CN113553910A - 感知算法融合平台 - Google Patents
感知算法融合平台 Download PDFInfo
- Publication number
- CN113553910A CN113553910A CN202110706298.8A CN202110706298A CN113553910A CN 113553910 A CN113553910 A CN 113553910A CN 202110706298 A CN202110706298 A CN 202110706298A CN 113553910 A CN113553910 A CN 113553910A
- Authority
- CN
- China
- Prior art keywords
- model
- algorithm
- module
- data
- instance
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 133
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 230000008447 perception Effects 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012805 post-processing Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0483—Interaction with page-structured environments, e.g. book metaphor
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
Abstract
本发明提供一种感知算法融合平台,包括:配置文件模块、解析模块、模型实例模块、后处理模块、发送模块、配置管理模块以及容器部署模块;配置文件模块用于记录感知算法融合平台的所有功能配置文件;解析模块用于解析上文中的各个配置文件和各个视频流的数据;模型实例模块用于对模型进行实例化;后处理模块用于对模型实例模块输出的数据进行后处理,并添加至数据发送队列;发送模块用于将数据发送队列中的数据发送到对应的数据接收方;配置管理模块用于提供人机交互界面,以供用户对感知算法融合平台的功能进行配置;容器部署模块用于对感知算法融合平台的运行进行管理。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种感知算法融合平台。
背景技术
人工智能、深度学习等智能算法的应用范围越来越广,越来越多的场景选择采用智能技术提升服务水平。
智能技术的应用主要包括数据源、数据采集、功能部署、数据计算、结果输出以及功能应用六个阶段。
现有的感知算法融合平台存在改造部署效率低,人工成本高的技术问题。
发明内容
本发明提供一种感知算法融合平台,用以解决现有技术中感知算法融合平台存在改造部署效率低的技术问题。
本发明提供一种感知算法融合平台,包括:配置文件模块、解析模块、模型实例模块、后处理模块、发送模块、配置管理模块以及容器部署模块;
所述配置文件模块用于记录感知算法融合平台的所有功能配置文件;
所述解析模块用于解析上文中的各个配置文件和各个视频流的数据;
所述模型实例模块用于对模型进行实例化;
所述后处理模块用于对所述模型实例模块输出的数据进行后处理,并添加至数据发送队列;
所述发送模块用于将数据发送队列中的数据发送到对应的数据接收方;
所述配置管理模块用于提供人机交互界面,以供用户对感知算法融合平台的功能进行配置;
所述容器部署模块用于对感知算法融合平台的运行进行管理。
可选地,所述功能配置文件的类型包括功能区配置文件、视频流配置文件、算法模型配置文件以及模型实例配置文件。
可选地,所述算法模型配置文件记录的内容包括:算法模型版本、算法模型标识、算法模型名、算法模型包含的功能数、算法模型生成的算法模型实例数、算法模型功能标识、算法模型功能名、算法模型实例标识、算法模型实例运行的GPU标识以及算法模型实例对应的容器标识。
可选地,所述算法模型实例配置文件记录的内容包括:算法模型实例对应的算法模型标识、算法模型实例标识、算法模型实例加载的模型引擎路径、算法模型实例功能标识、算法模型实例功能权限、算法模型功能类型、算法模型功能名、算法模型实例功能的输出协议、应用算法模型实例功能的视频流标识、应用算法模型实例功能的视频流地址以及算法模型实例功能在视频流中的配置参数。
可选地,所述模型实例模块对模型进行实例化的步骤如下:
根据所述解析模块提供的信息,加载模型引擎文件;
根据所述解析模块加载的配置文件,获取指定数据流的视频图像输入数据;
对数据进行归一化处理;
进行模型推理计算,得到模型实例输出的原始数据结果。
可选地,每个模型实例仅加载一个模型,多路视频流数据分散至多个模型实例进行计算。
