CN117687799A - 一种面向遥感解译应用的分布流式加速方法及计算终端 - Google Patents
一种面向遥感解译应用的分布流式加速方法及计算终端 Download PDFInfo
- Publication number
- CN117687799A CN117687799A CN202410146449.2A CN202410146449A CN117687799A CN 117687799 A CN117687799 A CN 117687799A CN 202410146449 A CN202410146449 A CN 202410146449A CN 117687799 A CN117687799 A CN 117687799A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- npu
- sensing data
- virtual
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001133 acceleration Effects 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000011835 investigation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 8
- 238000013468 resource allocation Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Multi Processors (AREA)
Abstract
本发明提供一种面向遥感解译应用的分布流式加速方法及计算终端,涉及遥感数据处理技术领域,可解决现有遥感数据处理存在的缺乏灵活性且不能充分利用硬件资源的问题。该方法包括:对神经网络处理器NPU执行虚拟化操作,以将NPU分解成多个动态可配置的虚拟NPU核心;获取待处理的多个遥感数据流,确定每个遥感数据流的任务属性,任务属性包括精细详查任务和普查任务;根据任务属性,由多个虚拟NPU核心来并行处理多个遥感数据流。本发明利用流式计算和NPU虚拟化技术,显著提升遥感数据解译效率,通过动态资源调度响应不同的任务需求。
Description
技术领域
本发明涉及遥感数据处理技术领域,尤其涉及一种面向遥感解译应用的分布流式加速方法及计算终端。
背景技术
遥感技术作为获取地表信息的重要手段,其生成的数据通常具有多尺寸和多维度特征,这导致了数据处理和解译的复杂性。
现有的遥感数据处理方法往往采用批处理模式,缺乏灵活性,并且不能充分利用硬件资源,如某型计算芯片上的NPU(Neural Processing Unit,神经网络处理器)。
发明内容
为解决现有遥感数据处理存在的缺乏灵活性且不能充分利用硬件资源的问题,本发明提供了一种面向遥感解译应用的分布流式加速方法及计算终端。
本发明一方面提供了一种面向遥感解译应用的分布流式加速方法,包括:对神经网络处理器NPU执行虚拟化操作,以将所述NPU分解成多个动态可配置的虚拟NPU核心;获取待处理的多个遥感数据流,确定每个所述遥感数据流的任务属性,所述任务属性包括精细详查任务和普查任务;根据所述任务属性,由多个所述虚拟NPU核心来并行处理所述多个遥感数据流。
进一步地,由多个所述虚拟NPU核心来并行处理所述多个遥感数据流,包括:监测多个所述虚拟NPU核心的实时执行情况;根据所述实时执行情况,动态调整多个所述虚拟NPU核心的分配。
进一步地,所述待处理的多个遥感数据流包括SAR数据、光学数据和红外数据。
进一步地,每个所述遥感数据流的所述任务属性还包括检测分类、变化检测或场景分割。
进一步地,由多个所述虚拟NPU核心来并行处理所述多个遥感数据流,还包括:针对所述多个遥感数据流中的每一个所述遥感数据流,将该遥感数据流对应的虚拟NPU核心进行隔离;在所述隔离的虚拟NPU核心上,通过流式计算模型来并行处理该遥感数据流。
进一步地,在待处理遥感数据为超出预定幅宽范围的大型遥感影像时,所述待处理的多个遥感数据流通过以下方式来获取:评估所述大型遥感影像处理所需的资源;基于所述资源的可用率,将所述大型遥感影像切分得到多个小型遥感影像,作为所述多个遥感数据流。
进一步地,所述方法还包括:对中央处理器CPU执行虚拟化操作,以将所述CPU分解成多个动态可配置的虚拟CPU核心;根据每个所述遥感数据流的所述任务属性,由多个所述虚拟NPU核心和多个所述虚拟CPU核心共同来并行处理所述多个遥感数据流。
