CN114998996A - 具有运动属性信息的信号处理方法、装置、设备及存储 - Google Patents
具有运动属性信息的信号处理方法、装置、设备及存储 Download PDFInfo
- Publication number
- CN114998996A CN114998996A CN202210673978.9A CN202210673978A CN114998996A CN 114998996 A CN114998996 A CN 114998996A CN 202210673978 A CN202210673978 A CN 202210673978A CN 114998996 A CN114998996 A CN 114998996A
- Authority
- CN
- China
- Prior art keywords
- pulse
- signal
- input signal
- motion
- real part
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 210000002569 neuron Anatomy 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 239000012528 membrane Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 210000003050 axon Anatomy 0.000 description 5
- 238000012421 spiking Methods 0.000 description 5
- 210000005056 cell body Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000001787 dendrite Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种具有运动属性信息的信号处理方法、装置、设备及存储介质,涉及人工智能、类脑计算技术领域。该方法包括,获取输入信号,其中,所述输入信号具有如下运动属性信息:运动大小和运动方向;将所述输入信号的运动大小映射到脉冲信号的输出频率,将所述输入信号的运动方向映射为脉冲信号的方位角,得到所述输入信号对应的方向脉冲信号;将所述输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果。本公开将输入信号的运动大小和运动方向信息进行编码,使得单个神经元的脉冲能够表达运动大小或运动方向信息,减少脉冲神经网络需要处理的神经元数量,提高脉冲神经网络运行效率。
Description
技术领域
本公开涉及人工智能、类脑计算技术领域,尤其涉及一种具有运动属性信息的信号处理方法、装置、设备及存储介质。
背景技术
脉冲神经网络(Spiking Neural Network,SNN),被誉为第三代人工神经网络,由生物大脑中的脉冲信号处理方式启发而构建。脉冲神经网络中神经元的输出为0脉冲和1脉冲,由于单个神经元难以表达运动大小或运动方向信息,所以其信息表达能力较为有限。
在现有技术中,为了表达运动大小或运动方向信息,需要借助多个神经元(多通道)的脉冲组合来共同表达运动大小或运动方向信息,导致脉冲神经网络需要处理的神经元数量变多,影响脉冲神经网络运行效率。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种具有运动属性信息的信号处理的方法、装置、电子设备及存储介质,至少在一定程度上克服相关技术中无法用单个神经元表达运动大小或运动方向信息的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种具有运动属性信息的信号处理方法、装置、设备及存储介质,包括:获取输入信号,其中,所述输入信号具有如下运动属性信息:运动大小和运动方向;将所述输入信号的运动大小映射到脉冲信号的输出频率,将所述输入信号的运动方向映射为脉冲信号的方位角,得到所述输入信号对应的方向脉冲信号;将所述输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果,其中,所述脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
在本公开的一个实施例中,将所述输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果,包括:将所述输入信号对应的方向脉冲信号输入脉冲神经网络;根据方向脉冲信号的方位角,输出所述输入信号的信号处理结果。
在本公开的一个实施例中,根据方向脉冲信号的方位角,输出所述输入信号的信号处理结果,包括:当方向脉冲信号的方位角上的膜电压大于预设阈值时,输出对应方位角的脉冲,其中,对应方位角的脉冲为所述输入信号的信号处理结果。
在本公开的一个实施例中,根据方向脉冲信号的方位角,输出所述输入信号的信号处理结果,包括:将所述方向脉冲信号分解为第一实部和第一虚部;将所述第一实部和所述第一虚部与所述脉冲神经网络中神经元的第二实部和第二虚部分别叠加,得到第三实部与第三虚部;输出第三实部对的脉冲和第三虚部对应的脉冲,其中,第三实部对的脉冲和第三虚部对应的脉冲为所述输入信号的信号处理结果。
