CN116368539A - 用于分区神经网络的具有省电和加密特征的媒体捕捉设备 - Google Patents
用于分区神经网络的具有省电和加密特征的媒体捕捉设备 Download PDFInfo
- Publication number
- CN116368539A CN116368539A CN202180072036.9A CN202180072036A CN116368539A CN 116368539 A CN116368539 A CN 116368539A CN 202180072036 A CN202180072036 A CN 202180072036A CN 116368539 A CN116368539 A CN 116368539A
- Authority
- CN
- China
- Prior art keywords
- capture device
- ann
- information capture
- computer
- layers
- 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
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3246—Power saving characterised by the action undertaken by software initiated power-off
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/606—Protecting data by securing the transmission between two devices or processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6209—Protecting access to data via a platform, e.g. using keys or access control rules to a single file or object, e.g. in a secure envelope, encrypted and accessed using a key, or with access control rules appended to the object itself
-
- 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
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Neurology (AREA)
- Storage Device Security (AREA)
- Power Sources (AREA)
- Multi Processors (AREA)
Abstract
一种用于使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密的方法,包括:由信息捕捉设备将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备。计算机服务器上的ANN和复制的ANN两者都包括M个层。所述方法进一步包括响应于要被处理的所捕捉的数据被输入,由所述信息捕捉设备通过使用所述复制的ANN执行前k个层来部分地处理所捕捉的数据,其中仅所述k个层被选择以在所述信息捕捉设备上执行。所述方法进一步包括通过所述信息捕捉设备将第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
Description
背景技术
本发明总体上涉及计算技术,并且更具体地涉及媒体捕捉设备和促进媒体捕捉设备节省电力和确保数据安全的神经网络。
现今,诸如电话、平板计算机、可穿戴设备等的若干设备捕捉和/或创建媒体对象,诸如数字图像、音频、视频等。随着对大量所捕捉和/或所提取的媒体进行分类的需求增加,学习模型已成为用于对所捕捉的媒体对象进行分类的习惯做法。学习模型(诸如例如人工神经网络(ANN)和/或卷积神经网络(CNN))用样本数据来训练,即,对媒体对象进行采样并且在对新的(先前未看见的)媒体对象进行分类的过程期间不断演进(学习)。
发明内容
本发明的一个或多个实施例包括一种计算机实现的方法,用于使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密。所述方法包括通过信息捕捉设备将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备,其中所述计算机服务器上的所述ANN和所述信息捕捉设备上的复制的ANN两者都包括M层。所述方法进一步包括响应于要被处理的所捕捉的数据被输入,由所述信息捕捉设备通过使用所述复制的ANN执行前k个层来部分地处理所捕捉的数据,其中仅所述k个层被选择以在所述信息捕捉设备上执行。所述方法进一步包括通过所述信息捕捉设备将所述第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
根据本发明的一个或多个实施例,一种系统包括存储器、以及耦合至该存储器的一个或多个处理器,其中,该一个或多个处理器执行一种用于使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密的方法。所述方法包括通过信息捕捉设备将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备,其中所述计算机服务器上的所述ANN和所述信息捕捉设备上的复制的ANN两者都包括M个层。所述方法进一步包括响应于要被处理的所捕捉的数据被输入,由所述信息捕捉设备通过使用所述复制的ANN执行前k个层来部分地处理所述所捕捉的数据,其中仅所述k个层被选择以在所述信息捕捉设备上执行。所述方法进一步包括通过所述信息捕捉设备将第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
根据本发明的一个或多个实施例,一种计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有随其体现的程序指令。程序指令可由一个或多个处理器执行以使一个或多个处理器执行包括用于使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密的操作的方法。所述方法包括通过信息捕捉设备将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备,其中所述计算机服务器上的所述ANN和所述信息捕捉设备上的复制的ANN两者都包括M个层。所述方法进一步包括响应于要被处理的所捕捉的数据被输入,由所述信息捕捉设备通过使用所述复制的ANN执行前k个层来部分地处理所捕捉的数据,其中仅所述k个层被选择以在所述信息捕捉设备上执行。所述方法进一步包括通过所述信息捕捉设备将第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
本发明的其他实施例在计算机系统和计算机程序产品中实现上述方法的特征。
