CN118035475B - 一种海量图像轨迹数据质量优化方法及系统 - Google Patents
一种海量图像轨迹数据质量优化方法及系统 Download PDFInfo
- Publication number
- CN118035475B CN118035475B CN202410412631.8A CN202410412631A CN118035475B CN 118035475 B CN118035475 B CN 118035475B CN 202410412631 A CN202410412631 A CN 202410412631A CN 118035475 B CN118035475 B CN 118035475B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- classification
- quality
- operator
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims description 77
- 230000000295 complement effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 210000001503 joint Anatomy 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Abstract
本发明公开了一种海量图像轨迹数据质量优化方法及系统，包括以下步骤：S1，接入视频图像实时轨迹数据，并存入分布式消息队列中；S2，加载任务要求，生成作业图，并提交计算任务；S3，执行计算任务，完成数据合并后，将数据存储于分布式消息队列中；S4，根据配置信息，将数据存入质量分类库；本方法及系统有利于在进行海量图像轨迹数据质量优化过程中，统一数据处理算子和智能算法算子数据计算标准，从而减少图像轨迹数据计算、分类、处理环节中中间数据对接成本，另外，统一算子计算标准还有利于提高数据计算、分类的准确性。
Description
技术领域
本发明涉及图像轨迹数据质量优化领域，特别涉及一种海量图像轨迹数据质量优化方法及系统。
背景技术
近年来，视频监控被大量应用在城市管理、智能安防监控等领域，建设了大量前端监控设备，生产了海量视频图像轨迹数据。这些视频图像数据一般包括数据编号、经度、纬度、采集地址、采集时间、采集设备编号、目标小图、场景大图、结构化信息等。
因前端设备数据不准确、目标图像质量差、目标结构化算法厂商标准不统一或解析准确率低等原因，视频图像轨迹数据存在轨迹重复、轨迹图像质量低、图像URL不可访问、图像结构化建模失败、目标不唯一、目标解析属性错误或缺失等较严重的质量问题，这严重影响了视图轨迹数据在城市管理、安防监控及警务领域的深化应用。对视图轨迹数据进行质量优化，需要解决的主要难点：一是视图轨迹数据是一种海量的复合型数据，既包含结构化属性数据，又包含了图像、特征向量等半结构化或非结构化数据，因此需要使用图像质量检测或优化的智能算法，又需要使用大数据技术处理海量数据；二是图像轨迹数据对实时性要求较高，既要保证较大吞吐量情况下，要确保以较低的时延完成质量优化。
目前视频图像轨迹数据质量优化的技术方案中，主要是通过使用图像优化算法和大数据批处理技术对海量的图像轨迹数据进行优化。其主要思路是通过独立的堆叠算法服务集群处理海量图像数据的质量问题，或在算法服务集群处理后，再使用大数据集群进行数据清洗等处理。这些方案存在算法成本高、不可统一调度处理、系统吞吐量和扩展性差、处理时延高等问题。
当前相近的方案还包括以下问题：
（1）使用算法集群对图像质量或解析属性进行优化，仅能处理部分质量问题；
（2）使用算法集群处理后再进行大数据处理优化，算法能力和大数据处理能力隔离，不能统一调度；
（3）仅使用大数据技术进行数据质量优化，仅能处理部分质量问题；
综合来看，要对海量视频图像轨迹数据进行质量优化，需要基于流式大数据实时计算框架和算法能力，形成融合计算能力，确保在高吞吐量前提下，以极低的延时，进行基于智能算法检测和优化、基于流式计算的实时清洗整合，实现对视图轨迹数据的质量优化处理。