在本公开的一个实施例中,在输出第三实部对的脉冲和第三虚部对应的脉冲之前,所述方法还包括:判断第三实部和第三虚部是否符合输出条件;若符合,输出输出第三实部对的脉冲和第三虚部对应的脉冲。
在本公开的一个实施例中,判断第三实部和第三虚部是否符合输出条件,包括:判断第三实部是否大于第一预设阈值,第三虚部是否大于第二预设阈值若满足;若所述第三实部大于第一预设阈值,则确定第三实部符合输出条件;若所述第三虚部大于第二预设阈值,则确定第三虚部符合输出条件;若所述第三实部大于第一预设阈值且所述第三虚部大于第二预设阈值,则确定第三实部和第三虚部均符合输出条件。
在本公开的一个实施例中,判断第三实部和第三虚部是否符合输出条件,包括:将第三实部和第三虚部通过极坐标表示的方法转化为幅度信息;若所述幅度信息大于第三预设阈值,则确定第三实部和第三虚部均符合输出条件。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的具有运动属性信息的信号处理方法。
根据本公开的又一个方面,提供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的具有运动属性信息的信号处理方法。
本公开的实施例所提供的具有运动属性信息的信号处理方法、装置、设备及存储介质,利用输入信号的运动大小和运动方向信息,将输入信号的运动大小映射到脉冲信号的输出频率,将输入信号的运动方向映射为脉冲信号的方位角,得到输入信号对应的方向脉冲信号,再将输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果。本公开实施例中,由于保留了输入信号的运动大小和运动方向信息,能够借助单个神经元的脉冲来表达运动大小或运动方向信息,减少脉冲神经网络需要处理的神经元数量,提高脉冲神经网络运行效率。
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和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例中一种具有运动属性信息的信号处理方法流程图;
图2示出本公开实施例中又一种具有运动属性信息的信号处理方法流程图;
图3示出本公开实施例中另外一种具有运动属性信息的信号处理方法流程图;
图4示出本公开实施例中再一种具有运动属性信息的信号处理方法流程图;
图5示出本公开实施例中又一种具有运动属性信息的信号处理方法流程图;
图6示出本公开实施例中另外一种具有运动属性信息的信号处理方法流程图;
图7a示出本公开实施例中一种数据分流方法应用于事件相机信号分类示意图;
图7b示出本公开实施例中一种数据分流方法应用于带运动向量的视频图像处理的示意图;
图8示出本公开实施例中一种具有运动属性信息的信号处理装置示意图;
图9示出本公开实施例中一种电子设备的结构框图;
图10示出本公开实施例中一种存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种具有运动属性信息的信号处理方法,该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种具有运动属性信息的信号处理方法流程图,如图1所示,本公开实施例中提供的具有运动属性信息的信号处理方法包括如下步骤:
S102,获取输入信号,其中,输入信号具有如下运动属性信息:运动大小和运动方向。
需要说明的是,上述输入信号可以是图像信号、视频信号以及其它传感器输出的静态信号或时序信号。上述运动大小可以是运动向量的长度。上述运动方向可以是运动向量的方向。
S104,将输入信号的运动大小映射到脉冲信号的输出频率,将输入信号的运动方向映射为脉冲信号的方位角,得到输入信号对应的方向脉冲信号。
需要说明的是,上述脉冲信号可以是数字信号,数字信号指自变量是离散的、因变量也是离散的信号,在计算机中(神经网络脉冲),数字信号的大小常用有限位的二进制数表示。上述方向脉冲信号可以是一个向量,具有方向性,上述方向脉冲信号可以用一个二维向量或复数表达。上述映射是指指两个元素的集之间元素相互“对应”的关系,等同于函数。上述方位角可以是从某点的指北方向线起依顺时针方向至目标方向线间的水平夹角,用“度”和“密位”表示,是在平面上量度物体之间的角度差的方法之一。
例如,上述方向脉冲信号可以通过如下公式进行计算:
δθ(t-tm)=δ(t-tm)*eiθ; (1)
eiθ=cosθ+i*sinθ; (3)
i*i=-1; (4)
其中,i是虚数单位,eiθ表示幅值为1且幅角为θ的单位复数,t表示时间,δ(t)是单位冲激函数,θ表示方位角弧度(可以取任意值),δθ(t)表示具有方位角弧度为θ的单位冲激函数,tm表示具体时刻,δθ(t-tm)表示方位角为θ且在tm时刻发射脉冲的单位冲激函数,δ(t-tm)表示在tm时刻发射脉冲的单位冲激函数。
在一个具体的实例中,把时间t作为离散值,则δ(t)可以简化为如下计算公式:
δ(0)=1,δ(t)=0(t≠0)。 (5)
S106,将输入信号对应的方向脉冲信号输入脉冲神经网络,输出输入信号的信号处理结果,其中,脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
