CN114330749A - 数字信号处理方法及装置 - Google Patents
数字信号处理方法及装置 Download PDFInfo
- Publication number
- CN114330749A CN114330749A CN202111654403.4A CN202111654403A CN114330749A CN 114330749 A CN114330749 A CN 114330749A CN 202111654403 A CN202111654403 A CN 202111654403A CN 114330749 A CN114330749 A CN 114330749A
- Authority
- CN
- China
- Prior art keywords
- bit
- sequence
- bit mask
- tested
- bits
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000013135 deep learning Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims description 19
- 230000000873 masking effect Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种数字信号处理方法及装置,属于计算机技术领域。所述方法包括:获取数字信号,所述数字信号包括多个比特位;对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列;从所述至少一个比特屏蔽序列中确定目标比特序列。本发明能够提高数字信号的传输效率以及深度学习处理算法的处理效率和精度。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种数字信号处理方法及装置。
背景技术
为了有效获取周围环境信息,可以通过传感器(例如光学传感器和声学传感器)将物理信息转变为电信号。电信号包括模拟信号和数字信号,数字信号相较于模拟信号具有抗干扰能力强、无噪声积累以及便于加密处理等优点。为了便于数字信号处理器对信号的处理,以及用计算机对数字信号进行存储、处理和交换,需要将模拟信号转变成数字信号。根据模拟/数字转换器(Analog-to-digital converter,ADC)的精度,数字信号通常用不同的比特位数来表示。例如:一个8位ADC将模拟信号换化成数字信号,每一个十进制数值用8个比特位来表示。数字信号的类型又可分为:一维信号、二维信号、多维信号。不同的类型信号有不同的处理方法。比如单通道雷达信号属于一维信号,通过相关处理算法识别信号中是否有目标存在;图像信号属于二维信号,处理算法包括图像压缩、目标检测、目标识别、目标跟踪等;视频信号属于多维信号,处理算法包含视频压缩、目标检测和识别等。在各个研究方向,都有学者做了相关数字信号处理算法的研究。
数字图像/视频信号处理算法(目标检测、目标识别、目标跟踪等)基本都是针对完整比特序列数据进行处理。例如:对于二维数字图像信号,分别用RGB(红绿蓝)三通道表示一个像素的色彩值,而每个通道值都被量化为8个比特位,当前数字图像处理算法都是针对这完整的24个比特位进行运算的。虽然送入处理算法中的数字图像信息是完整的,但是低比特位数据所包含的冗余信息没有必要参与运算,甚至可能会降低处理算法的精度和速度。因此,本专利提出了一种新的信号处理方法及装置。即在保证有效信息被完整表征与传递的前提下,对数字信号(图像、视频、声音等)的低比特位进行屏蔽操作,去除相关冗余信息,可提升相关数字信号处理算法的精度和速度。
发明内容
本发明实施例提供了一种数字信号处理方法及装置,能够提高数字信号的传输效率以及深度学习处理算法的处理效率和精度。所述技术方案如下:
根据本发明实施例的第一方面,提供了一种数字信号处理方法,所述方法包括:
获取数字信号,所述数字信号包括多个比特位;
对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列;
从所述至少一个比特屏蔽序列中确定目标比特序列。
可选地,所述方法还包括:
利用深度学习处理算法对所述目标比特序列进行处理。
可选地,所述比特屏蔽序列的数量为多个,所述从所述至少一个比特屏蔽序列中确定目标比特序列,包括:
利用深度学习处理算法对所述待测试比特屏蔽序列进行处理,得到所述深度学习处理算法的性能指标,所述待测试比特屏蔽序列为多个所述比特屏蔽序列中的任意一个;
当所述性能指标满足指标要求时,将所述待测试比特屏蔽序列确定为所述目标比特序列;
当所述性能指标不满足所述指标要求时,循环执行测试过程,直至所述性能指标满足所述指标要求;