发明内容
为实现上述目的，发明人提供了一种海量图像轨迹数据质量优化方法，包括以下步骤：
S1，接入视频图像实时轨迹数据，并存入分布式消息队列中；
S2，加载任务要求，生成作业图，并提交计算任务，完成任务集群和任务调度；
S3，执行计算任务，完成算子计算后，将数据存储于分布式消息队列中；
S4，根据配置信息，将数据存入质量分类库。
作为本发明的一种优选方式，步骤S1包括：
S101，接入视频图像实时轨迹数据，基于GA/T1400协议订阅数据或通过Kafka进行数据订阅，数据接入后将数据存入分布式消息队列中。
作为本发明的一种优选方式，步骤S2包括：
S201：加载任务要求，任务要求定义若干种算子和处理过程，根据任务要求生成作业图；
S202，将生成的作业图，使用客户端提交给分布式流式数据计算集群，由分布式流式数据计算集群的资源管理器节点接收；
S203，资源管理器节点收到作业图，然后启动作业管理器；
S204，作业管理器根据作业图信息请求工作节点资源，资源管理器启动相应的工作节点，并将节点信息返回给作业管理器，作业管理器根据工作节点的信息，调用任务管理器将计算任务发送给算子任务的工作节点；
S205，工作节点在接收到计算任务后，执行算子定义的若干种计算，完成计算后，返回计算结果给作业管理器。
作为本发明的一种优选方式，所述算子包括：
源算子，集群运行时加载数据的算子；
转换算子，集群运行时进行视图数据预处理、属性质量检测和分类、图像可用性检测和分类、图像质量检测和分类及属性较准补全的算子；
下沉算子，完成数据处理后进行数据合并处理的算子。
作为本发明的一种优选方式，算子类型包括：
数据处理算子，对数据属性进行检测和分类计算，其利用CPU进行计算；
智能算法算子，对图像质量进行检测和分类，其是基于机器学习库进行训练的算法，利用GPU进行计算。
作为本发明的一种优选方式，步骤S3包括：
S301，根据任务信息，调用源算子从步骤S1过程中的消息中间件中，加载视图轨迹数据，并将数据交给属性质量检测和分类算子；
S302，执行属性质量检测和属性质量分类，执行完成后，将数据发送给图像可用性检测和分类算子；
S303，执行图像可用性检测和可用性质量分类，执行完成后，将数据发送给图像质量检测和分类算子；
S304，执行图像质量检测和图像质量分类，执行完成后，将数据发送给属性校准补全算子；
S305，执行属性校准补全算子，获取属性标准值，基于S302至S304的分类结果，对分类为低质量的数据使用属性标准值进行属性替换和补全；
S306，执行数据存储算子，对各节点上的数据进行合并，并将数据存储分布式消息队列。
作为本发明的一种优选方式，步骤S302中，执行属性质量检测的子任务包括对人/车图像轨迹关键属性的完整度和准确性进行检测，在检测时，调用人/车结构化算法模型，对图像进行结构化，并以该结构化信息为基础，与原属性进行比对检测；执行属性质量分类的子任务是根据属性质量检测结果进行分类；
步骤S303中，执行图像可用性检测的子任务包括对人/车大图和小图的URL可用性检测；执行可用性质量分类的子任务是通过判断大图和小图可用性进行分类；
步骤S304中，执行图像质量检测是指通过执行图像质量检测算法模型；执行图像质量分类的子任务是指根据图像质量检测算法模型对数据进行分类；
步骤S305中，获取属性标准值包括通过原轨迹属性值和结构化属性值，通过权重和均值计算，获得属性标准值。
作为本发明的一种优选方式，步骤S4还包括：支持基于GA/T1400协议进行数据订阅推送。
为实现上述目的，发明人还提供了一种海量图像轨迹数据质量优化系统，包括：
数据接入模块，用于接入视频图像实时轨迹数据；
分布流式融合计算模块，用于加载任务要求，并根据任务要求生成作业图，以及提交计算任务，完成任务集群和任务调度；
算子任务执行模块，用于执行计算任务和完成算子计算后，将数据存储于分布式消息队列中；
分类存储模块，用于根据配置信息，将数据存入质量分类库。
作为本发明的一种优选方式，还包括用于处理并完成上述发明内容任意一项所述海量图像轨迹数据质量优化方法中的步骤。