需要说明的是,上述神经元可以是神经元细胞,是神经系统最基本的结构和功能单位,神经元的典型结构主要包括树突(dendrite)、胞体(soma)以及轴突(axon)三个部分,其中,树突的功能是收集来自其他神经元的输入信号并将其传递给胞体,胞体起到中央处理器的作用,当接受的传入电流积累导致神经元膜电位超过一定阈值时产生神经脉冲(即动作电位),脉冲沿轴突无衰减地传播并通过位于轴突末端的突触(synapse)结构将信号传递给下一个神经元。上述脉冲神经网络可以是由神经元组成的神经网络。可选地,本公开实施例中的脉冲神经网络可以是Hodgkin-Huxley模型、Leaky Integrate-And-Fire模型、Izhikevich模型、脉冲响应模型(Spike Response Model,SRM)等任意一种脉冲神经网络。
例如,在Leaky Integrate-And-Fire神经元模型中,当膜电位达到阈值时,神经元将激发脉冲,而膜电位回落至静息值。
在具体实施时,由于将输入信号的运动大小和运动方向信息进行编码,使得单个神经元的脉冲能够表达运动大小或运动方向信息,减少脉冲神经网络需要处理的神经元数量,提高脉冲神经网络运行效率。
在本公开的一个实施例中,将输入信号对应的方向脉冲信号输入脉冲神经网络,输出输入信号的信号处理结果,包括:将输入信号对应的方向脉冲信号输入脉冲神经网络;根据方向脉冲信号的方位角,输出输入信号的信号处理结果。
在具体实施时,使用脉冲神经元构成的神经网络处理具有运动属性的动态信号比如视频图像,压感信息,动态视觉信号,光流信号等,可以达到网络规模更小,处理速度更快等效果。
在本公开的一个实施例中,如图2所示,本公开实施例中提供的脉冲信号处理方法可以通过如下步骤输出输入信号的信号处理结果,使得信号处理结果带有方位角信息:
S202,当方向脉冲信号的方位角上的膜电压大于预设阈值时,输出对应方位角的脉冲,其中,对应方位角的脉冲为输入信号的信号处理结果。
例如,有4个方位角θ0,θ1,θ2,θ3,那么神经元在收到方向脉冲后,将根据其方位角累加到对应方位角的模电压上。内部状态此时是一个4维的向量(u0,u1,u2,u3)分别对应方位角θ0,θ1,θ2,θ3上的膜电压。当每个方位角上的膜电压超过预设阈值时,发射一个对应方位角的脉冲。
在具体实施时,针对方向脉冲信号,当膜电压大于预设阈值时激发脉冲,增加了对方向信息的表达,无需多神经元的群体编码来表达,提高了脉冲神经网络的处理效率。
在本公开的另一个实施例中,如图3所示,本公开实施例中提供的脉冲信号处理方法可以通过如下步骤输出输入信号的信号处理结果,使得信号处理结果带有方位角信息:
S302,将方向脉冲信号分解为第一实部和第一虚部;
S304,将第一实部和第一虚部与脉冲神经网络中神经元的第二实部和第二虚部分别叠加,得到第三实部与第三虚部;
S306,输出第三实部对的脉冲和第三虚部对应的脉冲,其中,第三实部对的脉冲和第三虚部对应的脉冲为输入信号的信号处理结果。
例如,按复数方式进行脉冲叠加,将方向脉冲信号分解为实部(相当于第一实部)和虚部(相当于第一虚部),第一实部和第一虚部分别与神经元内部的实部(相当于第二实部)和虚部(相当于第二虚部)叠加,得到第三实部与第三虚部,将第三实部与第三虚部进行发放脉冲处理得到输入信号的信号处理结果。
在具体实施时,将方向脉冲信号分解为第一实部和第一虚部,与脉冲神经网络中神经元的第二实部和第二虚部分别叠加进行方向信息的表达,增加了对方向信息的表达,无需多神经元的群体编码来表达,提高了脉冲神经网络的处理效率。
在本公开的另一个实施例中,如图4所示,本公开实施例中提供的脉冲信号处理方法可以通过如下步骤判断是否需要输出脉冲:
S402,判断第三实部和第三虚部是否符合输出条件;
S404,若符合,输出输出第三实部对的脉冲和第三虚部对应的脉冲。
在本公开的另一个实施例中,如图5所示,本公开实施例中提供的脉冲信号处理方法可以通过如下步骤判断第三实部和第三虚部是否符合输出条件:
S502,判断第三实部是否大于第一预设阈值,第三虚部是否大于第二预设阈值若满足;
S504,若第三实部大于第一预设阈值,则确定第三实部符合输出条件;
S506,若第三虚部大于第二预设阈值,则确定第三虚部符合输出条件;
S508,若第三实部大于第一预设阈值且第三虚部大于第二预设阈值,则确定第三实部和第三虚部均符合输出条件。
例如,第三实部对比第一预设阈值、第三虚部对比第二预设阈值,当满足条件第三实部大于第一预设阈值,发放实部脉冲(对应方位角为0);当满足条件第三虚部大于第二预设阈值,发放虚部脉冲(对应方位角为π/2);当同时满足时(相当于上述第三实部大于第一预设阈值且第三虚部大于第二预设阈值),同时发放实部脉冲与虚部脉冲。
在具体实施时,当膜电压大于预设阈值时激发脉冲,增加了对方向信息的表达,无需多神经元的群体编码来表达,提高了脉冲神经网络的处理效率。
在本公开的另一个实施例中,如图6所示,本公开实施例中提供的脉冲信号处理方法可以通过如下步骤判断第三实部和第三虚部是否符合输出条件:
S602,将第三实部和第三虚部通过极坐标表示的方法转化为幅度信息;
S604,若幅度信息大于第三预设阈值,则确定第三实部和第三虚部均符合输出条件。
例如,将实部和虚部整合为方位幅度,该方位幅度超过阈值,则发射对应方位的脉冲。
在一个具体的实例中,为了避免出现无限多方位,需要将方位角定为预先设定的方位角集合中的一个(按照方位角距离就近原则),对应动力学通过如下公式进行计算:
其中,τ表示膜时间常数,k表示脉冲下标索引(编号),设总脉冲数目为k,则k取值为0,1,2,…,L-1,L表示前一层神经元的数目,表示静息电位,vth表示阈值电压,表示膜电压,表示外界输入相关的电压,wk表示第k个(输入)脉冲对应的加权系数,t表示膜电压达到vth的时刻。
在具体实施时,当方位幅度超过阈值时激发脉冲,增加了对方向信息的表达,无需多神经元的群体编码来表达,提高了脉冲神经网络的处理效率。
基于同一发明构思,本公开实施例中还提供了一种具有运动属性信息的信号处理装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图7a示出本公开实施例中一种数据分流方法应用于事件相机信号分类示意图。
事件相机采集的信号与普通相机比较,其产生的事件:时间t,在像素屏幕位置x,y发生事件p(0为亮度下降,1为亮度提升)。
本公开中,事件的两个状态可以编码为脉冲的两个方向0和π,从而单通道即可处理,可以减少神经元数量,减少功耗。w1,i表示在第i层神经元中第1个(输入)脉冲对应的加权系数、w2,i表示在第i层神经元中第2个(输入)脉冲对应的加权系数、wn,i表示在第i层神经元中第n个(输入)脉冲对应的加权系数、si,t表示在第i层神经元所有(输入)脉冲在t时刻输出的发射脉冲。
图7b示出本公开实施例中一种数据分流方法应用于带运动向量的视频图像处理的示意图。
在视频编码处理中,会对编码块进行划分并预测运动。如图7b所示,将每个编码块的运动方向(运动大小使用频率编码方法,映射到发射频率,方向使用方位角表示)构成矩阵作为输入,使用方向脉冲神经网络(相当于上述脉冲神经网络)进行处理,可以进行对象检测,分割等。每个脉冲具有多个运动方向。w1,i表示在第i层神经元中第1个(输入)脉冲对应的加权系数、w2,i表示在第i层神经元中第2个(输入)脉冲对应的加权系数、wn,i表示在第i层神经元中第n个(输入)脉冲对应的加权系数、si,t表示在第i层神经元所有(输入)脉冲在t时刻输出的发射脉冲。
本实施例中,为了减少数据量,将运动方向进行量化表示,比如量化为4bit,共16个方位角度:
{0,±π/8,±2π/8,±3π/8,±4π/8,±5π/8,±6π/8,±7π/8,π}。
在本公开的实施例中,脉冲神经网络的具体形态,此处不做限制。
图8示出本公开实施例中一种具有运动属性信息的信号处理装置示意图,如图8所示,该装置包括:信号获取模块801,方向脉冲信号编码模块802,脉冲神经网络处理模块803和判断模块804。
其中,信号获取模块801,用于获取输入信号,其中,输入信号具有如下运动属性信息:运动大小和运动方向;方向脉冲信号编码模块802,用于将输入信号的运动大小映射到脉冲信号的输出频率,将输入信号的运动方向映射为脉冲信号的方位角,得到输入信号对应的方向脉冲信号;脉冲神经网络处理模块803,用于将输入信号对应的方向脉冲信号输入脉冲神经网络,输出输入信号的信号处理结果,其中,脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
在本公开的一个实施例中,上述脉冲神经网络处理模块803还用于:将输入信号对应的方向脉冲信号输入脉冲神经网络;根据方向脉冲信号的方位角,输出输入信号的信号处理结果。
在本公开的一个实施例中,上述脉冲神经网络处理模块803还用于:当方向脉冲信号的方位角上的膜电压大于预设阈值时,输出对应方位角的脉冲,其中,对应方位角的脉冲为输入信号的信号处理结果。
在本公开的一个实施例中,上述脉冲神经网络处理模块803还用于:将方向脉冲信号分解为第一实部和第一虚部;将第一实部和第一虚部与脉冲神经网络中神经元的第二实部和第二虚部分别叠加,得到第三实部与第三虚部;输出第三实部对的脉冲和第三虚部对应的脉冲,其中,第三实部对的脉冲和第三虚部对应的脉冲为输入信号的信号处理结果。
在本公开的一个实施例中,上述具有运动属性信息的信号处理装置还包括判断模块804:用于判断第三实部和第三虚部是否符合输出条件;若符合,输出第三实部对的脉冲和第三虚部对应的脉冲。
在本公开的一个实施例中,上述判断模块还用于:判断第三实部是否大于第一预设阈值,第三虚部是否大于第二预设阈值若满足;若第三实部大于第一预设阈值,则确定第三实部符合输出条件;若第三虚部大于第二预设阈值,则确定第三虚部符合输出条件;若第三实部大于第一预设阈值且第三虚部大于第二预设阈值,则确定第三实部和第三虚部均符合输出条件。
在本公开的一个实施例中,上述判断模块还用于:将第三实部和第三虚部通过极坐标表示的方法转化为幅度信息,若幅度信息大于第三预设阈值,则确定第三实部和第三虚部均符合输出条件。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如,所述处理单元910可以执行上述方法实施例的如下步骤:获取输入信号,其中,输入信号具有如下运动属性信息:运动大小和运动方向;将输入信号的运动大小映射到脉冲信号的输出频率,将输入信号的运动方向映射为脉冲信号的方位角,得到输入信号对应的方向脉冲信号;将输入信号对应的方向脉冲信号输入脉冲神经网络,输出输入信号的信号处理结果,其中,脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
在一个实施例中,所述处理单元910可以执行上述方法实施例的如下步骤:将输入信号对应的方向脉冲信号输入脉冲神经网络;根据方向脉冲信号的方位角,输出输入信号的信号处理结果。