通过本发明的技术实现了附加技术特征和优点。在本文中详细描述了本发明的实施例和方面,并且这些实施例和方面被认为是所要求保护的主题的一部分。为了更好的理解,参考详细说明和附图。
附图说明
在说明书结尾处的权利要求书中特别指出并明确要求保护本文所述的专利权的细节。从以下结合附图进行的详细描述中,本发明的实施例的前述和其他特征和优点将变得清楚,在附图中:
图1是根据本发明的一个或多个实施例的用于使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密的系统的框图;
图2是根据本发明的一个或多个实施例的用于使用分区神经网络在对由信息捕捉设备捕捉的媒体的进行分析期间节省电力和加密的系统的框图;
图3是根据本发明的一个或多个实施例的用于使用分区神经网络在对由信息捕捉设备捕捉的媒体的进行分析期间节省电力和加密的方法的流程图;
图4描绘了实现本发明的一个或多个实施例的计算机系统;
图5描绘了根据本发明的一个或多个实施例的云计算环境;以及
图6示出了根据本发明的一个或多个实施例的抽象模型层。
具体实施方式
本发明的实施例在使用经分区神经网络来处理一个或多个媒体对象(诸如图像、音频、视频等)时促进具有电力节省和加密特征的媒体捕捉设备。如今,大量数据(诸如图像、音频、视频等)由多个用户使用边缘设备(诸如电话、平板、计算机、可穿戴设备、行车记录仪、录音机、安全相机等)来创建。存在使用深度神经网络(DNN)架构来处理包括媒体的这样的大量数据的技术挑战。在此,“大量”可能需要数百万的图像、音频、视频,并且人工地处理和分类这种数据量即使不是不可能,也是不切实际的。因而,本发明的实施例提供了对由一个或多个信息捕捉设备捕捉的大量媒体进行分类的实际应用。另外,本发明的实施例通过促进信息捕捉设备节省电力和确保数据安全来改进信息捕捉设备的操作。另外,本发明的实施例通过提高信息捕捉设备在这样的媒体分类任务期间的计算效率来解决信息捕捉设备上的有限计算资源。
图1描述了根据本发明的一个或多个实施例的用于处理由一个或多个信息捕捉设备捕捉的信息的系统100的框图。信息捕捉设备102(例如,相机、电话、安全相机、平板计算机、录音机等)捕捉可存储在一个或多个数字化文件103中的作为模拟信号的信息。由信息捕捉设备102的信息感测阵列112感测到的模拟信号被模数(ADC)模块114数字化。信息捕捉设备102可进一步包括可对数字化数据执行一个或多个数字信号处理操作(例如,图像处理、音频处理、视频处理等)的处理器116。处理器116可将数字化数据保存为数字化文件103。数字化文件103可以使用一个或多个数字文件存储格式被保存为电子文件。例如,可以使用诸如便携式网络图形(PNG)、位图(BMP)等的图像文件格式来存储由信息感测阵列112捕捉的视觉信息。在由信息感测阵列112感测到音频数据的情况下,数字化音频可使用诸如波形音频文件格式(WAV)、自由无损音频编解码器(FLAC)等的文件格式存储。在捕捉到视频的情况下,可以使用诸如视频对象(VO B)、音频视频交织(AVI)、MPEG-14等的数字文件格式来存储数据。
在本发明的一个或多个实施例中,处理器116可以包括一个或多个处理单元,例如处理器核等。处理器116可以是微处理器、多处理器、数字信号处理器、图形编程单元、中央处理单元、和其他此类型的处理单元或其组合。处理器116可以包括存储器设备117或者与存储器设备117耦合。处理器116可以通过执行一个或多个计算机可执行指令来执行一个或多个操作。这样的指令可以存储在存储器设备117上。存储器设备117可以存储可由处理器116使用或输出的附加信息/数据。
从数字化文件103捕捉的数据通过通信网络104被传输到计算机服务器106用于进一步处理,诸如数字化文件103的分类。
通信网络104可以是使用一个或多个通信协议(诸如以太网等)的计算机网络,诸如互联网。在本发明的一个或多个实施例中,数字化文件103由用户101使用信息捕捉设备102来捕捉。
计算机服务器106可以是服务器群集或分布式服务器,其为信息捕捉设备102所捕捉的数字化文件103提供基于云的处理服务。在本发明的一个或多个实施例中,计算机服务器106包括人工神经网络(ANN)122。ANN122可以是卷积神经网络、前馈网络、递归神经网络、多层感知器或其组合。在本发明的一个或多个实施例中,ANN122可以是独立的硬件模块。可替代地或附加地,ANN122可以使用计算机服务器106的处理器127来实现。ANN122包括多个层,其中一个层的输出被后续层使用,直到最终输出123被生成。
在本发明的一个或多个实施例中,处理器126可以包括一个或多个处理单元,例如处理器核等。处理器126可为微处理器、多处理器、数字信号处理器、图形编程单元、中央处理单元和其他此类型的处理单元,或其组合。处理器126可包括存储器装置127或与存储器装置127耦合。处理器126可通过执行一个或多个计算机可执行指令来执行一个或多个操作。这些指令可存储在存储器装置127上。存储器设备127可以存储可由处理器126使用或输出的附加信息/数据。
在本发明的一个或多个实施例中,ANN122使用训练数据124来训练。训练数据124包括预定义媒体,例如图像、音频、视频等,其可以包括标签和其他提示,所述标签和其他提示可以训练ANN122以在推断阶段期间分析来自信息捕捉设备102的捕捉数据并且生成ANN输出123。ANN输出123可包括将数字化文件103分类成一个或多个类别、数字化文件103的对象检测结果和其他此类图像处理/计算机视觉和音频处理结果。
在常规系统中,在将数字化文件103发送到服务器106之前,对数字化文件103进行加密。如果加密被盗用(即,被黑客攻击),则可能暴露从数字化文件103捕捉的数据。
本发明的实施例通过分割ANN122并在信息捕捉设备102上创建ANN122的副本而将神经网络分析与加密集成。在一个或多个实施例中,首先通过ANN122的一个或多个层来处理所捕捉的数据,然后通过网络104将ANN122的输出发送到计算机服务器106,以用于与ANN122的其余层一起进行进一步处理。
可替代地,在其他实施例中,由信息捕捉设备102上的信息感测阵列112感测的模拟信号首先通过ANN122的一个或多个层来连接。ANN122的一个或多个层的输出通过网络104发送到计算机服务器106以用于与ANN122的其余层一起进行进一步处理。
在本发明的实施例中,还可以对ANN122的一个或多个中间层的权重和ANN122的中间层的输出进行加密。以此方式,所捕捉到的数据不通过网络104被传送,从而提高了所捕捉到的数据的安全性。本发明的实施例提供对系统100和系统100的组件(诸如信息捕捉设备102、计算机服务器106)的改进,以及对使用系统100和/或系统100的组件的一个或多个方法(例如)以安全方式分析由信息捕捉设备102捕捉的数字化文件103的改进。
图2是描绘根据本发明的一个或多个实施例的用于使用分区神经网络对所捕捉的数据进行电力节省和加密的系统100的一个或多个组件的改进的框图。该描绘示出了ANN122中的层202。ANN122可以包括M个层,其中M是任何整数。每个层使用来自除了层#1之外的先前层的输出。
ANN122使用训练数据124来训练。这样的训练包括学习(即,配置、建立)与AN N122的层202中的每一个相关联的一个或多个权重。使用一个或多个训练技术(诸如针对ANN122的受监督学习、无监督学习或任何其他学习技术)来自动学习权重。
