563255A CN113221250B CN 113221250 B CN113221250 B CN 113221250B CN 202110563255 A CN202110563255 A CN 202110563255A CN 113221250 B CN113221250 B CN 113221250B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- ship
- scheduling
- transmitted
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 230000001360 synchronised effect Effects 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000013139 quantization Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 108091081062 Repeated sequence (DNA) Proteins 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000003999 initiator Substances 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
本发明公开了一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,包括如下步骤:舰船提取系统的数据流建模:抽象舰船在轨检测系统中对数据调度的请求者,并为其分配调度序号,建立数据流模型;异步/同步转换:分析卫星在规处理系统的异步数据流环境,找出与同步系统的区别,使用统计量化的方法将异步转换为同步;建立星载环境下的拓扑矩阵:分析星载环境中数据源的数据流模型,结合异步与同步的转换方式建立适合星载环境的拓扑矩阵;更新矩阵的秩,生成调度算法:计算矩阵的秩,根据新的值更新至调度方法。本发明基于异步数据流模型分析,为星载舰船检测硬件结构提供了一种高效的数据调度方法,从而提高系统结构的处理带宽。
Description
技术领域
本发明属于数据调度方法技术领域,更具体的说是涉及一种适用于遥感图像舰船在轨检测系统的高效数据调度方法。
背景技术
数据的调度是遥感图像的目标检测硬件系统中的重要环节。近十几年来,周期性容许顺序调度方法在图像系统中得到广泛应用,被认为是目前调度性能最好的方法。
现有的周期性容许顺序调度方案虽然可规避死锁和溢出造成的系统不稳定,但缺乏对异步数据的支持,在轨目标检测系统因检测结果与图像内容相关,使得检测结果数据为未知量,形成异步环境,无法使用一般的基于同步数据流的调度方法。
因此,如何提供一种适用于遥感图像舰船在轨检测系统的高效数据调度方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,基于异步数据流模型分析,为星载舰船检测硬件结构提供了一种高效的数据调度方法,从而提高系统结构的处理带宽。
为了实现上述目的,本发明采用如下技术方案:
一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,包括如下步骤:
(1)舰船提取系统的数据流建模:抽象舰船在轨检测系统中对数据调度的请求者,并为其分配调度序号,建立数据流模型;
(2)异步/同步转换:分析卫星在轨处理系统的异步数据流环境,找出与同步系统的区别,使用统计量化的方法将异步转换为同步;
(3)建立星载环境下的拓扑矩阵:分析星载环境中数据源的数据流模型,结合步骤(2)中异步与同步的转换方式建立适合星载环境的拓扑矩阵;
(4)更新矩阵的秩,生成新的调度次序:计算矩阵的秩,并将新值更新原始调度序号。
优选的,分配调度序号的方法为:
初始调取序号按自然顺序分配,采用不重复的序号,为调度发起者的唯一标识,调度的过程为所有请求者重新分配次序。
优选的,数据流模型建立的过程包括以下三个阶段:
阶段一,在遥感图像舰船检测系统中找出所有的数据请求,并以调度单元为核心建立数据请求图;
阶段二,确定每个数据请求的读写属性,并与数据请求图相连接;
阶段三,将所有请求给予编号,并添加数据信息,即完成对舰船检测系统的数据流建模。
优选的,分析星载环境中对数据流模型建立的的影响参数,包括:S0源表示遥感图像数据源的图像数据流,为系统输入;S1表示进入算法的数据,从外存读出;S2表示海陆分割/感兴趣区域提取结果的输入,其结果影响是否有令牌;S3表示舰船检测的统计结果,决定是否有令牌送入写和读;根据舰船检测的统计结果,来为舰船检测的两个数据请求单元分配其固定的值。
优选的,星载环境下的拓扑矩阵为:
其中a1、a2分别表示A1接受和发送的数据,“-”号表示发送。b1、b2分别表示B1接受和发送的数据。c1、c2分别表示C1接受和发送的数据。d1、d2分别表示D1接受和发送的数据,e1、e2分别表示E1接受和发送的数据。
优选的,由于s0、s1、s2、s4都为同等的,为同步关系,只有s3存在不确定性,存在优化的空间,因此星载环境下的拓扑矩阵能够通过整体拓扑矩阵进一步优化所得,整体拓扑矩阵为:
其中a0、a1分别表示A接受和发送的数据,“-”号表示发送。b0、b1分别表示B接受和发送的数据。c0、c1分别表示C接受和发送的数据。d0、d1分别表示D接受和发送的数据,e0、e1分别表示E接受和发送的数据。a1、a2分别表示A1接受和发送的数据。b1、b2分别表示B1接受和发送的数据。c1、c2分别表示C1接受和发送的数据。d1、d2分别表示D1接受和发送的数据,e1、e2分别表示E1接受和发送的数据。
优选的,采用如下方法进行优化:
1)从舰船在轨检测系统中找出不确定的来源,舰船在轨检测系统的来源为舰船检测的统计结果;
2)对统计结果进行量化,量化的方法为统计数据集中所以实例的检测结果S,并需要数据请求的为S1,则R=S1/S为需要数据调度的频率;
3)用R代替矩阵中的d,d0,de,并重新命名为d2,可得到新的等效矩阵,即为星载环境下的拓扑矩阵。
优选的,调度次序是为步骤(1)的原始调度序号重新进行序号的分配,具体过程为:
1)以优化后的矩阵为输入,命名为矩阵SS;
2)求取该矩阵SS的秩;
3)确定一个触发向量V,若秩的大小为矩阵行数减一,则存在一个向量,使得SS×V=0;
4)使用V去触发每个节点,即得到一个新的触发次序,即为新的调度序号。
优选的,矩阵秩的取得方法为:
1)利用初等行变换将矩阵SS变化为阶梯型矩阵SS’;
2)依据矩阵的性质:初等变换不改变矩阵的秩,则SS’的非零行的个数即为矩阵SS的秩。
本发明的有益效果在于:
本发明具有如下优点:通过分析遥感在轨处理系统的拓扑结构实现了对同步、异步数据环境的支撑,能够有效的减少调度的复杂度,进而改善系统的吞吐量。
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,下面将对实施例或现有技术描述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,还可以根据提供的附图获得其他的附图。
图1附图为数据调度方法的流程图。
图2附图为转换前的在轨舰船提取系统的核心调度单元的结构图。
图3附图为转换后的舰船提取系统的数据流模型图。
图4附图为星载环境下的数据源分析图。
图5附图为数据请求的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅附图1,本发明提供了一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,包括如下步骤:
(1)舰船提取系统的数据流建模:抽象舰船在轨检测系统中对数据调度的请求者,并为其分配调度序号,建立数据流模型;
(2)异步/同步转换:分析卫星在轨处理系统的异步数据流环境,找出与同步系统的区别,使用统计量化的方法将异步转换为同步;
(3)建立星载环境下的拓扑矩阵:分析星载环境中数据源的数据流模型,结合步骤(2)中异步与同步的转换方式建立适合星载环境的拓扑矩阵;
(4)更新矩阵的秩,生成新的调度次序:计算矩阵的秩,并将新值更新原始调度序号。
本实施例中,分配调度序号的方法为:初始调取序号按自然顺序分配,采用不重复的序号,如0,1,2,3……,为调度发起者的唯一标识,调度的过程为所有请求者重新分配次序。
本实施例中,数据流模型建立的过程包括以下三个阶段:
阶段一,在遥感图像舰船检测系统中找出所有的数据请求,并以调度单元为核心建立数据请求图,如图2所示;
阶段二,确定每个数据请求的读写属性,并与数据请求图相连接,如图5所示;
阶段三,将所有请求给予编号:A、B、C……等,并添加数据信息(如图3中的小圆圈),即完成对舰船检测系统的数据流建模。
本实施例中,分析星载环境中对数据流模型建立的的影响参数,包括:S0源表示遥感图像数据源的图像数据流,为系统输入;S1表示进入算法的数据,从外存读出;S2表示海陆分割/感兴趣区域提取结果的输入,其结果影响是否有令牌;S3表示舰船检测的统计结果,决定是否有令牌送入写和读;根据舰船检测的统计结果,来为舰船检测的两个数据请求单元分配其固定的值。这里的写与读是两次操作,是航天系统特有的属性,一般系统这里只有写操作,消费电子系统一般输出至屏幕/存储器即可。统计方法可采用大规模训练样本的方法。两个数据请求单元的来源按照图4所示,舰船检测请求的输出有两个,所以是两个请求单元。
由步骤(3)的数据流模型,可知所有请求的数据源具有同等性,如图4左侧的系统输入、算法输入等所示。若数据源的数据产生的数量与读/写请求的数量是相同的,即可称为具有同等性。反映到数据流图中如图3所示,同等性表示消耗和产生令牌的两方的令牌的数量是相同的,比如A0与A1、B0与B1,我们称之为同等性,是同步数据源的充分条件。
本实施例中,整体拓扑矩阵为:
这里进一步优化矩阵,分析令牌速率之间的关系。由图4可知,s0、s1、s2、s4都为同等的,为同步关系,只有s3存在不确定性,存在优化的空间,可进一步优化为星载环境下的拓扑矩阵:
其中a1、a2分别表示A1接受和发送的数据,“-”号表示发送。b1、b2分别表示B1接受和发送的数据。c1、c2分别表示C1接受和发送的数据。d1、d2分别表示D1接受和发送的数据,e1、e2分别表示E1接受和发送的数据。
优化的原则是保持数据流中产生与消耗的确定性,消除不确定性数据源。S3产生的数据取决于算法的结果,每次系统的运行都有不同的结果。为了消除去不确定性,采用如下方法进行优化:
1)从舰船在轨检测系统中找出不确定的来源,舰船在轨检测系统的来源为舰船检测的统计结果;
2)对统计结果进行量化,量化的方法为统计数据集中所以实例的检测结果S,并需要数据请求的为S1,则R=S1/S为需要数据调度的频率;
3)用R代替矩阵中的d,d0,de,并重新命名为d2,可得到新的等效矩阵,即为星载环境下的拓扑矩阵。
本实施例中,调度次序是为步骤(1)的原始调度序号重新进行序号的分配,具体过程为:
1)以优化后的矩阵为输入,命名为矩阵SS;
2)求取该矩阵SS的秩;
3)确定一个触发向量V,若秩的大小为矩阵行数减一,则存在一个向量,使得SS×V=0;
4)使用V去触发每个节点,即得到一个新的触发次序,即为新的调度序号。
其中,矩阵秩的取得方法为:
1)利用初等行变换将矩阵SS变化为阶梯型矩阵SS’;
2)依据矩阵的性质:初等变换不改变矩阵的秩,则SS’的非零行的个数即为矩阵SS的秩。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,包括如下步骤:
(1)舰船提取系统的数据流建模:抽象舰船在轨检测系统中对数据调度的请求者,并为其分配调度序号,建立数据流模型;
(2)异步/同步转换:分析卫星在轨处理系统的异步数据流环境,找出与同步系统的区别,对统计结果进行量化,以实现将异步转换为同步;量化的方法为统计数据集中所以实例的检测结果S,并需要数据请求的为S1,则R=S1/S为需要数据调度的频率,其中S表示数据检测结果,S1表示进入算法的数据,R表示数据调度的频率;
(3)建立星载环境下的拓扑矩阵:分析星载环境中数据源的数据流模型,结合步骤(2)中异步与同步的转换方式建立适合星载环境的拓扑矩阵;
(4)更新矩阵的秩,生成新的调度次序:计算矩阵的秩,并将新值更新原始调度序号。
2.根据权利要求1所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,分配调度序号的方法为:
初始调取序号按自然顺序分配,采用不重复的序号,为调度发起者的唯一标识,调度的过程为所有请求者重新分配次序。
3.根据权利要求2所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,数据流模型建立的过程包括以下三个阶段:
阶段一,在遥感图像舰船检测系统中找出所有的数据请求,并以调度单元为核心建立数据请求图;
阶段二,确定每个数据请求的读写属性,并与数据请求图相连接;
阶段三,将所有请求给予编号,并添加数据信息,即完成对舰船检测系统的数据流建模。
4.根据权利要求1所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,分析星载环境中对数据流模型建立的的影响参数,包括:S0源表示遥感图像数据源的图像数据流,为系统输入;S1表示进入算法的数据,从外存读出;S2表示海陆分割/感兴趣区域提取结果的输入,其结果影响是否有令牌;S3表示舰船检测的统计结果,决定是否有令牌送入写和读;根据舰船检测的统计结果,来为舰船检测的两个数据请求单元分配其固定的值。
5.根据权利要求4所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,星载环境下的拓扑矩阵为:
其中a1、a2分别表示A1接受和发送的数据,“-”号表示发送,b1、b2分别表示B1接受和发送的数据,c1、c2分别表示C1接受和发送的数据,d1、d2分别表示D1接受和发送的数据,e1、e2分别表示E1接受和发送的数据。
6.根据权利要求5所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,由于s0、s1、s2、s4都为同等的,为同步关系,只有s3存在不确定性,存在优化的空间,因此星载环境下的拓扑矩阵能够通过整体拓扑矩阵进一步优化所得,整体拓扑矩阵为:
其中a0、a1分别表示A接受和发送的数据,“-”号表示发送,b0、b1分别表示B接受和发送的数据,c0、c1分别表示C接受和发送的数据,d0、d1分别表示D接受和发送的数据,e0、e1分别表示E接受和发送的数据,a1、a2分别表示A1接受和发送的数据,b1、b2分别表示B1接受和发送的数据,c1、c2分别表示C1接受和发送的数据,d1、d2分别表示D1接受和发送的数据,e1、e2分别表示E1接受和发送的数据;
采用如下方法进行优化:
1)从舰船在轨检测系统中找出不确定的来源,舰船在轨检测系统的来源为舰船检测的统计结果;
2)对统计结果进行量化,量化的方法为统计数据集中所以实例的检测结果S,并需要数据请求的为S1,则R=S1/S为需要数据调度的频率;
3)用R代替矩阵中的d,d0,de,并重新命名为d2,可得到新的等效矩阵,即为星载环境下的拓扑矩阵。
7.根据权利要求6所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,调度次序是为步骤(1)的原始调度序号重新进行序号的分配,具体过程为:
1)以优化后的矩阵为输入,命名为矩阵SS;
2)求取该矩阵SS的秩;
3)确定一个触发向量V,若秩的大小为矩阵行数减一,则存在一个向量,使得SS×V=0;