在一个实施例中,所述处理单元910可以执行上述方法实施例的如下步骤:当方向脉冲信号的方位角上的膜电压大于预设阈值时,输出对应方位角的脉冲,其中,对应方位角的脉冲为输入信号的信号处理结果。
在一个实施例中,所述处理单元910可以执行上述方法实施例的如下步骤:将方向脉冲信号分解为第一实部和第一虚部;将第一实部和第一虚部与脉冲神经网络中神经元的第二实部和第二虚部分别叠加,得到第三实部与第三虚部;输出第三实部对的脉冲和第三虚部对应的脉冲,其中,第三实部对的脉冲和第三虚部对应的脉冲为输入信号的信号处理结果。
在一个实施例中,所述处理单元910可以执行上述方法实施例的如下步骤:判断第三实部和第三虚部是否符合输出条件;若符合,输出输出第三实部对的脉冲和第三虚部对应的脉冲。
在一个实施例中,所述处理单元910可以执行上述方法实施例的如下步骤:判断第三实部是否大于第一预设阈值,第三虚部是否大于第二预设阈值若满足;若第三实部大于第一预设阈值,则确定第三实部符合输出条件;若第三虚部大于第二预设阈值,则确定第三虚部符合输出条件;若第三实部大于第一预设阈值且第三虚部大于第二预设阈值,则确定第三实部和第三虚部均符合输出条件。
在一个实施例中,所述处理单元910可以执行上述方法实施例的如下步骤:将第三实部和第三虚部通过极坐标表示的方法转化为幅度信息;若幅度信息大于第三预设阈值,则确定第三实部和第三虚部均符合输出条件。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。图10示出本公开实施例中一种计算机可读存储介质的示意图,如图10所示,该计算机可读存储介质1000上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如,本公开实施例中的程序产品被处理器执行时实现如下步骤的方法:获取输入信号,其中,输入信号具有如下运动属性信息:运动大小和运动方向;将输入信号的运动大小映射到脉冲信号的输出频率,将输入信号的运动方向映射为脉冲信号的方位角,得到输入信号对应的方向脉冲信号;将输入信号对应的方向脉冲信号输入脉冲神经网络,输出输入信号的信号处理结果,其中,脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
进一步的,在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:将输入信号对应的方向脉冲信号输入脉冲神经网络;根据方向脉冲信号的方位角,输出输入信号的信号处理结果。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:当方向脉冲信号的方位角上的膜电压大于预设阈值时,输出对应方位角的脉冲,其中,对应方位角的脉冲为输入信号的信号处理结果。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:将方向脉冲信号分解为第一实部和第一虚部;将第一实部和第一虚部与脉冲神经网络中神经元的第二实部和第二虚部分别叠加,得到第三实部与第三虚部;输出第三实部对的脉冲和第三虚部对应的脉冲,其中,第三实部对的脉冲和第三虚部对应的脉冲为输入信号的信号处理结果。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:判断第三实部和第三虚部是否符合输出条件;若符合,输出输出第三实部对的脉冲和第三虚部对应的脉冲。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:判断第三实部是否大于第一预设阈值,第三虚部是否大于第二预设阈值若满足;若第三实部大于第一预设阈值,则确定第三实部符合输出条件;若第三虚部大于第二预设阈值,则确定第三虚部符合输出条件;若第三实部大于第一预设阈值且第三虚部大于第二预设阈值,则确定第三实部和第三虚部均符合输出条件。
在一些实施例中,本公开实施例中的程序产品被处理器执行时还可实现如下步骤的方法:将第三实部和第三虚部通过极坐标表示的方法转化为幅度信息;若幅度信息大于第三预设阈值,则确定第三实部和第三虚部均符合输出条件。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种具有运动属性信息的信号处理方法,其特征在于,包括:
获取输入信号,其中,所述输入信号具有如下运动属性信息:运动大小和运动方向;
将所述输入信号的运动大小映射到脉冲信号的输出频率,将所述输入信号的运动方向映射为脉冲信号的方位角,得到所述输入信号对应的方向脉冲信号;
将所述输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果,其中,所述脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
2.根据权利要求1所述的具有运动属性信息的信号处理方法,其特征在于,将所述输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果,包括:
将所述输入信号对应的方向脉冲信号输入脉冲神经网络;
根据方向脉冲信号的方位角,输出所述输入信号的信号处理结果。
3.根据权利要求2所述的具有运动属性信息的信号处理方法,其特征在于,根据方向脉冲信号的方位角,输出所述输入信号的信号处理结果,包括:
当方向脉冲信号的方位角上的膜电压大于预设阈值时,输出对应方位角的脉冲,其中,对应方位角的脉冲为所述输入信号的信号处理结果。
4.根据权利要求2所述的具有运动属性信息的信号处理方法,其特征在于,根据方向脉冲信号的方位角,输出所述输入信号的信号处理结果,包括:
将所述方向脉冲信号分解为第一实部和第一虚部;
将所述第一实部和所述第一虚部与所述脉冲神经网络中神经元的第二实部和第二虚部分别叠加,得到第三实部与第三虚部;
输出第三实部对的脉冲和第三虚部对应的脉冲,其中,第三实部对的脉冲和第三虚部对应的脉冲为所述输入信号的信号处理结果。
5.根据权利要求4所述的具有运动属性信息的信号处理方法,其特征在于,在输出第三实部对的脉冲和第三虚部对应的脉冲之前,所述方法还包括:
判断第三实部和第三虚部是否符合输出条件;
若符合,输出输出第三实部对的脉冲和第三虚部对应的脉冲。
6.根据权利要求5所述的具有运动属性信息的信号处理方法,其特征在于,判断第三实部和第三虚部是否符合输出条件,包括:
判断第三实部是否大于第一预设阈值,第三虚部是否大于第二预设阈值若满足;
若所述第三实部大于第一预设阈值,则确定第三实部符合输出条件;
若所述第三虚部大于第二预设阈值,则确定第三虚部符合输出条件;
若所述第三实部大于第一预设阈值且所述第三虚部大于第二预设阈值,则确定第三实部和第三虚部均符合输出条件。
7.根据权利要求5所述的具有运动属性信息的信号处理方法,其特征在于,判断第三实部和第三虚部是否符合输出条件,包括:
将第三实部和第三虚部通过极坐标表示的方法转化为幅度信息;
若所述幅度信息大于第三预设阈值,则确定第三实部和第三虚部均符合输出条件。
8.一种具有运动属性信息的信号处理装置,其特征在于,包括:
信号获取模块,用于获取输入信号,其中,所述输入信号具有如下运动属性信息:运动大小和运动方向;
方向脉冲信号编码模块,用于将所述输入信号的运动大小映射到脉冲信号的输出频率,将所述输入信号的运动方向映射为脉冲信号的方位角,得到所述输入信号对应的方向脉冲信号;
脉冲神经网络处理模块,用于将所述输入信号对应的方向脉冲信号输入脉冲神经网络,输出所述输入信号的信号处理结果,其中,所述脉冲神经网络中包含多个神经元,各个神经元之间传递方向脉冲信号。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述的具有运动属性信息的信号处理方法。
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权利要求1~7中任意一项所述的具有运动属性信息的信号处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673978.9A CN114998996B (zh) | 2022-06-14 | 2022-06-14 | 具有运动属性信息的信号处理方法、装置、设备及存储 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673978.9A CN114998996B (zh) | 2022-06-14 | 2022-06-14 | 具有运动属性信息的信号处理方法、装置、设备及存储 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998996A true CN114998996A (zh) | 2022-09-02 |
CN114998996B CN114998996B (zh) | 2024-04-05 |
Family
ID=83034910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210673978.9A Active CN114998996B (zh) | 2022-06-14 | 2022-06-14 | 具有运动属性信息的信号处理方法、装置、设备及存储 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998996B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030535A (zh) * | 2023-03-24 | 2023-04-28 | 深圳时识科技有限公司 | 手势识别方法及装置、芯片和电子设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090073470A (ko) * | 2007-12-31 | 2009-07-03 | 포스데이타 주식회사 | 지문 분류 처리 장치 및 방법 |
KR101586364B1 (ko) * | 2014-09-05 | 2016-01-18 | 한양대학교 산학협력단 | 공간 음향 분할을 통한 동적 방향성 임펄스 응답을 생성하기 위한 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 |
CN105744434A (zh) * | 2016-02-25 | 2016-07-06 | 深圳市广懋创新科技有限公司 | 一种基于手势识别的智能音箱控制方法及系统 |