信息捕捉设备102包括ANN副本204,ANN副本204是ANN122的副本。ANN副本204与ANN122相同,并且包括相同的M个层。进一步,为了使ANN副本204与AN N122相同,由ANN122学习的权重被传输到信息捕捉设备102上的ANN副本204。在本发明的一个或多个实施例中,通过计算机服务器106的加密单元230对权重进行加密。信息捕捉设备102的解密单元232对来自加密单元230的加密权重进行解密。在ANN副本204中配置由解密单元232输出的解密后的权重。
信息捕捉设备102还包括层选择器210,其选择要在信息捕捉设备上执行来自ANN副本204的M个层中的多少个层以便分析由信息捕捉设备102创建的数字化文件103。例如,层选择器210可以选择ANN副本204的前k个层(1≤k≤M)由信息捕捉设备102以数字化文件103作为输入来执行。在本发明的一个或多个实施例中,层选择器210基于信息捕捉设备102执行ANN副本204的层所消耗的电力来确定k的值。在其他实施例中,可以使用附加的或替代的参数来选择k的值。
来自ANN副本204的层#k的输出(以数字化文件103作为对副本ANN204的输入)被发送到计算机服务器106。在本发明的一个或多个实施例中,层#k的输出在发送之前由信息捕捉设备102的加密单元220加密。计算机服务器106的解密单元222对层#k的输出进行解密。层#k的该接收的输出被输入到ANN122的层#(k+1)。在本发明的一个或多个实施例中,计算机服务器104的层定位器212识别ANN122中的层#(k+1),并将接收到的层#k的输出输入到ANN122中的该层#(k+1)。
在本发明的一个或多个实施例中,层选择器210向层定位器212发送输出正在被发送的层(即,层#k)的标识。在本发明的一个或多个实施例中,层#k的标识在发送之前由加密单元220加密。解密单元222对层#k的标识进行解密,以供层定位器212使用。
随后执行ANN122的层(k+1)至M以生成ANN122的结果123。在本发明的一个或多个实施例中,结果123被发送到信息捕捉设备102或任何其他设备(未示出)。
因此,系统100促进工作负荷的可变划分,其中ANN的层的子集在信息捕捉设备102上执行,而其余的层在计算机服务器104上执行。进一步,在信息捕捉设备102和计算机服务器104之间交换的数据是安全的,并且甚至随后仅中间数据被交换以限制整个数字化文件103的暴露,并且进而限制数字化文件103在这样的数据交换期间被黑客攻击的可能性。
在本发明的一个或多个实施例中,信息捕捉设备102发送由ANN副本204执行的每个层(即,层1-k)的输出以及层#k的标识。
在本发明的一个或多个实施例中,ANN副本204在将捕捉的数据转换成数字化文件103之前,使用由信息感测阵列112捕捉的模拟信号。这有助于进一步保护所捕捉的数据不被盗用。在这种情况下,ANN122使用包括模拟信号的训练数据124来训练。
图3描绘了根据本发明的一个或多个实施例的使用分区神经网络以节省电力和加密的方式分析捕捉的数据的方法300的流程图。方法300包括在框302使用训练数据124来训练计算机服务器106的ANN122。训练可包括受监督学习、无监督学习或任何其他类型的神经网络训练。训练数据124可包括由信息感测阵列(诸如信息感测阵列112)捕捉的模拟信号。可替代地或附加地,训练数据124可以包括在将这样的模拟信号数字化之后获得的媒体。训练便于ANN122的M个层202被配置有权重。这里,“权重”是ANN122内的参数,其转换被提供给M个层202中的任何层的输入数据。M个层202中的每一者可包括多个权重。ANN122被训练,从而以信息感测阵列112捕捉的模拟信号的形式,或以数字化文件103的形式来分析捕捉的数据。例如,这样的分析可包括检测和识别捕捉的数据中的对象。进一步,分析可包括将识别的对象和/或捕捉的数据分类到一个或多个类别中。在本发明的一个或多个实施例中,可以另外地或可替代地执行其他类型的分析。
进一步,在框304处,在信息捕捉设备102上复制ANN122。复制包括在信息捕捉设备102上配置ANN副本204。ANN副本204配置有相同数量的层,即M。进一步,ANN副本204的各层配置有与计算机服务器106的ANN122的M个层202完全相同的权重。在本发明的一个或多个实施例中,这种复制包括使用加密单元230对经训练的权重进行加密,以及将经加密的值发送到信息捕捉设备102。解密单元232对权重值进行解密,然后权重值用于配置ANN副本204。
随后,在框306处,信息捕捉设备102使用信息感测阵列112捕捉模拟信号数据。在框308,捕捉的数据被输入到信息捕捉设备102的ANN副本204以供仅使用ANN副本204的M个层中的k个层进行处理。输入到ANN副本204的捕捉的数据可以是由信息感测阵列112捕捉的模拟信号或对应的数字化文件103。
处理捕捉的数据包括在框310处选择将由信息捕捉设备102执行的层的数量(即,k)。层选择器210基于与信息捕捉设备相关联的一个或多个因素确定k的值。在本发明的一个或多个实施例中,层选择器210监视执行ANN副本204的各层所消耗的电量。另选地或另外地,层选择器210访问指示由信息捕捉设备102执行ANN副本204的各层中的每一个所需的电量的电力消耗数据。在本发明的一个或多个实施例中,层选择器210还可以包括ANN副本204的电力消耗预算。电力消耗预算可以是可配置的值。
电力消耗预算指示ANN副本204可以消耗用于分析捕捉的数的最大电量。在本发明的一个或多个实施例中,电力消耗预算可以是取决于信息捕捉设备102可用的总电量的值。例如,如果信息捕捉设备102正在从电池或任何其他此类有限电源(未示出)接收电力,则可用的电量可取决于电源的电荷水平。随着电荷水平改变,电力消耗预算可改变。例如,如果电荷水平是电源的容量的至少75%,则ANN副本204的电力消耗预算可以是100毫瓦,以分析捕捉的数据;当电荷水平下降至50%时,电力消耗预算降低至80毫瓦;当电荷水平下降至30%时,电力消耗预算进一步降低至50毫瓦,以此类推。应当理解,以上实例值可以在本发明的一个或多个实施例中变化。在本发明的一个或多个实施例中,电力消耗预算与电荷水平之间的关系可以是可配置的。
因而,基于所确定的电力消耗预算以及ANN副本204中的每一层所需的电量,层选择器确定信息捕捉设备102可以执行k个层而不超出电力消耗预算。作为响应,ANN副本204的前k个层由信息捕捉设备102执行(在框308处)。
因为ANN副本204包括ANN122的M个层202的精确副本,所以ANN122的剩余层(k+1)至M可接管捕捉的数据的分析。为此,在框312处,将来自ANN副本204的层#k的输出经由网络104发送到计算机服务器106。发送还可以包括层k的标识,例如k的值。
在本发明的一个或多个实施例中,发送由加密单元220加密。在本发明的一个或多个实施例中,层#k的输出和k的标识可以是单个加密的发送的一部分。可替代地,可以针对层#k的输出和k的标识执行分开的加密的发送。
在框314处,ANN122通过使用层#k的输出执行层(k+1)至M来分析捕捉的数据。这样的分析包括由解密单元222对从信息捕捉设备102接收的信息进行解密。进一步,层定位器212识别ANN122的层#k和#k+1,并用来自信息捕捉设备102的信息配置这些层,使得ANN122可以从层#k+1起的M个层的剩余部分。
在框316,输出对ANN122的处理结果。在本发明的一个或多个实施例中,结果可以被发送到信息捕捉设备102。可替代地,或附加地,该结果可以被发送至另外的装置,如另计算机服务器、数据库、或任何其他设备。