本发明另一方面提供了一种计算终端,包括:计算芯片;神经网络处理器NPU,内嵌于所述计算芯片上;其中,所述计算芯片用于执行上述的面向遥感解译应用的分布流式加速方法。
进一步地,所述计算芯片还包括:数据接收模块,用于收集待处理的多个遥感数据流;任务分配模块,用于将所述多个遥感数据流分为精细详查任务和普查任务,并将其分配至对应的虚拟NPU核心;处理模块,包含多个动态可配置的虚拟NPU核心,用于并行处理已分配的所述遥感数据流。
进一步地,所述计算芯片还包括:监控模块,连接所述任务分配模块,所述监控模块用于监测多个所述虚拟NPU核心的实时执行情况,并根据所述实时执行情况,动态调整所述任务分配模块对多个所述虚拟NPU核心的分配。
与现有技术相比,本发明提供的一种面向遥感解译应用的分布流式加速方法及计算终端,至少具有以下有益效果:
(1)利用流式计算和NPU虚拟化技术,显著提升遥感数据解译效率,通过动态资源调度响应不同的任务需求;
(2)优化了硬件资源的利用,尤其针对某型计算芯片上的NPU;
(3)实现在单个NPU上的算法加速,减少对硬件资源的依赖,降低了成本;
(4)系统灵活性和适应性增强,能够根据实时任务需求调整计算资源分配。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明一实施例的面向遥感解译应用的分布流式加速方法的流程图;
图2示意性示出了根据图1对神经网络处理器NPU执行虚拟化操作的原理图;
图3示意性示出了根据本发明一实施例的由多个虚拟NPU核心来并行处理多个遥感数据流的流程图;
图4示意性示出了根据本发明一实施例的根据每个遥感数据流的任务属性分配对应的虚拟NPU核心的原理图;
图5示意性示出了根据本发明一实施例的多个遥感数据流的获取过程的流程图;
图6示意性示出了根据本发明另一实施例的面向遥感解译应用的分布流式加速方法;
图7示意性示出了根据图6同时对神经网络处理器NPU和中央处理器CPU执行虚拟化操作的原理图;
图8示意性示出了根据本发明实施例的计算终端的结构框图;
图9示意性示出了根据图8的一种计算芯片的结构框图;
图10示意性示出了根据图8的另一种计算芯片的结构框图。
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明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。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。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
图1示意性示出了根据本发明一实施例的面向遥感解译应用的分布流式加速方法的流程图。图2示意性示出了根据图1对神经网络处理器NPU执行虚拟化操作的原理图。
如图1和图2所示,根据该实施例的面向遥感解译应用的分布流式加速方法,可以包括操作S1~操作S3。
在操作S1,对神经网络处理器NPU执行虚拟化操作,以将NPU分解成多个动态可配置的虚拟NPU核心。
在操作S2,获取待处理的多个遥感数据流,确定每个遥感数据流的任务属性,任务属性包括精细详查任务和普查任务。
在操作S3,根据任务属性,由多个虚拟NPU核心来并行处理多个遥感数据流。
考虑到针对不同的遥感解译任务的资源需求和优化策略不尽相同,重点区域需详细解译,而非重点区域则需进行快速普查,这就要求计算资源能够灵活调度以适应不同任务的需求。通过本发明的实施例,首先利用NPU虚拟化技术与动态核心划分机制,将NPU灵活划分为多个虚拟NPU核心(虚拟神经网络处理核心)。然后结合精细详查任务与普查任务的资源调度策略,由多个虚拟NPU核心来并行处理多个遥感数据流,以达到算法加速的目的。由此,本发明可以利用流式计算和NPU虚拟化技术来提升遥感数据的解译速率。
在本发明实施例中,上述操作S3由多个虚拟NPU核心来并行处理多个遥感数据流,可以包括:
针对多个遥感数据流中的每一个遥感数据流,将该遥感数据流对应的虚拟NPU核心进行隔离;
在隔离的虚拟NPU核心上,通过流式计算模型来并行处理该遥感数据流。
通过本发明的实施例,在隔离的虚拟NPU核心上,通过流式计算模型并行处理遥感数据流,使得不同的虚拟NPU核心可以同时处理不同的遥感任务或遥感数据流。
图3示意性示出了根据本发明一实施例的由多个虚拟NPU核心来并行处理多个遥感数据流的流程图。