可选地,所述后处理模块对所述模型实例模块输出的数据进行后处理,并添加至数据发送队列的步骤如下:
获取模型实例输出的原始数据结果;
根据所述解析模块所提供的不同数据流对应的功能,对原始数据结果进行筛选;
将最终的输出结果按照优先级的不同,添加至不同的待发送队列。
可选地,所述发送模块将数据发送队列中的数据发送到对应的数据接收方的步骤如下:
按照由高至低的顺序检查待发送队列中是否存在数据;
若待发送队列中存在数据,则根据队列中数据所属于的功能类型,检查所述功能类型对应的输出地址以及协议,并将所述待发送队列中的数据按照所述协议发送至所述输出地址。
可选地,对所述感知算法融合平台的功能的配置方式包括:添加视频流、添加算法模型、配置模型实例、配置视频流的功能以及配置功能输出地址。
可选地,所述容器部署模块对感知算法融合平台的运行进行管理的步骤如下:
启动脚本加载指定目录下的各个模型配置文件;
根据模型配置文件中指定的模型实例,启动对应的容器实例;
将模型实例的识别码添加至模型配置文件中。
本发明提供的感知算法融合平台,仅需要接入视频网络监控系统,通过手动配置,便可以将多种算法功能进行集成,覆盖了除数据源和功能应用的中间环节,能够有效提升应用部署速度。同时具有的自定义配置功能,能够为不同的场景提供更加场景化的应用。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的感知算法融合平台的架构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
图1是本发明提供的感知算法融合平台的架构示意图,如图1所示,本申请实施例提供一种感知算法融合平台,该感知算法融合平台包括:配置文件模块、解析模块、模型实例模块、后处理模块、发送模块、配置管理模块以及容器部署模块。
具体地,智能技术的应用主要包括数据源、数据采集、功能部署、数据计算、结果输出以及功能应用六个阶段。
本申请实施例提供的感知算法融合平台,其具体体现形式为一个单独的物理硬件设备,该物理硬件设备具体表现为边缘计算模块。边缘计算模块所包含的接口包括但不限于以太网接口、电源接口以及音视频输出接口,还包括中央处理器和图形处理器等处理设备。
感知算法融合平台的软件集成于边缘计算模块中,具体包括七部分,分别为配置文件模块、解析模块、模型实例模块、后处理模块、发送模块、配置管理模块以及容器部署模块。
1、配置文件模块
配置文件模块记录了感知算法融合平台的所有功能配置文件,其类型可以分为功能区配置文件、视频流配置文件、算法模型配置文件以及模型实例配置文件,所有配置文件的格式均为xml格式。
(1)功能区配置文件
功能区配置文件中记录了整个感知区域中所划分的子区域,即功能区,以及各功能区中的所包含的摄像头视频流信息。其格式组成及字段含义如表1所示。
表1
功能区配置文件示例如下:
功能区配置文件命名规则:以func_area开头,接下划线“_”,接配置文件版本。例如,func_area_v1.0.xml
(2)视频流配置文件
视频流配置文件记录了所覆盖区域内所包含的摄像头视频流路数,对各个视频流的标识、所属区域、添加时间、访问地址进行了定义,同时指明了使用该视频流数据实现了哪些检测功能。其格式组成及字段含义如表2所示。
表2
功能区配置文件示例如下:
视频流配置文件命名规则:以stream_info开头,接下划线“_”,接配置文件版本,例如,stream_info_v1.0.xml
(3)算法模型配置文件
算法模型配置文件记录的内容包括:算法模型版本、算法模型标识、算法模型名、算法模型包含的功能数、算法模型生成的算法模型实例数、算法模型功能标识、算法模型功能名、算法模型实例标识、算法模型实例运行的GPU标识以及算法模型实例对应的容器标识。
本申请实施例中的算法模型是指静态的、由训练后得到的网络参数、网络结构多个文件所打包而成的一个单独文件,算法模型并非最终的可执行文件。算法模型配置文件记录了算法模型的标识、名称、版本、模型功能数以及对应的模型实例个数,同时指明了算法模型的可配置属性值,各个模型功能的信息以及对应的模型实例信息。其格式组成及字段含义如表3所示。
表3
算法模型配置文件示例如下:
<Model version="1.0"id="Model_goods"name="Goods_Detect"func_num=”2”instance_num=”2”>
<Property name="p_class_num"type="int8"defaultvalue="5"statusvalue="False"></Property>
<Property name="p_cfg"type="string"defaultvalue="yolov3.cfg"statusvalue="False"></Property>