所述测试过程包括:利用多个所述比特屏蔽序列中不同于所述待测试比特屏蔽序列的其他比特屏蔽序列来更新所述待测试比特屏蔽序列,得到更新后的待测试比特屏蔽序列,所述更新后的待测试比特屏蔽序列与更新前的待测试比特屏蔽序列不同,利用所述深度学习处理算法对所述更新后的待测试比特屏蔽序列进行处理,得到所述性能指标;
将所述测试过程结束时的所述更新后的待测试比特屏蔽序列确定为所述目标比特序列。
可选地,所述比特屏蔽序列的数量为多个,所述从所述至少一个比特屏蔽序列中确定目标比特序列,包括:
利用深度学习处理算法对多个比特屏蔽序列分别进行处理,得到所述多个比特屏蔽序列分别对应的所述深度学习处理算法的性能指标;
从所述多个比特屏蔽序列分别对应的所述性能指标中确定目标性能指标;
将所述目标性能指标对应的比特屏蔽序列确定为所述目标比特序列。
可选地,所述多个比特位包括M个比特位,M>1,所述对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列,包括:
基于所述M个比特位确定多个比特位组,所述比特位组包括所述M个比特位中的部分比特位,任意两个所述比特位组包括的比特位数量不同;
对于所述多个比特位组中的每个比特位组,执行赋值过程,得到所述至少一个比特屏蔽序列;
所述赋值过程包括:将所述比特位组中的各个比特位组合置0或1,得到所述比特屏蔽序列。
根据本发明实施例的第二方面,提供了一种数字信号处理装置,所述装置包括:
获取模块,用于获取数字信号,所述数字信号包括多个比特位;
屏蔽模块,用于对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列;
确定模块,用于从所述至少一个比特屏蔽序列中确定目标比特序列。
可选地,所述装置还包括:
处理模块,用于利用深度学习处理算法对所述目标比特序列进行处理。
可选地,所述确定模块,用于:
利用深度学习处理算法对所述待测试比特屏蔽序列进行处理,得到所述深度学习处理算法的性能指标,所述待测试比特屏蔽序列为多个所述比特屏蔽序列中的任意一个;
当所述性能指标满足指标要求时,将所述待测试比特屏蔽序列确定为所述目标比特序列;
当所述性能指标不满足所述指标要求时,循环执行测试过程,直至所述性能指标满足所述指标要求;
所述测试过程包括:利用多个所述比特屏蔽序列中不同于所述待测试比特屏蔽序列的其他比特屏蔽序列来更新所述待测试比特屏蔽序列,得到更新后的待测试比特屏蔽序列,所述更新后的待测试比特屏蔽序列与更新前的待测试比特屏蔽序列不同,利用所述深度学习处理算法对所述更新后的待测试比特屏蔽序列进行处理,得到所述性能指标;
将所述测试过程结束时的所述更新后的待测试比特屏蔽序列确定为所述目标比特序列。
可选地,所述确定模块,用于:
利用深度学习处理算法对多个比特屏蔽序列分别进行处理,得到所述多个比特屏蔽序列分别对应的所述深度学习处理算法的性能指标;
从所述多个比特屏蔽序列分别对应的所述性能指标中确定目标性能指标;
将所述目标性能指标对应的比特屏蔽序列确定为所述目标比特序列。
可选地,所述多个比特位包括M个比特位,M>1,所述屏蔽模块,用于:
基于所述M个比特位确定多个比特位组,所述比特位组包括所述M个比特位中的部分比特位,任意两个所述比特位组包括的比特位数量不同;
对于所述多个比特位组中的每个比特位组,执行赋值过程,得到所述至少一个比特屏蔽序列;
所述赋值过程包括:将所述比特位组中的各个比特位组合置0或1,得到所述比特屏蔽序列。
根据本发明实施例的第三方面,提供了一种数字信号处理装置,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器中存储的指令以实现第一方面任一项所述的数字信号处理方法。
根据本发明实施例的第四方面,提供了一种计算机存储介质,所述存储介质中存储有指令,当所述指令在处理组件上运行时,使得所述处理组件执行如第一方面任一项所述的数字信号处理方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的数字信号处理方法,在获取包括多个比特位的数字信号后,对多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列,之后从至少一个比特屏蔽序列中确定目标比特序列,相较于处理前的数字信号,目标比特序列包括的冗余信息较少。在后续传输目标比特序列时,相较于数字信号可以减小带宽的占用率,提高传输通道的利用率,从而提高传输效率。在后续通过深度学习处理算法对数字图像/视频信号的目标比特序列进行处理时,减小了处理的数据量,从而提高了深度学习处理算法的处理效率和精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明的实施例,下面将对实施例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为本申请实施例提供的一种数字信号处理方法的流程示意图;