应当注意,虽然图1和2描绘了单个信息捕捉设备102,但是在本发明的一个或多个实施例中,多个信息捕捉设备102可以与计算机服务器106进行通信。进一步,每个信息捕捉设备102可具有其自己的电力消耗预算、电荷水平、和其他此类变化的因素。因此,在第一信息捕捉设备102上执行的层的数量可以不同于在第二信息捕捉设备上的层的数量,比如k’(k≠k’)。作为响应,对于第一信息捕捉设备,计算机服务器106执行与对于第二信息捕捉设备执行的层的数量(M-k’)相比不同数量的层(M-k)。
进一步,即使对于单个信息捕捉设备102,层的数量k也可以基于电荷水平而改变。例如,计算机服务器106可以在充电级别为X%时,对于在时间t1处由信息捕捉设备102捕捉的第一捕捉数据执行ANN122的(M-k)层;然而,当电荷水平是Y%时,计算机服务器106对于在时间t1处由信息捕捉设备102捕捉的第二捕捉数据执行ANN122的(M-p)层,p是由层选择器210选择的层的数量。
本发明的各实施例通过对神经网络进行分区并在信息捕捉设备上创建神经网络的副本来将神经网络过程与加密集成。在信息捕捉设备处使用神经网络的层的子集来分析所捕捉的数据,这样的处理的输出被发送到计算机服务器以供使用神经网络的剩余层来进一步处理。在信息捕捉设备处执行的层的数量基于在信息捕捉设备处的一个或多个因素,诸如电力消耗。所捕捉的数据可以以模拟信号的形式或以数字化文件的形式来使用。进一步,所有发送(诸如用于复制神经网络的权重、在信息捕捉设备上执行的层的输出等)被加密。以此方式,所捕捉到的数据不是直接通过网络传送的,进而增加了所捕捉到的数据的安全性。
现在转到图4,根据实施例总体上示出了计算机系统400。在本发明的一个或多个实施例中,计算机系统400可以用作信息捕捉设备102和/或计算机服务器106。计算机系统400可以是包括和/或采用利用各种通信技术的任何数量和组合的计算设备和网络的电子计算机框架,如本文所描述的。计算机系统400可以是易于伸缩的、可扩展的和模块化的,具有改变成不同服务或独立于其他特征来重新配置某些特征的能力。计算机系统400可以是例如服务器、台式计算机、膝上型计算机、平板计算机或智能电话。在一些示例中,计算机系统400可以是云计算节点。可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般上下文中描述计算机系统400。一般而言,程序模块可包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算机系统400可在分布式云计算环境中实践,其中任务由通过通信网络链接的远程处理设备执行。在分布式云计算环境中,程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。
如图4所示,计算机系统400具有一个或多个中央处理单元(CPU)401a、401b、401c等(统称为或通称为处理器401)。处理器401可以是单核处理器、多核处理器、计算集群或任意数量的其他配置。处理器401(也称为处理电路)经由系统总线402耦合到系统存储器403和不同其他组件。系统存储器403可以包括只读存储器(ROM)404和随机存取存储器(RAM)405。ROM404耦合到系统总线402,并且可以包括控制计算机系统400的某些基本功能的基本输入/输出系统(BIOS)。RAM是耦合至系统总线402的供处理器401使用的读写存储器。系统存储器403为所述指令在操作期间的操作提供临时存储器空间。系统存储器403可包括随机存取存储器(RAM)、只读存储器、闪存或任何其他合适的存储器系统。
计算机系统400包括耦合到系统总线402的输入/输出(I/O)适配器406和通信适配器407。I/O适配器406可以是与硬盘408和/或任何其他类似组件通信的小型计算机系统接口(SCSI)适配器。I/O适配器406和硬盘408在本文中统称为大容量存储设备410。
在计算机系统400上执行的软件411可以存储在大容量存储设备410中。大容量存储设备410是可由处理器401读取的有形存储介质的示例,其中,软件411被存储为用于由处理器401执行以使计算机系统400操作的指令,诸如在下文中相对于各个附图所描述的。本文中更详细地论述计算机程序产品和此指令的执行的实例。通信适配器407将系统总线402与网络412互连,网络412可以是外部网络,使得计算机系统400能够与其他这样的系统通信。在一个实施例中,大容量存储设备410和系统存储器403的一部分共同存储操作系统,它可以是任何适当的操作系统,例如来自IBM公司的z/OS或AIX操作系统,以协调图4中所示的不同组件的功能。
附加的输入/输出设备被示为经由显示适配器415和接口适配器416连接到系统总线402。在一个实施例中,适配器406、407、415和416可连接到经由中间总线桥(未示出)连接到系统总线402的一个或多个I/O总线。显示器419(例如,屏幕或显示监视器)通过显示适配器415连接到系统总线402,显示适配器415可包括用于改善图形密集型应用的性能的图形控制器和视频控制器。键盘421、鼠标422、扬声器423等可经由接口适配器416互连至系统总线402,接口适配器416可包括例如将多个设备适配器集成到单个集成电路中的超级I/O芯片。用于连接诸如硬盘控制器、网络适配器和图形适配器之类的外围设备的合适的I/O总线通常包括诸如外围组件互连(PCI)之类的公共协议。因此,如图4中所配置的,计算机系统400包括处理器401形式的处理能力,以及包括系统存储器403和大容量存储器410的存储能力、诸如键盘421和鼠标422的输入装置以及包括扬声器423和显示器419的输出能力。
在一些实施例中,通信适配器407可以使用任何合适的接口或协议(诸如互联网小型计算机系统接口等)来传输数据。网络412可以是蜂窝网络、无线电网络、广域网(WAN)、局域网(LAN)、或互联网等。外部计算设备可通过网络412连接到计算机系统400。在一些示例中,外部计算设备可以是外部web服务器或云计算节点。
应当理解,图4的框图并不旨在指示计算机系统400包括图4中所示的所有组件。相反,计算机系统400可包括图4中未示出的任何合适的更少或额外部件(例如,额外存储器部件、嵌入式控制器、模块、额外网络接口等)。进一步,本文关于计算机系统400描述的实施例可用任何适当的逻辑来实现,其中在不同实施例中,如本文所提及的逻辑可以包括任何适当的硬件(例如,处理器、嵌入式控制器或专用集成电路等)、软件(例如,应用等)、固件或硬件、软件和固件的任何适当的组合。
应当理解,虽然本公开包括关于云计算的详细描述,但是本文所引用的教导的实现不限于云计算环境。相反,本发明的实施例能够结合现在已知的或以后开发的任何其他类型的计算环境来实现。
云计算是服务交付的模型,用于使得能够方便地、按需地网络访问可配置计算资源(例如,网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池,所述可配置计算资源可以以最小的管理努力或与所述服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
特性如下:
按需自助服务:云消费者可以单方面地根据需要自动地提供计算能力,诸如服务器时间和网络存储,而不需要与服务的提供者的人类交互。