<func id="Model_goods_func_backpack"name="Backpack"class_id="0"func_type="1"></func>
<func id="Model_goods_func_blind"name="Blind"class_id="1"func_type="1"></func>
<model_instance id="Model_goods_instance_1"gpu_id="1"container_id=""></model_instance>
<model_instance id="Model_goods_instance_2"gpu_id="2"container_id=""></model_instance>
</Model>
算法模型配置文件命名规则:以model开头,接下划线“_”,接算法名称,接下划线“_”,接配置文件版本,例如,model_targetdetect_v1.0.xml。
(4)模型实例配置文件
算法模型实例配置文件记录的内容包括:算法模型实例对应的算法模型标识、算法模型实例标识、算法模型实例加载的模型引擎路径、算法模型实例功能标识、算法模型实例功能权限、算法模型功能类型、算法模型功能名、算法模型实例功能的输出协议、应用算法模型实例功能的视频流标识、应用算法模型实例功能的视频流地址以及算法模型实例功能在视频流中的配置参数。
模型实例是基于算法模型所创建的运行实例,是运行于计算机,真正执行算法计算的功能模块。模型实例配置文件是算法融合平台的核心配置文件,其记录了模型实例对应的模型、标识、模型文件路径信息,同时包含了各个模型功能的详细配置,例如模型功能所输入的数据源,针对于不同数据源的特定功能配置参数。其格式组成及字段含义入表4所示。
表4
模型实例配置文件示例:
<?xml version="1.0"encoding="utf-8"?>
<ModelInstance model="1.0"id="Model_goods_instance_1"engine_path="yolov5s.engine">
<func id="Model_goods_func_backpack"limit="True"basis="False"name="Backpack"></func>
<func id="Model_goods_func_blind"limit="True"basis="False"name="Blind"></func>
<func id="Model_goods_func_box"limit="True"basis="False"name="Box"></func>
<Backpack output="http://x.x.x.x:80/xxx/xxx">
<stream id="1"addr="rtsp://192.168.1.98:554/h264/ch1/main/av_stream">
<Property name="p_img_aug"type="bool"defaultvalue="True"statusvalue="False"></Property>
</stream>
<stream id="3"addr="rtsp://192.168.1.96:554/h264/ch1/main/av_stream">
<Property name="p_img_aug"type="bool"defaultvalue="True"statusvalue="False"></Property>
</stream>
</Backpack>
</ModelInstance>
模型实例配置文件命名规则:以model_instance开头,接下划线“_”,接模型实例ID,接下划线“_”,接配置文件版本,例如,model_instance_Model_goods_instance_1_v1.0.xml。
2、解析模块
解析模块主要解析两部分内容,一是上文所提到的各个配置文件,二是根据配置文件中的内容解析各个视频流的数据。解析后的数据被暂存于解析模块内部,其他模块可以通过软件接口获取解析模块所存储的数据。支持的视频流数据协议包括rtsp、rtmp和http等。
对于配置文件的解析,基于pugixml实现。视频流数据的解析基于OpenCV软件解码的方式实现,或者基于硬解码的方式实现。针对每一路视频流数据,单独创建一个线程,并将拉取到的视频流数据以单张图片为单位按照先后顺序存储至该路视频流对应的队列中,在其他模块向解析模块获取指定数量的图片数据后,所获取的数据被从队列中移除。队列长度设置有最大值,防止数据持续积压,当超过最大长度值后,最新存入队列中的数据被移除。
解析模块能够持续检测各个视频流的状态,在视频流中断或发生其他异常时,自动销毁对应的线程,并重新建立拉取线程,保证视频流数据的持续。
3、模型实例模块
模型实例模块基于TensorRT(简称TRT)搭建。其主要流程如下:
根据解析模块提供的信息,加载模型引擎文件;