图2为本发明实施例提供的另一种数字信号处理方法的流程示意图;
图3为本发明实施例提供的一种数字信号处理装置的框图;
图4为本发明实施例提供的另一种数字信号处理装置的框图;
图5为本发明实施例提供的一种数字信号处理装置的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
电信号包括模拟信号和数字信号。其中数字信号相较于模拟信号具有抗干扰能力强、无噪声积累以及便于加密处理等优点。为了便于数字信号处理器对信号的处理,以及用计算机对数字信号进行存储、处理和交换,因此通常将模拟信号转换为数字信号以进行后续的传输或处理,例如可以通过模拟/数字转换器(Analog-to-digital converter,ADC)将模拟信号转换为数字信号。
数字信号可以通过至少一个比特位组成的比特序列来表示,每个比特位为0或1。对于ADC输出的数字信号,其比特序列的位数与ADC的精度有关,例如若ADC的精度为8位,则ADC输出的数字信号的比特位数量为8。
数字信号按其类型可划分为语音信号、单通道雷达信号、图像信号以及视频信号等。数字信号可以按照维度划分为以下几种类型:一维信号、二维信号和多维信号。例如,单通道雷达信号属于一维信号,图像信号属于二维信号,视频信号属于多维信号。数字图像/视频信号处理算法(目标检测、目标识别、目标跟踪等)基本都是针对完整的比特序列数据进行处理。例如:对于二维数字图像信号,分别用RGB(红绿蓝)三通道表示一个像素的色彩值,而每个通道值都被量化为8个比特位,当前数字图像处理算法都是针对这完整的24个比特位进行运算的。虽然送入处理算法中的数字图像信息是完整的,但是低比特位数据所包含的冗余信息没有必要参与运算,甚至可能会降低相关处理算法的精度和速度。因此,本专利提出了一种新的信号处理方法及装置。即在保证有效信息被完整表征与传递的前提下,对数字信号(图像、视频、声音等)的低比特位进行屏蔽操作,去除相关冗余信息,可提升相关数字信号处理算法的精度和速度。
目前在对数字图像/视频信号进行传输或处理时,通常直接对完整的数字信号进行传输或处理。例如二维的数字图像信号中每个像素的像素值通过红绿蓝(Red-Green-Blue,RGB)三分量表示,并通过8个比特位的比特序列表示像素的一个分量,即一个像素的像素值需要通过24个比特位的比特序列表示。在进行数字图像信号传输时,直接将每个像素对应的24个比特位的比特序列进行传输,导致传输过程中数字信号占用带宽较大,传输效率较低。在利用深度学习处理算法(目标检测、目标识别、目标跟踪等)直接对数字图像中每个像素对应的完整包含24个比特位的比特序列进行处理时,会导致需要处理的数据量较大,影响处理效率,且可能会降低深度学习处理算法的处理精度和速度。
本发明实施例提供了一种数字信号处理方法,可以应用于数字信号处理装置,请参考图1,图1为本申请实施例提供的一种数字信号处理方法的流程示意图,该方法可以包括以下过程:
101、获取数字信号,数字信号包括多个比特位。
每个比特位的值可以是0或者1。
102、对多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列。
屏蔽操作包括:将多个比特位中的部分或全部比特位进行组合置0或置1。当比特屏蔽序列的数量为多个时,多个比特屏蔽序列不同但比特位的数量相同。
103、从至少一个比特屏蔽序列中确定目标比特序列。
综上所述,本发明实施例提供的数字信号处理方法,在获取包括多个比特位的数字信号后,对多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列,之后从至少一个比特屏蔽序列中确定目标比特序列,相较于处理前的数字信号,目标比特序列包括的冗余信息较少。在后续传输目标比特序列时,相较于数字信号可以减小带宽的占用率,提高传输通道的利用率,从而提高传输效率。在后续通过深度学习处理算法对数字图像/视频信号的目标比特序列进行处理时,减小了处理的数据量,从而提高了深度学习处理算法的处理效率和精度。
请参考图2,图2为本发明实施例提供的另一种数字信号处理方法的流程示意图,该方法可以包括以下过程:
201、获取数字信号,数字信号包括多个比特位。
202、对多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列。
以多个比特位包括M个比特位为例,M为大于1的正整数。可以基于M个比特位确定多个比特位组,比特位组包括M个比特位中的部分比特位,任意两个比特位组包括的比特位数量不同。对于多个比特位组中的每个比特位组,执行赋值过程,得到至少一个比特屏蔽序列。该赋值过程包括:将比特位组中的各个比特位组合置0或1,得到比特屏蔽序列。需要说明的是,比特屏蔽序列包括的比特位数与数字信号包括的比特位数相同,即为M。