广泛的网络接入:能力可通过网络获得并且通过标准机制接入,该标准机制促进异构瘦客户机平台或厚客户机平台(例如,移动电话、膝上型计算机和PDA)的使用。
资源池:提供者的计算资源被池化以使用多租户模型来服务于多个消费者,其中不同的物理和虚拟资源根据需要动态地指派和重新指派。存在位置独立性的感觉,因为消费者通常不具有对所提供的资源的确切位置的控制或了解,但可能能够以较高抽象级别(例如,国家、州或数据中心)指定位置。
快速弹性:能够快速和弹性地提供能力,在一些情况下自动地快速缩小和快速释放以快速放大。对于消费者而言,可用于供应的能力通常显得不受限制并且可以在任何时间以任何数量购买。
测量的服务:云系统通过在适合于服务类型(例如,存储、处理、带宽和活动用户账户)的某个抽象级别处利用计量能力来自动控制和优化资源使用。可以监视、控制和报告资源使用,为所利用的服务的提供者和消费者提供透明度。
服务模型如下:
软件即服务(SaaS):提供给消费者的能力是使用在云基础设施上运行的提供者的应用。可通过诸如web浏览器(例如,基于web的电子邮件)之类的瘦客户端接口从不同客户端设备访问应用。消费者不管理或控制包括网络、服务器、操作系统、存储或甚至单独的应用能力的底层云基础设施,可能的例外是有限的用户特定应用配置设置。
平台即服务(PaaS):提供给消费者的能力是将消费者创建的或获取的使用由提供商支持的编程语言和工具创建的应用部署到云基础设施上。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施,但是对所部署的应用和可能的应用托管环境配置具有控制。
基础设施即服务(IaaS):提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其他基本计算资源,所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施,而是具有对操作系统、存储、所部署的应用的控制以及对所选联网组件(例如,主机防火墙)的可能受限的控制。
部署模型如下:
私有云:云基础架构仅为组织运作。它可以由组织或第三方管理,并且可以存在于场所内或场所外。
社区云:云基础架构被若干组织共享并支持共享了关注(例如,任务、安全要求、策略、和合规性考虑)的特定社区。它可以由组织或第三方管理,并且可以存在于场所内或场所外。
公共云:使云基础架构对公众或大型行业组可用,并且由出售云服务的组织拥有。
混合云:云基础架构是两个或更多个云(私有、社区或公共)的组合,这些云保持唯一实体但通过使数据和应用能够移植的标准化或专有技术(例如,云突发以用于云之间的负载平衡)绑定在一起。
云计算环境是面向服务的,集中于无状态、低耦合、模块化和语义互操作性。云计算的核心是包括互连节点网络的基础设施。
现在参考图5,描述了说明性云计算环境50。如图所示,云计算环境50包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点10,本地计算设备诸如例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N。节点10可彼此通信。它们可以物理地或虚拟地分组(未示出)在一个或多个网络中,诸如如上所述的私有云、社区云、公共云或混合云、或其组合。这允许云计算环境50提供基础设施、平台和/或软件作为云消费者不需要为其维护本地计算设备上的资源的服务。应当理解,图5中所示的计算装置54A-N的类型仅旨在是说明性的,并且计算节点10和云计算环境50可通过任何类型的网络和/或网络可寻址连接(例如,使用网络浏览器)与任何类型的计算机化装置通信。
现在参见图6,示出了由云计算环境50(图5)提供的一组功能抽象层。应提前理解,图6中所示的组件、层和功能仅旨在是说明性的,并且本发明的实施例不限于此。如所描述,提供以下层和对应功能:
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括主机61;基于RISC(精简指令集计算机)架构的服务器62;服务器63;刀片服务器64;存储设备65;以及网络和网络组件66。在一些实施例中,软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层,从该抽象层可以提供虚拟实体的以下示例:虚拟服务器71;虚拟存储器72;虚拟网络73,包括虚拟专用网络;虚拟应用和操作系统74;以及虚拟客户端75。
在一个示例中,管理层80可以提供以下描述的功能。资源供应81提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价82在云计算环境内利用资源时提供成本跟踪,并为这些资源的消费开账单或发票。在一个示例中,这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证,以及为数据和其他资源提供保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务水平管理84提供云计算资源分配和管理,使得满足所需的服务水平。服务水平协议(SLA)规划和履行85提供根据SLA预期未来需求的云计算资源的预安排和采购。
工作负载层90提供可以利用云计算环境的功能的示例。可以从该层提供的工作负荷和功能的示例包括地图和导航91;软件开发和生命周期管理92;虚拟课堂教育交付93;数据分析处理94;交易处理95;以及媒体处理和分类96。
本文参考相关附图描述了本发明的各种实施例。在不脱离本发明的范围的情况下,可设计本发明的替代实施例。在以下描述和附图中,在元件之间阐述了各种连接和位置关系(例如,上方、下方、相邻等)。除非另有规定,否则这些连接和/或位置关系可以是直接或间接的,并且本发明在此方面并示意图是限制性的。因此,实体的连接可以指直接的或间接的连接,并且实体之间的位置关系可以是直接的或间接的位置关系。此外,本文描述的各种任务和过程步骤可以并入具有本文未详细描述的附加步骤或功能的更全面的程序或过程中。
本文描述的一种或多种方法可以用任何以下技术或以下技术的组合来实现,每个技术都是本领域公知的:具有用于对数据信号实现逻辑功能的逻辑门的分立逻辑电路、具有适当组合逻辑门的专用集成电路(ASIC)、可编程门阵列(PGA)、现场可编程门阵列(FPGA)等。
为了简洁起见,涉及制造和使用本发明的方面的常规技术可以或可以不在本文中详细描述。具体地,用于实现本文所描述的不同技术特征的计算系统和特定计算机程序的各个方面是众所周知的。因而,为了简洁起见,许多常规实施细节在本文中仅简要提到或完全省略,而不提供众所周知的系统和/或过程细节。
在一些实施例中,各种功能或动作可以在给定位置处发生和/或与一个或多个装置或系统的操作结合发生。在一些实施例中,可以在第一设备或位置处执行给定功能或动作的一部分,并且可以在一个或多个附加设备或位置处执行该功能或动作的剩余部分。
本文中使用的术语仅用于描述具体实施方式的目的,而并非旨在进行限制。如本文中使用的,除非上下文另有明确指示,否则单数形式“一”、“一个”和“该”旨在也包括复数形式。还应当理解,当在本说明书中使用术语“包括(comprises)”和/或“包含(comprising)”时,其指定所述特征、整体、步骤、操作、元件和/或部件的存在,但不排除一个或多个其他特征、整体、步骤、操作、元件部件和/或其组合的存在或添加。