根据解析模块加载的配置文件,获取指定数据流的视频图像输入数据;
对数据进行归一化处理;
进行模型推理计算,得到模型输出原始数据结果。
需要说明的是,在本申请实施例中,每个模型实例模块仅加载一个算法模型。由于单一的模型实例所处理数据的周期T(这里指对所有需要解析的视频流数据进行一次完整的计算的时间)与其需要解析的视频流个数n成正比,为解耦上述两个变量(T和n),通过每个模型实例仅加载一个模型,将多路视频流数据分散至多个模型实例进行计算,从而在增加n的同时,不增加T,便于对计算资源进行横向扩容。
4、后处理模块
由于模型实例输出的结果为原始数据结果,并不一定符合最终的数据需求,因此需要对模型实例产生的数据进行后处理,并添加至数据发送队列,将最终的数据结果发送至数据需求方。
具体步骤为:
获取模型实例输出的原始数据结果;
根据解析模块所提供的不同数据流对应的功能,对模型实例的输出结果进行筛选。模型实例具备的功能可能多于该路视频流需求的功能,此时需要对结果进行裁剪,避免输出无用信息。
对一段时间内的数据结果进行合并处理(可选)。该步骤主要用于一段时间的数据积累才可以计算得到结果的功能,如客流量计算,行为识别等。
将最终的输出结果按照优先级的不同,添加至不同的待发送队列。
5、数据发送模块
数据发送模块将待发送队列中的数据,发送至对应的数据接收方。具体步骤如下:
按照由高至低的顺序,检查待发送队列中是否存在数据;若待发送队列中存在数据,则根据队列中数据所属于的功能类型,检查解析模块所提供的该功能对应的输出地址以及协议,并将该队列中的数据按照指定协议发送至指定输出地址。每发送一次,将该数据移出队列,直至该队列中不再有待发送数据。数据发送时,需要对该队列进行加锁处理,以防其他线程对该队列进行操作。
若待发送队列中不存在数据,则检查下一个待发送队列。
6、配置管理模块
本申请实施例中的感知算法融合平台,提供了基于web端的远程管理方式。具体依赖配置管理模块实现。配置管理模块为用户提供了友好的人机交互界面,通过该界面用户可实现的功能有添加视频流、添加算法模型、配置模型实例、配置视频流的功能以及配置功能输出地址等。在页面完成操作后,配置管理模块会修改对应的配置文件,在下次加载配置文件时所做的改动即可生效。
7、容器部署模块
为便于对模型实例进行增加删除,减少环境配置带来的繁琐操作,提高配置管理效率,本发明采用Docker对融合平台的运行进行管理。平台的启动步骤如下:
启动脚本加载指定目录下的各个模型配置文件;
根据模型配置文件中指定的模型实例,启动对应的容器实例,即模型实例;
若模型配置文件中未指定容器的ID,则自动创建该算法模型对应的模型实例,并将模型实例的ID添加至模型配置文件中。
本申请实施例,扩展了智能算法技术的应用场景范围,降低了感知算法融合平台的应用部署周期,为不同的应用场景提供更加细致的定制化功能。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种感知算法融合平台,其特征在于,包括:配置文件模块、解析模块、模型实例模块、后处理模块、发送模块、配置管理模块以及容器部署模块;
所述配置文件模块用于记录感知算法融合平台的所有功能配置文件;
所述解析模块用于解析上文中的各个配置文件和各个视频流的数据;
所述模型实例模块用于对模型进行实例化;
所述后处理模块用于对所述模型实例模块输出的数据进行后处理,并添加至数据发送队列;
所述发送模块用于将数据发送队列中的数据发送到对应的数据接收方;
所述配置管理模块用于提供人机交互界面,以供用户对感知算法融合平台的功能进行配置;
所述容器部署模块用于对感知算法融合平台的运行进行管理。
2.根据权利要求1所述的感知算法融合平台,其特征在于,所述功能配置文件的类型包括功能区配置文件、视频流配置文件、算法模型配置文件以及算法模型实例配置文件。
3.根据权利要求2所述的感知算法融合平台,其特征在于,所述算法模型配置文件记录的内容包括:算法模型版本、算法模型标识、算法模型名、算法模型包含的功能数、算法模型生成的算法模型实例数、算法模型功能标识、算法模型功能名、算法模型实例标识、算法模型实例运行的GPU标识以及算法模型实例对应的容器标识。
4.根据权利要求2所述的感知算法融合平台,其特征在于,所述算法模型实例配置文件记录的内容包括:算法模型实例对应的算法模型标识、算法模型实例标识、算法模型实例加载的模型引擎路径、算法模型实例功能标识、算法模型实例功能权限、算法模型功能类型、算法模型功能名、算法模型实例功能的输出协议、应用算法模型实例功能的视频流标识、应用算法模型实例功能的视频流地址以及算法模型实例功能在视频流中的配置参数。
5.根据权利要求1所述的感知算法融合平台,其特征在于,所述模型实例模块对模型进行实例化的步骤如下:
根据所述解析模块提供的信息,加载模型引擎文件;
根据所述解析模块加载的配置文件,获取指定数据流的视频图像输入数据;
对数据进行归一化处理;