对于任一比特位组,对M个比特位中属于任一比特位组的比特位执行赋值过程后,不属于该任一比特位组的比特位值不变,从而得到比特屏蔽序列。赋值过程为将比特位组中的每个比特位的值置为0或者1。
示例地,可以将M个比特位中的以下多组比特位确定为比特位组:最后一个比特位(即第M个比特位)、最后两个比特位(即第M个比特位和第M-1个比特位)、最后三个比特位(即第M个比特位至第M-2个比特位)、……、最后M-1个比特位(即第M个比特位至第2个比特位)。
以8位RGB图像中任一像素的像素值为例,可以将8个比特位中的以下比特位确定为比特位组:第8位、第7位和第8位、第6位至第8位、第5位至第8位、第4位至第8位、第3位至第8位以及第2位至第8位。
例如,假设数字信号通过8个比特位表示为10001110。可以将第8位置为1得到比特屏蔽序列10001111,将第7位和第8位均置为0得到比特屏蔽序列10001100,将第6位和第7位均置为0得到比特屏蔽序列10001001等。本发明实施例对比特屏蔽序列不做限定,只要保证比特屏蔽序列是由数字信号的原始比特序列通过将相应比特位置0或1得到的即可。
203、从至少一个比特屏蔽序列中确定目标比特序列。
可选地,可以通过相关数字信号处理算法(以深度学习处理算法为例)确定目标比特序列,其中深度学习处理算法按照处理方式的不同可以包括以下至少一种:目标识别算法、目标检测算法、目标跟踪算法等。
以多个比特屏蔽序列为例进行说明,在第一种实现方式中,可以利用深度学习处理算法对待测试比特屏蔽序列进行处理,得到深度学习处理算法的性能指标(准确度和召回率),待测试比特屏蔽序列为多个比特屏蔽序列中的任意一个。当性能指标满足指标要求时,将待测试比特屏蔽序列确定为目标比特序列。当性能指标不满足指标要求时,循环执行测试过程,直至性能指标满足指标要求。最后将测试过程结束时的更新后的待测试比特屏蔽序列确定为目标比特序列。
其中,测试过程可以过程包括:利用多个比特屏蔽序列中不同于待测试比特屏蔽序列的其他比特屏蔽序列更新待测试比特屏蔽序列,得到更新后的待测试比特屏蔽序列。更新后的待测试比特屏蔽序列与更新前的待测试比特屏蔽序列不同。利用深度学习处理算法对更新后的待测试比特屏蔽序列进行测试处理,得到性能指标。
不同的深度学习处理算法,其性能指标通常也不同,相应地,其需要满足的指标要求也不同。例如对于目标检测算法,其性能指标可以包括以下至少一种:准确度(accuracy)、精度(precision)、召回率(recall)、平均精度均值(mean AveragePrecision,mAP)。相应地,指标要求可以包括以下至少一种:准确度处于准确度范围(例如大于准确度阈值)、精度处于精度范围(例如大于精度阈值)、召回率处于召回率范围(例如大于召回率阈值)、平均精度均值处于精度均值范围(例如大于精度均值阈值)。准确度范围、精度范围、召回率范围以及精度均值范围可以由技术人员设置。其中,准确度表示实际值与真实结果的偏离程度,精度表示实际值的扰动情况,召回率表示正确的检测占比,平均精度均值表示模型预测框类别和位置是否准确。
再例如对于目标跟踪算法,其性能指标可以包括时间鲁棒性评估(Temporalrobustness evaluation,TRE)和/或空间鲁棒性评估(Spatial robustness evaluation,SRE)。相应地,指标要求可以包括:TRE处于第一范围(例如大于第一阈值)和/或SRE处于第二范围(例如大于第二阈值),第一范围和/或第二范围可以由技术人员设置。其中,TRE可以通过在深度学习处理算法中以不同的帧作为起始进行跟踪得到,SRE可以通过在深度学习处理算法中以不同的初始跟踪框计算以及分析得到。
在另一种实现方式中,可以利用深度学习处理算法对多个比特屏蔽序列分别进行处理,得到多个比特屏蔽序列分别对应的深度学习处理算法的性能指标。从多个比特屏蔽序列分别对应的性能指标中确定目标性能指标,再将目标性能指标对应的比特屏蔽序列确定为目标比特序列。
在将每个比特屏蔽序列输入深度学习处理算法的同时,将数字信号输入深度学习处理算法,得到数字信号对应的深度学习处理算法的性能指标。将每个比特屏蔽序列对应的性能指标与数字信号对应的性能指标进行比较,根据比较结果确定目标性能指标,最后将目标性能指标对应的比特屏蔽序列确定为目标比特序列。
示例地,对于目标检测算法,性能指标包括以下至少一种:准确度、精度、召回率、平均精度均值。当性能指标仅有一种时,可以通过对比从多个比特屏蔽序列分别对应的性能指标中确定最大的性能指标,将最大的性能指标确定为目标性能指标。例如假设性能指标包括准确度,可以将多个比特屏蔽序列分别对应的准确度中的最大准确度确定为目标性能指标。