4)使用V去触发每个节点,即得到一个新的触发次序,即为新的调度序号。
8.根据权利要求7所述的一种适用于遥感图像舰船在轨检测系统的高效数据调度方法,其特征在于,矩阵秩的取得方法为:
1)利用初等行变换将矩阵SS变化为阶梯型矩阵SS’;
2)依据矩阵的性质:初等变换不改变矩阵的秩,则SS’的非零行的个数即为矩阵SS的秩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563255.9A CN113221250B (zh) | 2021-05-24 | 2021-05-24 | 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563255.9A CN113221250B (zh) | 2021-05-24 | 2021-05-24 | 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221250A CN113221250A (zh) | 2021-08-06 |
CN113221250B true CN113221250B (zh) | 2024-03-29 |
Family
ID=77098023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563255.9A Active CN113221250B (zh) | 2021-05-24 | 2021-05-24 | 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221250B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
CN107391258A (zh) * | 2017-07-20 | 2017-11-24 | 武汉大学 | 一种软硬件一体的便携式遥感影像实时处理系统 |
CN110632843A (zh) * | 2019-09-27 | 2019-12-31 | 中国科学院长春光学精密机械与物理研究所 | 遥感相机高精度对时信息生成系统 |
CN111428624A (zh) * | 2020-03-20 | 2020-07-17 | 上海航天测控通信研究所 | 一种光学遥感图像在轨舰船目标检测方法 |
CN112347895A (zh) * | 2020-11-02 | 2021-02-09 | 北京观微科技有限公司 | 一种基于边界优化神经网络的舰船遥感目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6915239B2 (en) * | 2001-01-19 | 2005-07-05 | International Business Machines Corporation | Method and apparatus for opportunistic decision support from intermittent interconnected sensors and data archives |
US20160171699A1 (en) * | 2006-05-02 | 2016-06-16 | Digitalglobe, Inc. | Automated registration of three-dimensional vectors to three-dimensional linear features in remotely-sensed data |
US20150269258A1 (en) * | 2011-12-23 | 2015-09-24 | Prioria Robotics, Inc. | Automated Self-Censoring of Remotely-Sensed Data Based on Automated ROI Awareness and People Detection Using a Prioritized Contact Transport Stream |
US9560092B2 (en) * | 2013-02-19 | 2017-01-31 | Digitalglobe, Inc. | Crowdsourced image analysis platform |
US9141872B2 (en) * | 2013-09-11 | 2015-09-22 | Digitalglobe, Inc. | Automated and scalable object and feature extraction from imagery |
US9275297B2 (en) * | 2013-10-14 | 2016-03-01 | Digitalglobe, Inc. | Techniques for identifying parking lots in remotely-sensed images by identifying parking rows |
-
2021
- 2021-05-24 CN CN202110563255.9A patent/CN113221250B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