进行模型推理计算,得到模型实例输出的原始数据结果。
6.根据权利要求5所述的感知算法融合平台,其特征在于,每个模型实例仅加载一个模型,多路视频流数据分散至多个模型实例进行计算。
7.根据权利要求1所述的感知算法融合平台,其特征在于,所述后处理模块对所述模型实例模块输出的数据进行后处理,并添加至数据发送队列的步骤如下:
获取模型实例输出的原始数据结果;
根据所述解析模块所提供的不同数据流对应的功能,对原始数据结果进行筛选;
将最终的输出结果按照优先级的不同,添加至不同的待发送队列。
8.根据权利要求1所述的感知算法融合平台,其特征在于,所述发送模块将数据发送队列中的数据发送到对应的数据接收方的步骤如下:
按照由高至低的顺序检查待发送队列中是否存在数据;
若待发送队列中存在数据,则根据队列中数据所属于的功能类型,检查所述功能类型对应的输出地址以及协议,并将所述待发送队列中的数据按照所述协议发送至所述输出地址。
9.根据权利要求1所述的感知算法融合平台,其特征在于,对所述感知算法融合平台的功能的配置方式包括:添加视频流、添加算法模型、配置模型实例、配置视频流的功能以及配置功能输出地址。
10.根据权利要求1所述的感知算法融合平台,其特征在于,所述容器部署模块对感知算法融合平台的运行进行管理的步骤如下:
启动脚本加载指定目录下的各个模型配置文件;
根据模型配置文件中指定的模型实例,启动对应的容器实例;
将模型实例的识别码添加至模型配置文件中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021106445437 | 2021-06-09 | ||
CN202110644543 | 2021-06-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113553910A true CN113553910A (zh) | 2021-10-26 |
Family
ID=78130904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706298.8A Pending CN113553910A (zh) | 2021-06-09 | 2021-06-24 | 感知算法融合平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553910A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866585A (zh) * | 2015-05-28 | 2015-08-26 | 华北计算技术研究所 | 一种试验试飞数据综合处理系统 |
US9983891B1 (en) * | 2017-03-21 | 2018-05-29 | Veritas Technologies Llc | Systems and methods for distributing configuration templates with application containers |
US20180157528A1 (en) * | 2016-12-02 | 2018-06-07 | Vmware, Inc. | Dynamic timeout as a service |
CN111158745A (zh) * | 2019-12-30 | 2020-05-15 | 山东浪潮商用系统有限公司 | 一种基于Docker的数据处理平台 |
CN111240656A (zh) * | 2020-01-16 | 2020-06-05 | 深圳市守行智能科技有限公司 | 一种高效的深度学习模型部署框架 |
CN112906803A (zh) * | 2021-03-01 | 2021-06-04 | 重庆紫光华山智安科技有限公司 | 模型集成方法、装置、服务器和计算机可读存储介质 |
-
2021
- 2021-06-24 CN CN202110706298.8A patent/CN113553910A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866585A (zh) * | 2015-05-28 | 2015-08-26 | 华北计算技术研究所 | 一种试验试飞数据综合处理系统 |
US20180157528A1 (en) * | 2016-12-02 | 2018-06-07 | Vmware, Inc. | Dynamic timeout as a service |
US9983891B1 (en) * | 2017-03-21 | 2018-05-29 | Veritas Technologies Llc | Systems and methods for distributing configuration templates with application containers |