当性能指标有多种时,将多种性能指标视为一组性能指标。若多个比特屏蔽序列分别对应的性能指标中存在具有最大性能指标的数量最多的一组性能指标,则可以将具有最大性能指标的数量最多的一组性能指标确定为目标性能指标。若不存在具有最大性能指标的数量最多的一组性能指标,则可以将任一种最大的性能指标确定为目标性能指标。例如假设性能指标包括准确度、精度和召回率,若存在某一比特屏蔽序列对应的一组性能指标中的准确度和精度均最大,则将最大准确度和最大精度确定为目标性能指标。若最大准确度、最大精度和最大召回率分别位于不同的三组性能指标中,则将最大准确度、最大精度或最大召回率确定为目标性能指标。
示例地,对于目标跟踪算法,性能指标包括TRE和/或SRE。该确定目标性能指标的过程可以参考前述目标检测算法。当性能指标仅有一种时,例如假设性能指标包括TRE,可以将多个比特屏蔽序列分别对应的TRE中的最大TRE确定为目标性能指标。当性能指标有多种时,例如假设性能指标包括TRE和SRE,若存在某一比特屏蔽序列对应的一组性能指标中的TRE和SRE均最大,则将最大TRE和最大SRE确定为目标性能指标。若最大TRE和最大SRE分别位于不同的两组性能指标中,则将最大TRE或最大SRE确定为目标性能指标。
需要说明的是,数字信号包括的多个比特位中通常存在表示详细信息的冗余比特位。通过该过程确定的目标比特序列去除了数字信号中包括的冗余信息,去除冗余信息后并不影响数字信号中有效信息的传输和处理。以RGB图像中任一像素的一个分量为例,该分量为8比特位的比特序列,屏蔽8比特位中的最后一个比特位后并不影响RGB图像的显示效果,图像信息依旧完整。因此后续可以对目标比特序列进行传输或处理,从而能够提高后续传输或处理效率。
204、利用深度学习处理算法对目标比特序列进行处理。
综上所述,本发明实施例提供的数字信号处理方法,在获取包括多个比特位的数字信号后,对多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列,之后从至少一个比特屏蔽序列中确定目标比特序列,之后利用深度学习处理算法对目标比特序列进行处理,数字信号包括的多个比特位中通常存在表示详细信息的冗余比特位。通过该方法确定的目标比特序列去除了数字信号中包括的冗余信息,去除冗余信息后并不影响数字信号中有效信息的传输和处理,因此后续可以对目标比特序列进行传输或处理,从而能够提高传输或处理效率。并且在深度学习处理算法的处理过程中,冗余信息无需参与运算,从而可以提高深度学习处理算法的处理精度。
此外,数字信号处理的数据量减小,使得用于执行数字信号处理过程的数字信号处理装置的硬件设计难度和印制电路板(Printed Circuit Board,PCB)绘图的线数均降低,从而简化了数字信号处理装置。
需要说明的是,本发明实施例提供的数字信号处理方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本发明的保护范围之内,因此不再赘述。
上文中结合图1和图2,详细描述了本发明实施例所提供的数字信号处理方法,下面将结合图3和图4,描述本发明实施例所提供的数字信号处理装置。
请参考图3,图3为本发明实施例提供的一种数字信号处理装置的框图,该装置30包括:
获取模块301,用于获取数字信号,所述数字信号包括多个比特位;
屏蔽模块302,用于对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列;
确定模块303,用于从所述至少一个比特屏蔽序列中确定目标比特序列。
可选地,请参考图4,图4为本发明实施例提供的另一种数字信号处理装置的框图,在图3的基础上,该装置30还包括:
处理模块304,用于利用深度学习处理算法对所述目标比特序列进行处理
可选地,所述确定模块303,用于:
利用深度学习处理算法对所述待测试比特屏蔽序列进行处理,得到所述深度学习处理算法的性能指标,所述待测试比特屏蔽序列为多个所述比特屏蔽序列中的任意一个;
当所述性能指标满足指标要求时,将所述待测试比特屏蔽序列确定为所述目标比特序列;
当所述性能指标不满足所述指标要求时,循环执行测试过程,直至所述性能指标满足所述指标要求;
所述测试过程包括:利用多个所述比特屏蔽序列中不同于所述待测试比特屏蔽序列的其他比特屏蔽序列来更新所述待测试比特屏蔽序列,得到更新后的待测试比特屏蔽序列,所述更新后的待测试比特屏蔽序列与更新前的待测试比特屏蔽序列不同,利用所述深度学习处理算法对所述更新后的待测试比特屏蔽序列进行处理,得到所述性能指标;
将所述测试过程结束时的所述更新后的待测试比特屏蔽序列确定为所述目标比特序列。
可选地,所述确定模块303,用于:
利用深度学习处理算法对多个比特屏蔽序列分别进行处理,得到所述多个比特屏蔽序列分别对应的所述深度学习处理算法的性能指标;
从所述多个比特屏蔽序列分别对应的所述性能指标中确定目标性能指标;