CN106407990A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 基于事件驱动的仿生目标识别系统 |
CN107645922A (zh) * | 2015-04-20 | 2018-01-30 | 瑞思迈传感器技术有限公司 | 用传感器进行手势识别 |
CN108932721A (zh) * | 2018-06-28 | 2018-12-04 | 上海电力学院 | 一种用于巡检机器人的红外图像分割与融合方法 |
CN108985447A (zh) * | 2018-06-15 | 2018-12-11 | 华中科技大学 | 一种硬件脉冲神经网络系统 |
RU2682661C1 (ru) * | 2018-06-05 | 2019-03-20 | Федеральное государственное унитарное предприятие "Ростовский-на-Дону научно-исследовательский институт радиосвязи" (ФГУП "РНИИРС") | Способ активной обзорной моноимпульсной радиолокации с инверсным синтезированием апертуры антенны |
WO2020244370A1 (zh) * | 2019-06-05 | 2020-12-10 | 北京灵汐科技有限公司 | 一种异构协同系统及其通信方法 |
CN113112521A (zh) * | 2021-03-09 | 2021-07-13 | 北京大学 | 一种基于脉冲阵列的运动检测方法 |
WO2021143066A1 (zh) * | 2020-01-19 | 2021-07-22 | 北京大学 | 一种目标识别方法、装置、系统及计算机可读存储介质 |
CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN114037047A (zh) * | 2021-10-09 | 2022-02-11 | 鹏城实验室 | 一种脉冲神经网络的训练方法 |
CN114067166A (zh) * | 2020-07-29 | 2022-02-18 | 罗伯特·博世有限公司 | 用于确定物理对象的物理特性的设备和方法 |
CN114139695A (zh) * | 2022-01-06 | 2022-03-04 | 国网浙江省电力有限公司电力科学研究院 | 脉冲神经网络加速方法及脉冲神经网络的事件驱动加速器 |
-
2022
- 2022-06-14 CN CN202210673978.9A patent/CN114998996B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090073470A (ko) * | 2007-12-31 | 2009-07-03 | 포스데이타 주식회사 | 지문 분류 처리 장치 및 방법 |
KR101586364B1 (ko) * | 2014-09-05 | 2016-01-18 | 한양대학교 산학협력단 | 공간 음향 분할을 통한 동적 방향성 임펄스 응답을 생성하기 위한 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 |
CN107645922A (zh) * | 2015-04-20 | 2018-01-30 | 瑞思迈传感器技术有限公司 | 用传感器进行手势识别 |
CN105744434A (zh) * | 2016-02-25 | 2016-07-06 | 深圳市广懋创新科技有限公司 | 一种基于手势识别的智能音箱控制方法及系统 |
CN106407990A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 基于事件驱动的仿生目标识别系统 |
RU2682661C1 (ru) * | 2018-06-05 | 2019-03-20 | Федеральное государственное унитарное предприятие "Ростовский-на-Дону научно-исследовательский институт радиосвязи" (ФГУП "РНИИРС") | Способ активной обзорной моноимпульсной радиолокации с инверсным синтезированием апертуры антенны |
CN108985447A (zh) * | 2018-06-15 | 2018-12-11 | 华中科技大学 | 一种硬件脉冲神经网络系统 |
CN108932721A (zh) * | 2018-06-28 | 2018-12-04 | 上海电力学院 | 一种用于巡检机器人的红外图像分割与融合方法 |
WO2020244370A1 (zh) * | 2019-06-05 | 2020-12-10 | 北京灵汐科技有限公司 | 一种异构协同系统及其通信方法 |
WO2021143066A1 (zh) * | 2020-01-19 | 2021-07-22 | 北京大学 | 一种目标识别方法、装置、系统及计算机可读存储介质 |