区别于现有技术，上述技术方案所达到的有益效果有：本方法及系统实现了图像质量优化过程中数据处理和智能算法的统一调度管理，相比传统图像轨迹数据质量优化方法，统一调度减少了调度管理成本和数据流转环节，能有效提高处理吞吐量和硬件利用效率，同时降低投入成本；
同时，本方法及系统有利于在进行海量图像轨迹数据质量优化过程中，统一数据处理算子和智能算法算子数据计算标准，从而减少图像轨迹数据计算、分类、处理环节中中间数据对接成本，另外，统一算子计算标准还有利于提高数据计算、分类的准确性。
附图说明
图1为具体实施方式所述方法及系统流程图。
图2为具体实施方式所述方法及系统架构图。
图3为具体实施方式所述方法计算过程示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
如图1、图2和图3所示，本实施例提供了一种海量图像轨迹数据质量优化方法，包括以下步骤：
S1，接入视频图像实时轨迹数据，并存入分布式消息队列中；
S2，加载任务要求，生成作业图，并提交计算任务，完成任务集群和任务调度；
S3，执行计算任务，完成算子计算后，将数据存储于分布式消息队列中；
S4，根据配置信息，将数据存入质量分类库。
在上述实施例的具体实施过程中，步骤S1包括：S101，接入视频图像实时轨迹数据，基于GA/T1400协议订阅数据或通过Kafka进行数据订阅，数据接入后将数据存入消息队列中。步骤S2包括：
S201：加载任务要求，任务要求定义若干种算子和处理过程，根据任务要求生成作业图；算子包括：源算子，集群运行时加载数据的算子；转换算子，集群运行时进行视图数据预处理、属性质量检测和分类、图像可用性检测和分类、图像质量检测和分类及属性较准补全等数据处理的算子；下沉算子，完成数据处理后进行数据合并处理的算子。算子类型包括：数据处理算子，对数据属性进行检测和分类计算等，其利用CPU进行计算；智能算法算子，对图像质量进行检测和分类等，其是基于本实施例中提供的机器学习库进行训练的算法，利用GPU进行计算。
S202，将生成的作业图，使用客户端程序提交给分布式流式数据计算集群，由分布式流式数据计算集群的资源管理器节点接收；
S203，在分布式流式数据计算集群启动的情况下，资源管理器节点收到作业图，即任务请求，然后启动作业管理器；
S204，作业管理器根据作业图的信息请求工作节点资源，资源管理器启动相应的工作节点，并将节点信息返回给作业管理器，作业管理器根据工作节点的信息，调用任务管理器将计算任务发送给算子任务的工作节点；
S205，工作节点在接收到计算任务后，执行算子定义的若干种计算，完成计算后，返回计算结果给作业管理器。
在上述实施例的具体实施过程中，步骤S3包括：
S301，根据任务信息，调用源算子从步骤S1过程中的消息中间件中，加载视图轨迹数据，并将数据交给属性质量检测和分类算子；
S302，执行属性质量检测和属性质量分类，执行完成后，将数据发送给图像可用性检测和分类算子；执行属性质量检测的子任务包括对人/车图像轨迹关键属性的完整度和准确性进行检测，在检测时，调用人/车结构化算法模型，对图像进行结构化，并以该结构化信息为基础，与原属性进行比对检测；执行属性质量分类的子任务是根据属性质量检测结果进行分类；
S303，执行图像可用性检测和可用性质量分类，执行完成后，将数据发送给图像质量检测和分类算子；执行图像可用性检测的子任务包括对人/车大图和小图的URL可用性检测；执行可用性质量分类的子任务是通过判断大图和小图可用性进行分类；
S304，执行图像质量检测和图像质量分类，执行完成后，将数据发送给属性校准补全算子；执行图像质量检测是指通过执行图像质量检测算法模型；执行图像质量分类的子任务是指根据图像质量检测算法模型对数据进行分类；
S305，执行属性校准补全算子，获取属性标准值，基于S302至S304的分类结果，对分类为低质量的数据使用属性标准值进行属性替换和补全；获取属性标准值包括通过原轨迹属性值和结构化属性值，通过权重和均值计算，获得属性标准值。
S306，执行数据存储算子，对各节点上的数据进行合并，并将数据存储分布式消息队列。