将所述目标性能指标对应的比特屏蔽序列确定为所述目标比特序列。
可选地,所述多个比特位包括M个比特位,M>1,所述屏蔽模块302,用于:
基于所述M个比特位确定多个比特位组,所述比特位组包括所述M个比特位中的部分比特位,任意两个所述比特位组包括的比特位数量不同;
对于所述多个比特位组中的每个比特位组,执行赋值过程,得到所述至少一个比特屏蔽序列;
所述赋值过程包括:将所述比特位组中的各个比特位组合置0或1,得到所述比特屏蔽序列。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的数字信号处理装置的具体工作过程,可以参考前述方法实施例中的对应过程,本发明实施例在此不再赘述。
本发明实施例提供了一种数字信号处理装置,包括:处理器;用于存储处理器的可执行指令的存储器;其中,处理器被配置为执行存储器中存储的指令以实现本发明实施例任一所述的数字信号处理方法。
示例地,请参考图5,图5为本发明实施例提供的一种数字信号处理装置的结构示意图,如图5所示,该数字信号处理装置40包括:存储器401和处理器402。其中,存储器401用于存储程序,处理器402用于执行存储器401中存储的程序,以实现本申请实施例提供任一所述的数字信号处理方法。
可选地,如图5所示,该数字信号处理装置40还可以包括至少一个通信接口403和至少一个通信总线404。存储器401、处理器402以及通信接口403通过通信总线404通信连接。
本发明实施例提供了一种计算机存储介质,该存储介质中存储有指令,当指令在处理组件上运行时,使得处理组件执行本发明实施例任一所述的数字信号处理方法。
上述实施例可以通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以以计算机程序产品的形式实现,所述计算机程序产品包括若干计算机指令,以使计算机执行本发明实施例任一所述的方法。
其中,该计算机可以包括通用计算机或计算机网络。计算机通过其存储介质存储计算机指令,或者从其他存储介质获取计算机指令。该存储介质可以是计算机能够存取的任何可用介质或者包含一个或多个可用介质集成的服务器以及数据中心等数据存储装置。该可用介质可以为磁性介质(例如,软盘、硬盘、磁带)、光介质或者半导体介质(例如固态硬盘)等。
本发明实施例中,“第一”和“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。“至少一个”表示一个或多个,“多个”表示两个或两个以上,“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。除非另有明确的限定。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种数字信号处理方法,其特征在于,所述方法包括:
获取数字信号,所述数字信号包括多个比特位;
对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列;
从所述至少一个比特屏蔽序列中确定目标比特序列。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用深度学习处理算法对所述目标比特序列进行处理。
3.根据权利要求1或2所述的方法,其特征在于,所述比特屏蔽序列的数量为多个,所述从所述至少一个比特屏蔽序列中确定目标比特序列,包括:
利用深度学习处理算法对所述待测试比特屏蔽序列进行处理,得到所述深度学习处理算法的性能指标,所述待测试比特屏蔽序列为多个所述比特屏蔽序列中的任意一个;
当所述性能指标满足指标要求时,将所述待测试比特屏蔽序列确定为所述目标比特序列;
当所述性能指标不满足所述指标要求时,循环执行测试过程,直至所述性能指标满足所述指标要求;
所述测试过程包括:利用多个所述比特屏蔽序列中不同于所述待测试比特屏蔽序列的其他比特屏蔽序列来更新所述待测试比特屏蔽序列,得到更新后的待测试比特屏蔽序列,所述更新后的待测试比特屏蔽序列与更新前的待测试比特屏蔽序列不同,利用所述深度学习处理算法对所述更新后的待测试比特屏蔽序列进行处理,得到所述性能指标;
将所述测试过程结束时的所述更新后的待测试比特屏蔽序列确定为所述目标比特序列。
4.根据权利要求1或2所述的方法,其特征在于,所述比特屏蔽序列的数量为多个,所述从所述至少一个比特屏蔽序列中确定目标比特序列,包括:
利用深度学习处理算法对多个比特屏蔽序列分别进行处理,得到所述多个比特屏蔽序列分别对应的所述深度学习处理算法的性能指标;
从所述多个比特屏蔽序列分别对应的所述性能指标中确定目标性能指标;
将所述目标性能指标对应的比特屏蔽序列确定为所述目标比特序列。
5.根据权利要求3或4所述的方法,其特征在于,所述多个比特位包括M个比特位,M>1,所述对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列,包括:
基于所述M个比特位确定多个比特位组,所述比特位组包括所述M个比特位中的部分比特位,任意两个所述比特位组包括的比特位数量不同;
对于所述多个比特位组中的每个比特位组,执行赋值过程,得到所述至少一个比特屏蔽序列;
所述赋值过程包括:将所述比特位组中的各个比特位组合置0或1,得到所述比特屏蔽序列。
6.一种数字信号处理装置,其特征在于,所述装置包括:
获取模块,用于获取数字信号,所述数字信号包括多个比特位;
屏蔽模块,用于对所述多个比特位进行屏蔽操作,得到至少一个比特屏蔽序列;
确定模块,用于从所述至少一个比特屏蔽序列中确定目标比特序列。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,用于:
利用深度学习处理算法对所述待测试比特屏蔽序列进行处理,得到所述深度学习处理算法的性能指标,所述待测试比特屏蔽序列为多个所述比特屏蔽序列中的任意一个;
当所述性能指标满足指标要求时,将所述待测试比特屏蔽序列确定为所述目标比特序列;
当所述性能指标不满足所述指标要求时,循环执行测试过程,直至所述性能指标满足所述指标要求;
所述测试过程包括:利用多个所述比特屏蔽序列中不同于所述待测试比特屏蔽序列的其他比特屏蔽序列来更新所述待测试比特屏蔽序列,得到更新后的待测试比特屏蔽序列,所述更新后的待测试比特屏蔽序列与更新前的待测试比特屏蔽序列不同,利用所述深度学习处理算法对所述更新后的待测试比特屏蔽序列进行处理,得到所述性能指标;
将所述测试过程结束时的所述更新后的待测试比特屏蔽序列确定为所述目标比特序列。
8.根据权利要求6所述的装置,其特征在于,所述确定模块,用于:
利用深度学习处理算法对多个比特屏蔽序列分别进行处理,得到所述多个比特屏蔽序列分别对应的所述深度学习处理算法的性能指标;
从所述多个比特屏蔽序列分别对应的所述性能指标中确定目标性能指标;
将所述目标性能指标对应的比特屏蔽序列确定为所述目标比特序列。
9.一种数字信号处理装置,其特征在于,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为执行所述存储器中存储的指令以实现权利要求1至5任一项所述的数字信号处理方法。
10.一种计算机存储介质,其特征在于,所述存储介质中存储有指令,当所述指令在处理组件上运行时,使得所述处理组件执行如权利要求1至5任一项所述的数字信号处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654403.4A CN114330749A (zh) | 2021-12-30 | 2021-12-30 | 数字信号处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654403.4A CN114330749A (zh) | 2021-12-30 | 2021-12-30 | 数字信号处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330749A true CN114330749A (zh) | 2022-04-12 |
Family
ID=81019571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111654403.4A Pending CN114330749A (zh) | 2021-12-30 | 2021-12-30 | 数字信号处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330749A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325590A (zh) * | 2018-09-14 | 2019-02-12 | 中国科学院计算技术研究所 | 用于实现计算精度可变的神经网络处理器的装置 |
CN112488070A (zh) * | 2020-12-21 | 2021-03-12 | 上海交通大学 | 一种面向遥感图像目标检测的神经网络压缩方法 |
CN112926570A (zh) * | 2021-03-26 | 2021-06-08 | 上海交通大学 | 一种自适应比特网络量化方法、系统及图像处理方法 |
CN113590890A (zh) * | 2021-08-04 | 2021-11-02 | 拉卡拉支付股份有限公司 | 信息存储方法、装置、电子设备、存储介质及程序产品 |
CN113691792A (zh) * | 2021-08-03 | 2021-11-23 | 上海交通大学 | 基于3d卷积的视频比特位深扩展方法、装置及介质 |
-
2021