CN114067166A (zh) * | 2020-07-29 | 2022-02-18 | 罗伯特·博世有限公司 | 用于确定物理对象的物理特性的设备和方法 |
CN113112521A (zh) * | 2021-03-09 | 2021-07-13 | 北京大学 | 一种基于脉冲阵列的运动检测方法 |
CN113255905A (zh) * | 2021-07-16 | 2021-08-13 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN114037047A (zh) * | 2021-10-09 | 2022-02-11 | 鹏城实验室 | 一种脉冲神经网络的训练方法 |
CN114139695A (zh) * | 2022-01-06 | 2022-03-04 | 国网浙江省电力有限公司电力科学研究院 | 脉冲神经网络加速方法及脉冲神经网络的事件驱动加速器 |
Non-Patent Citations (2)
Title |
---|
YUAN LI 等: "GROUND MOVING TARGET INDICATION IN A SAR IMAGE BASED ON BACKGROUND COGNITION", 《IGARSS》, vol. 2014, pages 2019 - 2022, XP032558070, DOI: 10.1109/IGARSS.2013.6723206 * |
黄丽鸿 等: "模拟初级视皮层脉冲神经元的动作识别系统", 《自动化学报》, vol. 38, no. 12, pages 1975 - 1984 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030535A (zh) * | 2023-03-24 | 2023-04-28 | 深圳时识科技有限公司 | 手势识别方法及装置、芯片和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114998996B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255369B (zh) | 利用神经网络识别图片的方法及装置、介质和计算设备 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
WO2022012179A1 (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN112258512A (zh) | 点云分割方法、装置、设备和存储介质 | |
CN114998996B (zh) | 具有运动属性信息的信号处理方法、装置、设备及存储 | |
CN112149706A (zh) | 模型训练方法、装置、设备和介质 | |
CN111131658B (zh) | 图像隐写方法、装置、电子设备及介质 | |
CN115346278A (zh) | 图像检测方法、装置、可读介质及电子设备 | |
JP2023027778A (ja) | 障害物検知方法、装置、電子機器及び自動運転車両 | |
WO2022012178A1 (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
GB2623399A (en) | System, devices and/or processes for image anti-aliasing | |
CN112149141A (zh) | 模型训练方法、装置、设备和介质 | |
CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
CN115527163A (zh) | 目标检测模型优化方法、装置、电子设备及可读存储介质 | |
CN117437516A (zh) | 语义分割模型训练方法、装置、电子设备及存储介质 | |
GB2620919A (en) | System, devices and/or processes for temporal upsampling image frames | |
CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
CN115205089A (zh) | 图像加密方法、网络模型的训练方法、装置及电子设备 | |
CN114595474A (zh) | 联邦学习建模优化方法、电子设备、介质及程序产品 | |
CN111382854B (zh) | 一种卷积神经网络处理方法、装置、设备及存储介质 | |
CN113516252A (zh) | 联邦学习方法、装置、设备及存储介质 | |
CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
CN114359053B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN117252787B (zh) | 图像重新照明方法、模型训练方法、装置、设备及介质 | |
CN113159068B (zh) | 一种基于深度学习的rgb-d显著性目标检测方法 |
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 |