以下权利要求中的所有装置或步骤加上功能元件的对应结构、材料、动作和等效物旨在包括用于结合如具体要求保护的其他要求保护的元件来执行所述功能的任何结构、材料或动作。本公开已出于说明和描述的目的而呈现,但并不旨在是详尽的或限于所公开的形式。在不背离本公开的范围的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。选择和描述这些实施例以便最好地解释本披露的原理和实际应用,并且使本领域的其他普通技术人员能够针对具有适合于所预期的特定用途的不同修改的不同实施例来理解本披露。
此处所描绘的图是说明性的。在不背离本公开的范围的情况下,可以对本文所述的图或步骤(或操作)进行许多变化。例如,可以以不同的顺序执行动作,或者可以添加、删除或修改动作。而且,术语“耦接”描述了在两个元件之间具有信号路径,并且不暗示元件之间的直接连接,其间没有中间元件/连接。所有这些变型被认为是本公开的一部分。
以下定义和缩写将用于解释权利要求书和说明书。如在此使用的,术语“包括(comprise)”、“包含(comprising)”、“包括(includes)”、“包括(including)”、“具有(ha s)”、“具有(having)”、“含有(contains)”或“含有(containing)”或其任何其他变体旨在涵盖非排他性的包括。例如,包含一系列要素的组合物、混合物、工艺、方法、物品或设备不必仅限于那些要素,而是可以包括未明确列出的或这种组合物、混合物、工艺、方法、物品或设备固有的其他要素。
此外,术语“示例性的”在本文中用于表示“用作实例、例子或例证”。本文中描述为“示例性”的任何实施方式或设计不一定被解释为优于或优于其他实施方式或设计。术语“至少一个”和“一个或多个”应理解为包括大于或等于一的任何整数,即,一个、两个、三个、四个等。术语“多个”应理解为包括大于或等于二的任何整数,即,两个、三个、四个、五个等。术语“连接”可包括间接“连接”和直接“连接”。
术语“约”、“基本上”、“大致”及其变型旨在包括与基于提交申请时可用的设备的特定量的测量相关联的误差程度。例如,“约”可以包括给定值的±8%或5%、或2%的范围。
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
计算机可读存储媒体可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RA M)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储媒体不应被解释为暂时性信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输媒体传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发送的电信号。
本文中所描述的计算机可读程序指令可以经由网络(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备,或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码,这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和过程程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户计算机,或者可连接至外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作,从而,其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中的或多个方框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中,框中标注的功能可以不按照图中标注的顺序发生。例如,取决于所涉及的功能,连续示出的两个块实际上可以基本上同时执行,或者这些块有时可以以相反的顺序执行。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
已经出于说明的目的呈现了本发明的各种实施方式的描述,但并不旨在是详尽的或者限于所公开的实施方式。在不脱离所描述的实施例的范围的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。本文使用的术语被选择来最好地解释实施例的原理、实际应用或优于市场中发现的技术的技术改进,或者使得本领域普通技术人员能够理解本文描述的实施例。
Claims (20)
1.一种计算机实现的方法,用于使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密,所述计算机实现的方法包括:
由信息捕捉设备将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备,其中所述计算机服务器上的所述ANN和所述信息捕捉设备上的复制的ANN两者都包括M个层;
响应于要被处理的所捕捉的数据被输入,由所述信息捕捉设备通过使用所述复制的ANN执行前k个层来部分地处理所捕捉的数据,其中仅所述k个层被选择以在所述信息捕捉设备上执行;以及
由所述信息捕捉设备将第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
2.如权利要求1所述的计算机实现的方法,还包括由所述信息捕捉设备从所述计算机服务器接收所述ANN的结果。
3.根据权利要求1所述的计算机实现的方法,其中,所述ANN在所述ANN被复制在所述信息捕捉设备上之前由所述计算机服务器训练。
4.根据权利要求1所述的计算机实现的方法,其中,所捕捉的数据包括由信息感测阵列捕捉的模拟信号。
5.根据权利要求1所述的计算机实现的方法,其中,所捕捉的数据包括数字化媒体。
6.根据权利要求1所述的计算机实现的方法,其中将所述ANN复制到所述信息捕捉设备包括将所述ANN的所述M个层中的每一个的一个或多个权重复制到所述复制的AN N的对应的M个层。
7.根据权利要求6所述的计算机实现的方法,其中,所述一个或多个权重在发送至所述信息捕捉设备之前被加密。
8.根据权利要求1所述的计算机实现的方法,进一步包括在将所述第k层的输出发送至所述计算机服务器之前对所述输出进行加密。
9.根据权利要求1所述的计算机实现的方法,进一步包括通过所述信息捕捉设备选择所述k个层以在所述信息捕捉设备上执行,并且将k的值发送至所述计算机服务器。
10.根据权利要求9所述的计算机实现的方法,进一步包括在发送至所述计算机服务器之前加密所述k的值。
11.一种系统,包括:
存储器;以及
耦合至所述存储器的一个或多个处理器,其中,所述一个或多个处理器被配置成用于执行使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密的方法,所述方法包括:
将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备,其中所述计算机服务器上的所述ANN和所述信息捕捉设备上的复制的ANN两者都包括M个层;
选择k个层以在所述信息捕捉设备上执行;
响应于要被处理的所捕捉的数据被输入,通过使用所述复制的ANN执行前k个层来部分地处理所捕捉的数据;以及
将第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