如图3所示,在本发明实施例中,上述操作S3由多个虚拟NPU核心来并行处理多个遥感数据流,还可以包括操作S31~操作S32。
在操作S31,监测多个虚拟NPU核心的实时执行情况。
在操作S32,根据实时执行情况,动态调整多个虚拟NPU核心的分配。
通过本发明的实施例,通过监控遥感数据流并行处理过程的实时执行情况,来动态调整虚拟NPU核心的分配,进一步提升资源利用效率和加快解译进程。
在本发明实施例中,待处理的多个遥感数据流包括SAR数据、光学数据和红外数据。
图4示意性示出了根据本发明一实施例的根据每个遥感数据流的任务属性分配对应的虚拟NPU核心的原理图。
如图4所示,在一些实施例中,每个遥感数据流的任务属性还包括检测分类、变化检测或场景分割。对于检测分类、变化检测和场景分割,可以采用不同的虚拟NPU核心,来处理对应的遥感数据流。
具体地,对于虚拟NPU核心的分配,本发明采用强化学习训练出的调度算法,面向处理多种类型遥感数据(如SAR数据、光学数据和红外数据等)的资源需求。根据不同数据类型对资源粒度的具体需求,实现了多尺度的资源分配策略。这种全局优化的资源匹配与调度,确保了在整个系统中资源得到最合理的配置并提升了数据处理效率。
图5示意性示出了根据本发明一实施例的多个遥感数据流的获取过程的流程图。
如图5所示,在一些实施例中,在待处理遥感数据为超出预定幅宽范围的大型遥感影像时,上述操作S2待处理的多个遥感数据流,可以通过以下方式来获取:
评估大型遥感影像处理所需的资源;
基于资源的可用率,将大型遥感影像切分得到多个小型遥感影像,作为多个遥感数据流。
通过本发明的实施例,针对超出预定幅宽范围的大型遥感影像,也即超大幅宽遥感影像的处理需求,能够自动识别和评估大型遥感影像处理所需的资源。基于资源的可用率,按需对影像进行切分得到多个小型遥感影像,再采用并行调度策略,实现高效的影像处理。这种按需资源分配和并行处理显著提高了处理速度,极大地加速了遥感影像的数据解译速率。
图6示意性示出了根据本发明另一实施例的面向遥感解译应用的分布流式加速方法。图7示意性示出了根据图6同时对神经网络处理器NPU和中央处理器CPU执行虚拟化操作的原理图。
如图6和图7所示,在另一实施例中,该面向遥感解译应用的分布流式加速方法还可以包括操作S4~操作S5。
在操作S4,对中央处理器CPU执行虚拟化操作,以将CPU分解成多个动态可配置的虚拟CPU核心(虚拟中央处理核心)。
在操作S5,根据每个遥感数据流的任务属性,由多个虚拟NPU核心和多个虚拟CPU核心共同来并行处理多个遥感数据流。
需要说明的是,上述操作S1和操作S4不存在严格的先后顺序,可以并行进行或者先后进行。在上述操作S1和操作S4均完成后进入上述操作S2,最后通过操作S5完成整个并行处理。
具体而言,本发明充分利用某型计算芯片所在的高性能计算平台而设计,该型计算芯片一方面采用了多粒度AI硬件资源亲和性虚拟化模块,通过虚拟化技术,将硬件资源CPU与NPU等硬件资源划分为更细粒度的计算单元。该虚拟化技术将计算单元根据任务体量和难度进行动态算力分配。这种多粒度的划分不仅使资源分配更为灵活,还能根据实际计算任务的需求动态调整,以实现多倍于传统并行度的性能提升。由此,本发明通过对硬件资源的优化管理,为遥感数据的高效解译提供了坚实的基础。
该型计算芯片另一方面采用了AI(Artificial Intelligence,人工智能)模型的硬件资源自适应轻量化处理模块,依托于硬件资源虚拟化的组配能力,引入模型硬件亲和性轻量化策略。其目的是在不牺牲AI模型性能的前提下,根据模型参数量定制对应的资源配置,从而实现模型的高效运行。通过自适应轻量化,硬件能够根据当前模型的参数量动态调整自身的计算负载,确保即使在资源受限的环境下也能保持最佳的运行效率,提升模型轻量化的多样性与适用性。
从以上的描述中,可以看出,本发明上述的实施例至少实现了以下技术效果:
(1)利用流式计算和NPU虚拟化技术,显著提升遥感数据解译效率,通过动态资源调度响应不同的任务需求;
(2)优化了硬件资源的利用,尤其针对某型计算芯片上的NPU;
(3)实现在单个NPU上的算法加速,减少对硬件资源的依赖,降低了成本;
(4)系统灵活性和适应性增强,能够根据实时任务需求调整计算资源分配。
基于上述实施例公开的方法,本发明还提供了一种计算终端,以下将结合图8~图10对该计算终端进行详细描述。
图8示意性示出了根据本发明实施例的计算终端的结构框图。
如图8所示,根据该实施例的计算终端800包括:
计算芯片801;