在上述实施例的具体实施过程中，步骤S4包括：根据配置信息，将数据存入质量分类库，同时支持基于GA/T1400协议进行数据订阅推送。
如图1、图2和图3所示，本实施例还提供了一种海量图像轨迹数据质量优化系统，包括：
数据接入模块，用于接入视频图像实时轨迹数据；
分布流式融合计算模块，用于加载任务要求，并根据任务要求生成作业图，以及提交计算任务，完成任务集群和任务调度；
算子任务执行模块，用于执行计算任务和完成算子计算后，将数据存储于分布式消息队列中；
分类存储模块，用于根据配置信息，将数据存入质量分类库。
本系统还包括用于处理并完成上述实施例任意一项所述海量图像轨迹数据质量优化方法中的步骤，具体的：
通过数据接入模块接入视频图像实时轨迹数据，主要是基于GA/T1400协议订阅数据或通过Kafka进行数据订阅，数据接入后将数据存入分布式消息队列中。
在进行数据优化前，分布流式融合计算模块启动后，需要加载根据业务需要开发的任务程序代码，即任务要求，任务要求程序定义了各类算子和处理过程，分布流式融合计算模块会根据任务要求程序生成作业图；其中算子包括：源算子，即集群运行时加载数据的算子；转换算子，即集群运行时进行视图数据预处理、属性质量检测和分类、图像可用性检测和分类、图像质量检测和分类和/或属性较准补全等数据处理的算子；下沉算子，即完成数据处理后进行数据合并处理的算子。
分布流式融合计算模块会将生成的作业图，使用客户端程序提交给分布式流式数据计算集群，由分布式流式数据计算集群的资源管理器节点接收；
分布流式融合计算模块在分布式流式数据计算集群启动的情况下，资源管理器节点收到作业图，即任务请求，然后启动作业管理器；
作业管理器根据作业图的信息请求工作节点资源，资源管理器启动相应的工作节点，并将节点信息返回给作业管理器，作业管理器根据工作节点的信息，调用任务管理器将计算任务发送给算子任务的工作节点；
工作节点在接收到计算任务后，由算子任务执行模块执行算子定义的若干种计算，完成计算后，返回计算结果给作业管理器。
算子任务执行模块根据任务信息，调用源算子从步骤S1过程中的消息中间件中，加载视图轨迹数据，并将数据交给属性质量检测和分类算子；
算子任务执行模块执行属性质量检测和属性质量分类，执行完成后，算子任务执行模块将数据发送给图像可用性检测和分类算子；执行属性质量检测的子任务包括对人/车图像轨迹关键属性的完整度和准确性进行检测，在检测时，需要调用人/车结构化算法模型，对图像进行结构化，并以该结构化信息为基础，与原属性进行比对检测；执行属性质量分类的子任务是根据属性质量检测结果进行分类；
算子任务执行模块执行图像可用性检测和可用性质量分类，执行完成后，算子任务执行模块将数据发送给图像质量检测和分类算子；执行图像可用性检测的子任务包括对人/车大图和小图的URL可用性检测；执行可用性质量分类的子任务是通过判断大图和小图可用性进行分类；
算子任务执行模块执行图像质量检测和图像质量分类，执行完成后，算子任务执行模块将数据发送给属性校准补全算子；执行图像质量检测是指通过执行图像质量检测算法模型；执行图像质量分类的子任务是指根据图像质量检测算法模型对数据进行分类；
算子任务执行模块执行属性校准补全算子，分为两个子任务，一是获取属性标准值，该子任务会通过原轨迹属性值和S2中算法的结构化属性值，通过权重和均值计算，获得属性标准值；二是基于S302至S304的分类结果，对分类为低质量的数据使用属性标准值进行属性替换和补全。
算子任务执行模块执行数据存储算子，对各节点上的数据进行合并，并将数据存储分布式消息队列。
分类存储模块根据配置信息，将数据存入质量分类库，同时支持基于GA/T1400协议进行数据订阅推送。
在上述实施例中，本方法及系统实现了图像质量优化过程中数据处理和智能算法的统一调度管理，相比传统图像轨迹数据质量优化方法，统一调度减少了调度管理成本和数据流转环节，能有效提高处理吞吐量和硬件利用效率，同时降低投入成本；同时，本方法及系统有利于在进行海量图像轨迹数据质量优化过程中，统一数据处理算子和智能算法算子数据计算标准，从而减少图像轨迹数据计算、分类、处理环节中中间数据对接成本，另外，统一算子计算标准还有利于提高数据计算、分类的准确性。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。