12.根据权利要求11所述的系统,其中,所述ANN在所述ANN被复制在所述信息捕捉设备上之前由所述计算机服务器训练。
13.根据权利要求11所述的系统,其中,所捕捉的数据包括由信息感测阵列捕捉的模拟信号。
14.根据权利要求11所述的系统,其中,所捕捉的数据包括数字化媒体。
15.根据权利要求11所述的系统,其中,所述方法进一步包括在将所述第k层的输出发送至所述计算机服务器之前对所述输出进行加密。
16.根据权利要求11所述的系统,其中,所述方法进一步包括将k的值加密并发送至所述计算机服务器。
17.一种计算机程序产品,包括计算机可读存储介质,所述计算机可读存储介质具有随其体现的程序指令,所述程序指令可由一个或多个处理器执行以使所述一个或多个处理器执行使用分区神经网络在对由信息捕捉设备捕捉的媒体进行分析期间节省电力和加密的操作,所述操作包括:
由所述信息捕捉设备将人工神经网络(ANN)从计算机服务器复制到所述信息捕捉设备,其中所述计算机服务器上的所述ANN和所述信息捕捉设备上的复制的ANN两者都包括M个层;
响应于要被处理的所捕捉的数据被输入,由所述信息捕捉设备通过使用所述复制的ANN执行前k个层来部分地处理所捕捉的数据,其中仅所述k个层被选择以在所述信息捕捉设备上执行;以及
由所述信息捕捉设备将第k层的输出发送到所述计算机服务器,所述计算机服务器通过使用所述ANN和所述第k层的输出执行所述M个层中的剩余部分而部分地处理所捕捉的数据。
18.根据权利要求17所述的计算机程序产品,其中,所捕捉的数据包括由信息感测阵列捕捉的模拟信号。
19.根据权利要求17所述的计算机程序产品,其中,所捕捉的数据包括数字化媒体。
20.根据权利要求17所述的计算机程序产品,其中,所述操作进一步包括在将所述第k层的输出发送至所述计算机服务器之前对所述输出进行加密。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/952,314 US11948059B2 (en) | 2020-11-19 | 2020-11-19 | Media capture device with power saving and encryption features for partitioned neural network |
US16/952,314 | 2020-11-19 | ||
PCT/CN2021/129957 WO2022105661A1 (en) | 2020-11-19 | 2021-11-11 | Media capture device with power saving and encryption features for partitioned neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116368539A true CN116368539A (zh) | 2023-06-30 |
Family
ID=81587612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180072036.9A Pending CN116368539A (zh) | 2020-11-19 | 2021-11-11 | 用于分区神经网络的具有省电和加密特征的媒体捕捉设备 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11948059B2 (zh) |
JP (1) | JP2023549661A (zh) |
CN (1) | CN116368539A (zh) |
DE (1) | DE112021006046T5 (zh) |
GB (1) | GB2615981A (zh) |
WO (1) | WO2022105661A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555230B (zh) * | 2024-01-11 | 2024-03-19 | 深圳市东莱尔智能科技有限公司 | Io模块多适配器控制方法、装置及多通道io模组 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120435A1 (en) * | 2001-02-28 | 2002-08-29 | Frazier John D. | Implementing a neural network in a database system |
KR100561846B1 (ko) * | 2003-10-08 | 2006-03-16 | 삼성전자주식회사 | 가중된 비밀 공유 및 복원 방법 |
US8676728B1 (en) * | 2011-03-30 | 2014-03-18 | Rawles Llc | Sound localization with artificial neural network |
US9304877B2 (en) * | 2014-01-24 | 2016-04-05 | International Business Machines Corporation | Mobile agent based memory replication |
US10387773B2 (en) * | 2014-10-27 | 2019-08-20 | Ebay Inc. | Hierarchical deep convolutional neural network for image classification |
US10878318B2 (en) * | 2016-03-28 | 2020-12-29 | Google Llc | Adaptive artificial neural network selection techniques |
US10706349B2 (en) * | 2017-05-25 | 2020-07-07 | Texas Instruments Incorporated | Secure convolutional neural networks (CNN) accelerator |
US11023593B2 (en) * | 2017-09-25 | 2021-06-01 | International Business Machines Corporation | Protecting cognitive systems from model stealing attacks |
US10338913B2 (en) * | 2017-12-05 | 2019-07-02 | Archemy, Inc. | Active adaptation of networked compute devices using vetted reusable software components |
US10380214B1 (en) * | 2018-02-07 | 2019-08-13 | Sas Institute Inc. | Identification and visualization of data set relationships in online library systems |