神经网络处理器NPU 802,内嵌于计算芯片801上;
其中,计算芯片801用于执行上述面向遥感解译应用的分布流式加速方法。
图9示意性示出了根据图8的一种计算芯片的结构框图。
如图9所示,在一些实施例中,计算芯片801还包括:
数据接收模块801A,用于收集待处理的多个遥感数据流;
任务分配模块801B,用于将多个遥感数据流分为精细详查任务和普查任务,并将其分配至对应的虚拟NPU核心;
处理模块801C,包含多个动态可配置的虚拟NPU核心,用于并行处理已分配的遥感数据流。
图10示意性示出了根据图8的另一种计算芯片的结构框图。
如图10所示,在一些实施例中,计算芯片801还包括:
监控模块801D,连接任务分配模块801B,监控模块801D用于监测多个虚拟NPU核心的实时执行情况,并根据实时执行情况,动态调整任务分配模块801B对多个虚拟NPU核心的分配。
需要说明的是,计算终端部分的实施例方式与方法部分的实施例方式对应类似,并且所达到的技术效果也对应类似,具体细节请参照上述方法实施例方式部分,在此不再赘述。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本发明的描述中,“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。此外,位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向遥感解译应用的分布流式加速方法,其特征在于,包括:
对神经网络处理器NPU执行虚拟化操作,以将所述NPU分解成多个动态可配置的虚拟NPU核心;
获取待处理的多个遥感数据流,确定每个所述遥感数据流的任务属性,所述任务属性包括精细详查任务和普查任务;
根据所述任务属性,由多个所述虚拟NPU核心来并行处理所述多个遥感数据流。
2.根据权利要求1所述的面向遥感解译应用的分布流式加速方法,其特征在于,由多个所述虚拟NPU核心来并行处理所述多个遥感数据流,包括:
监测多个所述虚拟NPU核心的实时执行情况;
根据所述实时执行情况,动态调整多个所述虚拟NPU核心的分配。
3.根据权利要求1所述的面向遥感解译应用的分布流式加速方法,其特征在于,所述待处理的多个遥感数据流包括SAR数据、光学数据和红外数据。
4.根据权利要求1所述的面向遥感解译应用的分布流式加速方法,其特征在于,每个所述遥感数据流的所述任务属性还包括检测分类、变化检测或场景分割。
5.根据权利要求1所述的面向遥感解译应用的分布流式加速方法,其特征在于,由多个所述虚拟NPU核心来并行处理所述多个遥感数据流,还包括:
针对所述多个遥感数据流中的每一个所述遥感数据流,将该遥感数据流对应的虚拟NPU核心进行隔离;
在所述隔离的虚拟NPU核心上,通过流式计算模型来并行处理该遥感数据流。
6.根据权利要求1所述的面向遥感解译应用的分布流式加速方法,其特征在于,在待处理遥感数据为超出预定幅宽范围的大型遥感影像时,所述待处理的多个遥感数据流通过以下方式来获取:
评估所述大型遥感影像处理所需的资源;
基于所述资源的可用率,将所述大型遥感影像切分得到多个小型遥感影像,作为所述多个遥感数据流。
7.根据权利要求1所述的面向遥感解译应用的分布流式加速方法,其特征在于,所述方法还包括:
对中央处理器CPU执行虚拟化操作,以将所述CPU分解成多个动态可配置的虚拟CPU核心;
根据每个所述遥感数据流的所述任务属性,由多个所述虚拟NPU核心和多个所述虚拟CPU核心共同来并行处理所述多个遥感数据流。
8.一种计算终端,其特征在于,包括:
计算芯片;
神经网络处理器NPU,内嵌于所述计算芯片上;
其中,所述计算芯片用于执行根据权利要求1~7中任一项所述的面向遥感解译应用的分布流式加速方法。
9.根据权利要求8所述的计算终端,其特征在于,所述计算芯片还包括:
数据接收模块,用于收集待处理的多个遥感数据流;
任务分配模块,用于将所述多个遥感数据流分为精细详查任务和普查任务,并将其分配至对应的虚拟NPU核心;
处理模块,包含多个动态可配置的虚拟NPU核心,用于并行处理已分配的所述遥感数据流。
10.根据权利要求9所述的计算终端,其特征在于,所述计算芯片还包括:
监控模块,连接所述任务分配模块,所述监控模块用于监测多个所述虚拟NPU核心的实时执行情况,并根据所述实时执行情况,动态调整所述任务分配模块对多个所述虚拟NPU核心的分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146449.2A CN117687799A (zh) | 2024-02-02 | 2024-02-02 | 一种面向遥感解译应用的分布流式加速方法及计算终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146449.2A CN117687799A (zh) | 2024-02-02 | 2024-02-02 | 一种面向遥感解译应用的分布流式加速方法及计算终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117687799A true CN117687799A (zh) | 2024-03-12 |
Family
ID=90130350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146449.2A Pending CN117687799A (zh) | 2024-02-02 | 2024-02-02 | 一种面向遥感解译应用的分布流式加速方法及计算终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117687799A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788920A (zh) * | 2010-02-05 | 2010-07-28 | 北京航空航天大学 | 一种基于处理器分区技术的cpu虚拟化方法 |
CN102855153A (zh) * | 2012-07-27 | 2013-01-02 | 华中科技大学 | 面向片式多核处理器的流编译优化方法 |
JP2018139064A (ja) * | 2017-02-24 | 2018-09-06 | 日本電信電話株式会社 | 仮想計算機システムおよびそのリソース割当て方法 |
CN109144658A (zh) * | 2017-06-27 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 有限资源的负载均衡方法、装置及电子设备 |
CN115034366A (zh) * | 2022-06-10 | 2022-09-09 | 中国电子科技集团公司第五十四研究所 | 一种神经网络流水线多核并行计算方法 |
CN115034365A (zh) * | 2022-06-10 | 2022-09-09 | 中国电子科技集团公司第五十四研究所 | 一种面向神经网络处理器的多核并行计算方法 |
US20220383445A1 (en) * | 2021-05-25 | 2022-12-01 | Vizzio Technologies Pte Ltd | Highly parallel virtualized graphics processors |
CN116996112A (zh) * | 2023-09-22 | 2023-11-03 | 中国科学院空天信息创新研究院 | 一种遥感卫星数据实时预处理方法 |
-
2024
- 2024-02-02 CN CN202410146449.2A patent/CN117687799A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788920A (zh) * | 2010-02-05 | 2010-07-28 | 北京航空航天大学 | 一种基于处理器分区技术的cpu虚拟化方法 |
CN102855153A (zh) * | 2012-07-27 | 2013-01-02 | 华中科技大学 | 面向片式多核处理器的流编译优化方法 |
JP2018139064A (ja) * | 2017-02-24 | 2018-09-06 | 日本電信電話株式会社 | 仮想計算機システムおよびそのリソース割当て方法 |
CN109144658A (zh) * | 2017-06-27 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 有限资源的负载均衡方法、装置及电子设备 |
US20220383445A1 (en) * | 2021-05-25 | 2022-12-01 | Vizzio Technologies Pte Ltd | Highly parallel virtualized graphics processors |