CN111158745A (zh) * | 2019-12-30 | 2020-05-15 | 山东浪潮商用系统有限公司 | 一种基于Docker的数据处理平台 |
CN111240656A (zh) * | 2020-01-16 | 2020-06-05 | 深圳市守行智能科技有限公司 | 一种高效的深度学习模型部署框架 |
CN112906803A (zh) * | 2021-03-01 | 2021-06-04 | 重庆紫光华山智安科技有限公司 | 模型集成方法、装置、服务器和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
韩冬;王颖;朱岩;: "自适应Web服务管理框架设计与实现", 浙江大学学报(工学版), no. 10, 31 October 2007 (2007-10-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3924845A1 (en) | Responding to machine learning requests from multiple clients | |
US20030037301A1 (en) | Use of formal logic specification in construction of semantic descriptions | |
US11789771B2 (en) | Method and apparatus for a step-enabled workflow | |
CN114830080B (zh) | 数据分发流程配置方法及装置、电子设备、存储介质 | |
US20210096904A1 (en) | Method and apparatus for a step-enabled workflow | |
JP5536790B2 (ja) | コンディショナルプロセッシング方法及び装置 | |
CN112653749A (zh) | 用于物联网的基于边缘计算的复杂事件处理系统及方法 | |
Zampoglou et al. | Adaptive streaming of complex Web 3D scenes based on the MPEG-DASH standard | |
CN111225280B (zh) | 基于嵌入式平台的轻量级视频分析系统 | |
CN111158779B (zh) | 一种数据处理方法和相关设备 | |
KR101793925B1 (ko) | 대용량 방송용 빅데이터의 지식 트리플 구축을 위한 변환 시스템 및 방법 | |
KR101595882B1 (ko) | 영상 분석 장치 및 방법 | |
CN113553910A (zh) | 感知算法融合平台 | |
CN115756448A (zh) | 一种车辆云端数据采集系统架构的获取方法、装置、设备及介质 | |
CN114257876A (zh) | 一种弹幕显示处理方法、装置、电子设备及存储介质 | |
WO2021178643A1 (en) | An encoding device and method for utility-driven video compression | |
CN112331203A (zh) | 智能家居设备控制方法、装置、电子设备及存储介质 | |
Reveiu et al. | Using content-based multimedia data retrieval for multimedia content adaptation | |
CN112738632B (zh) | 智能电视性能的优化方法、装置、设备及存储介质 | |
Barbosa et al. | Multicao: A semantic approach to context-aware adaptation decision taking | |
JP3968749B2 (ja) | XPath処理方法、XPath処理装置、XPath処理プログラム、及びそのプログラムを記憶した記憶媒体 | |
US7904501B1 (en) | Community of multimedia agents | |
CN116028666A (zh) | 人工智能视频结构化任务的管理方法和管理系统 | |
JP2005512213A (ja) | オーディオビジュアルコンテンツの分散型意味的記述 | |
Carreras et al. | Contextual information in virtual collaboration systems beyond current standards |
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 |