US10650032B1 (en) * | 2018-04-13 | 2020-05-12 | Amazon Technologies, Inc. | Filtering pipeline optimizations for unstructured data |
US11093168B2 (en) * | 2018-09-04 | 2021-08-17 | Apical Limited | Processing of neural networks on electronic devices |
US10461076B1 (en) | 2018-10-24 | 2019-10-29 | Micron Technology, Inc. | 3D stacked integrated circuits having functional blocks configured to accelerate artificial neural network (ANN) computation |
-
2020
- 2020-11-19 US US16/952,314 patent/US11948059B2/en active Active
-
2021
- 2021-11-11 DE DE112021006046.5T patent/DE112021006046T5/de active Pending
- 2021-11-11 WO PCT/CN2021/129957 patent/WO2022105661A1/en active Application Filing
- 2021-11-11 CN CN202180072036.9A patent/CN116368539A/zh active Pending
- 2021-11-11 GB GB2308645.7A patent/GB2615981A/en active Pending
- 2021-11-11 JP JP2023524886A patent/JP2023549661A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022105661A1 (en) | 2022-05-27 |
GB2615981A (en) | 2023-08-23 |
JP2023549661A (ja) | 2023-11-29 |
DE112021006046T5 (de) | 2023-12-21 |
US11948059B2 (en) | 2024-04-02 |
GB202308645D0 (en) | 2023-07-26 |
US20220156550A1 (en) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11093289B2 (en) | Provisioning disaster recovery resources across multiple different environments based on class of service | |
US9690553B1 (en) | Identifying software dependency relationships | |
US11488014B2 (en) | Automated selection of unannotated data for annotation based on features generated during training | |
US20190065283A1 (en) | Hybrid acceleration in a processing environment | |
US11483211B2 (en) | Infrastructure discovery and analysis | |
US11642783B2 (en) | Automated generation of robotic computer program code | |
JP2023542469A (ja) | キーポイント検出に基づくコンピュータによる自動化された相互作用活動認識 | |
EP3842942A1 (fr) | Procede et systeme d'agregation de donnees pour une plateforme de gouvernance unifiee d'une pluralite de solutions de calcul intensif | |
US11928038B2 (en) | Managing data sets based on user activity | |
US20210149571A1 (en) | Storage allocation enhancement of microservices based on phases of a microservice run | |
US20220342774A1 (en) | Data protection and recovery | |
US11409564B2 (en) | Resource allocation for tuning hyperparameters of large-scale deep learning workloads | |
JP7455197B2 (ja) | インテグリティ監視のためのミューテーション・イベント検出 | |
CN116368539A (zh) | 用于分区神经网络的具有省电和加密特征的媒体捕捉设备 | |
US11237890B2 (en) | Analytics initiated predictive failure and smart log | |
US20230031636A1 (en) | Artificial intelligence (ai) model deployment | |
US11907711B2 (en) | Fast porting of projects | |
US11734141B2 (en) | Dynamic testing of systems | |
US20220067450A1 (en) | Determining system performance without ground truth | |
JP2023538941A (ja) | コンテナ化された環境のインテリジェントバックアップ及び復元 | |
US11928503B2 (en) | Cognitive scheduler for Kubernetes | |
US20230117085A1 (en) | Providing customized abridged versions of media items based on available user time | |
US11461292B2 (en) | Quick data exploration | |
US20230040767A1 (en) | Automatic capture of user interface screenshots for software product documentation | |
Lalitha | Recover the Missing Data in IoT by Edge Analytics |
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 |