CN107391258A (zh) * | 2017-07-20 | 2017-11-24 | 武汉大学 | 一种软硬件一体的便携式遥感影像实时处理系统 |
CN110632843A (zh) * | 2019-09-27 | 2019-12-31 | 中国科学院长春光学精密机械与物理研究所 | 遥感相机高精度对时信息生成系统 |
CN111428624A (zh) * | 2020-03-20 | 2020-07-17 | 上海航天测控通信研究所 | 一种光学遥感图像在轨舰船目标检测方法 |
CN112347895A (zh) * | 2020-11-02 | 2021-02-09 | 北京观微科技有限公司 | 一种基于边界优化神经网络的舰船遥感目标检测方法 |
Non-Patent Citations (4)
Title |
---|
冯文君 ; 艾波 ; 孙习文 ; 张玉娟 ; .海洋遥感卫星沿轨扫描数据动态可视化.海洋信息.2017,(第01期),19-25. * |
段云龙 ; 袁波 ; 陈金锋 ; .多路高速遥感数据记录快视与格式化系统设计与实现.无线电工程.2018,(第07期),53-58. * |
郭强,陈桂林.基于双DSP的遥感图像实时并行处理系统.光学精密工程.2002,(第06期),13-17. * |
陈瑞 ; 杨新权 ; 孙文方 ; 李永峰 ; .星载图像处理设备在轨可重构设计.空间电子技术.2017,(第01期),64-68. * |
Also Published As
Publication number | Publication date |
---|---|
CN113221250A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11507846B2 (en) | Representing a neural network utilizing paths within the network to improve a performance of the neural network | |
CN111191784A (zh) | 转置的稀疏矩阵乘以稠密矩阵用于神经网络训练 | |
US20190188569A1 (en) | Parallel Forward and Backward Propagation | |
CN111985831A (zh) | 云计算资源的调度方法、装置、计算机设备及存储介质 | |
US8443315B2 (en) | Reset mechanism conversion | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN110569019A (zh) | 数值的随机修约 | |
Bala et al. | Big-ETL: extracting-transforming-loading approach for Big Data | |
Viktorov et al. | The principles of building a machine-learning-based service for converting sequential code into parallel code | |
CN116736624A (zh) | 在光学接近度校正流中对演进掩模形状的并行掩模规则检查 | |
CN105786626B (zh) | 基于K划分的Storm平台线程分配方法 | |
CN113221250B (zh) | 一种适用于遥感图像舰船在轨检测系统的高效数据调度方法 | |
US20220006457A1 (en) | Glitch-free multiplexer | |
CN115039076A (zh) | 无障碍和无围栏共享存储器同步 | |
CN106844024A (zh) | 一种自学习运行时间预测模型的gpu/cpu调度方法及系统 | |
WO2023071566A1 (zh) | 数据处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
US20220129755A1 (en) | Incorporating a ternary matrix into a neural network | |
CN111125154B (zh) | 用于输出结构化查询语句的方法和装置 | |
CN110489430B (zh) | 一种基于数据块签名和校验的溯源方法及其系统 | |
Rönkkö | Introduction to matrixpls | |
CN113468258A (zh) | 一种异构数据的转换方法、装置及存储介质 | |
Fehling | Algorithms for massively parallel generic hp-adaptive finite element methods | |
CN111221498A (zh) | 动态方向舍入 | |
CN105630896A (zh) | 一种快速导入海量数据的方法 |
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 |