CN115034366A (zh) * | 2022-06-10 | 2022-09-09 | 中国电子科技集团公司第五十四研究所 | 一种神经网络流水线多核并行计算方法 |
CN115034365A (zh) * | 2022-06-10 | 2022-09-09 | 中国电子科技集团公司第五十四研究所 | 一种面向神经网络处理器的多核并行计算方法 |
CN116996112A (zh) * | 2023-09-22 | 2023-11-03 | 中国科学院空天信息创新研究院 | 一种遥感卫星数据实时预处理方法 |
Non-Patent Citations (2)
Title |
---|
廖国忠 等: "基于多核CPU的遥感去雾并行算法研究", 工程地球物理学报, vol. 14, no. 03, 31 May 2017 (2017-05-31) * |
陆冬华 等: "单机多核计算机环境下的遥感图像并行处理技术", 地理空间信息, vol. 16, no. 11, 30 November 2018 (2018-11-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108012156B (zh) | 一种视频处理方法及控制平台 | |
JP5653865B2 (ja) | データ処理システム | |
CN111614769B (zh) | 一种深度学习技术的行为智能分析引擎系统及控制方法 | |
CN108270805B (zh) | 用于数据处理的资源分配方法及装置 | |
CN107153527B (zh) | 一种基于消息队列的并行雷达数据处理方法 | |
Cheong et al. | SCARL: Attentive reinforcement learning-based scheduling in a multi-resource heterogeneous cluster | |
CN116980569A (zh) | 一种基于云计算的安全监控系统及方法 | |
CN111402297A (zh) | 目标追踪检测方法、系统、电子设备及存储介质 | |
CN105488134A (zh) | 大数据处理方法及大数据处理装置 | |
CN112132022B (zh) | 人脸抓拍架构及其人脸抓拍方法、装置、设备及存储介质 | |
Sahba et al. | Hypercube based clusters in Cloud Computing | |
CN112052950A (zh) | 神经网络训练方法、模型计算服务器及存储介质 | |
CN110442446B (zh) | 实时处理高速数字信号数据流的方法 | |
CN114064261A (zh) | 基于工业边缘计算系统的多维异构资源量化方法及装置 | |
CN111598221B (zh) | 一种软硬件协同加速神经网络算法的方法及系统 | |
Zhang et al. | A locally distributed mobile computing framework for dnn based android applications | |
CN117687799A (zh) | 一种面向遥感解译应用的分布流式加速方法及计算终端 | |
CN112468414B (zh) | 一种云计算多级调度方法、系统及存储介质 | |
DE112022000723T5 (de) | Verzweigungsvorgang für eine schaltung eines neuronalen prozessors | |
CN110427217B (zh) | 基于内容的发布订阅系统匹配算法轻量级并行方法和系统 | |
CN111539863B (zh) | 一种基于多源任务线的智能城市运行的方法和系统 | |
CN114866430A (zh) | 边缘计算的算力预测方法、算力编排方法及系统 | |
CN113656150A (zh) | 深度学习算力虚拟化系统 | |
Yang et al. | Research on cnn parallel computing and learning architecture based on real-time streaming architecture | |
CN117997902B (zh) | 一种基于云边协同的数据分配方法及系统 |
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 |