- 2021-12-30 CN CN202111654403.4A patent/CN114330749A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325590A (zh) * | 2018-09-14 | 2019-02-12 | 中国科学院计算技术研究所 | 用于实现计算精度可变的神经网络处理器的装置 |
CN112488070A (zh) * | 2020-12-21 | 2021-03-12 | 上海交通大学 | 一种面向遥感图像目标检测的神经网络压缩方法 |
CN112926570A (zh) * | 2021-03-26 | 2021-06-08 | 上海交通大学 | 一种自适应比特网络量化方法、系统及图像处理方法 |
CN113691792A (zh) * | 2021-08-03 | 2021-11-23 | 上海交通大学 | 基于3d卷积的视频比特位深扩展方法、装置及介质 |
CN113590890A (zh) * | 2021-08-04 | 2021-11-02 | 拉卡拉支付股份有限公司 | 信息存储方法、装置、电子设备、存储介质及程序产品 |
Non-Patent Citations (1)
Title |
---|
王宇: "基于划分的聚类及在图像分割中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 11, 15 November 2011 (2011-11-15), pages 27 - 30 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447154B (zh) | 图片相似度检测方法、装置、介质及电子设备 | |
CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN108898086A (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN113052868B (zh) | 一种抠图模型训练、图像抠图的方法及装置 | |
CN112836692B (zh) | 用于处理图像的方法、装置、设备和介质 | |
CN111368587B (zh) | 场景检测方法、装置、终端设备及计算机可读存储介质 | |
CN110533117B (zh) | 图像比对方法、装置、设备和存储介质 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
KR20180109658A (ko) | 영상 처리 방법과 장치 | |
CN111179276B (zh) | 一种图像处理方法和装置 | |
CN112312001A (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
CN116433692A (zh) | 一种医学图像分割方法、装置、设备和存储介质 | |
CN115022675B (zh) | 一种视频播放检测的方法和系统 | |
CN110852385A (zh) | 图像处理方法、装置、设备和存储介质 | |
CN110738625B (zh) | 图像重采样方法、装置、终端及计算机可读存储介质 | |
CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN114330749A (zh) | 数字信号处理方法及装置 | |
CN115205163B (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
CN116703775A (zh) | 伪色抑制方法及装置、终端设备、存储介质 | |
US20210365675A1 (en) | Method, apparatus and device for identifying body representation information in image, and computer readable storage medium | |
CN115471672A (zh) | 图像处理方法、电子设备、存储介质及程序产品 | |
CN112926646B (zh) | 数据批量标准化方法、计算设备和计算机可读存储介质 | |
CN114842066A (zh) | 图像深度识别模型训练方法、图像深度识别方法及装置 | |
CN114745537A (zh) | 音画延迟测试方法、装置、电子设备和存储介质 | |
CN107480616B (zh) | 一种基于图像分析的肤色检测单位分析方法和系统 |
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 |