Claims (6)
1.一种海量图像轨迹数据质量优化方法，其特征在于，包括以下步骤：
S1，接入视频图像实时轨迹数据，并存入分布式消息队列中；
S2，加载任务要求，生成作业图，并提交计算任务，完成任务集群和任务调度；
S3，执行计算任务，完成算子计算后，将数据存储于分布式消息队列中；
S4，根据配置信息，将数据存入质量分类库；
步骤S2包括：
S201：加载任务要求，任务要求定义若干种算子和处理过程，根据任务要求生成作业图；
S202，将生成的作业图，使用客户端提交给分布式流式数据计算集群，由分布式流式数据计算集群的资源管理器节点接收；
S203，资源管理器节点收到作业图，然后启动作业管理器；
S204，作业管理器根据作业图信息请求工作节点资源，资源管理器启动相应的工作节点，并将节点信息返回给作业管理器，作业管理器根据工作节点的信息，调用任务管理器将计算任务发送给算子任务的工作节点；
S205，工作节点在接收到计算任务后，执行算子定义的若干种计算，完成计算后，返回计算结果给作业管理器；
所述算子包括：
源算子，集群运行时加载数据的算子；
转换算子，集群运行时进行视图数据预处理、属性质量检测和分类、图像可用性检测和分类、图像质量检测和分类及属性较准补全的算子；
下沉算子，完成数据处理后进行数据合并处理的算子；
算子类型包括：
数据处理算子，对数据属性进行检测和分类计算，其利用CPU进行计算；
智能算法算子，对图像质量进行检测和分类，其是基于机器学习库进行训练的算法，利用GPU进行计算。
2.根据权利要求1所述的海量图像轨迹数据质量优化方法，其特征在于，步骤S1包括：
S101，接入视频图像实时轨迹数据，基于GA/T1400协议订阅数据或通过Kafka进行数据订阅，数据接入后将数据存入分布式消息队列中。
3.根据权利要求1所述的海量图像轨迹数据质量优化方法，其特征在于，步骤S3包括：
S301，根据任务信息，调用源算子从步骤S1过程中的消息中间件中，加载视图轨迹数据，并将数据交给属性质量检测和分类算子；
S302，执行属性质量检测和属性质量分类，执行完成后，将数据发送给图像可用性检测和分类算子；
S303，执行图像可用性检测和可用性质量分类，执行完成后，将数据发送给图像质量检测和分类算子；
S304，执行图像质量检测和图像质量分类，执行完成后，将数据发送给属性校准补全算子；
S305，执行属性校准补全算子，获取属性标准值，基于S302至S304的分类结果，对分类为低质量的数据使用属性标准值进行属性替换和补全；
S306，执行数据存储算子，对各节点上的数据进行合并，并将数据存储分布式消息队列。
4.根据权利要求3所述的海量图像轨迹数据质量优化方法，其特征在于：
步骤S302中，执行属性质量检测的子任务包括对人/车图像轨迹关键属性的完整度和准确性进行检测，在检测时，调用人/车结构化算法模型，对图像进行结构化，并以该结构化信息为基础，与原属性进行比对检测；执行属性质量分类的子任务是根据属性质量检测结果进行分类；
步骤S303中，执行图像可用性检测的子任务包括对人/车大图和小图的URL可用性检测；执行可用性质量分类的子任务是通过判断大图和小图可用性进行分类；
步骤S304中，执行图像质量检测是指通过执行图像质量检测算法模型；执行图像质量分类的子任务是指根据图像质量检测算法模型对数据进行分类；
步骤S305中，获取属性标准值包括通过原轨迹属性值和结构化属性值，通过权重和均值计算，获得属性标准值。
5.根据权利要求1所述的海量图像轨迹数据质量优化方法，其特征在于，步骤S4还包括：支持基于GA/T1400协议进行数据订阅推送。
6.一种海量图像轨迹数据质量优化系统，其特征在于，包括：
数据接入模块，用于接入视频图像实时轨迹数据；
分布流式融合计算模块，用于加载任务要求，并根据任务要求生成作业图，以及提交计算任务，完成任务集群和任务调度；
算子任务执行模块，用于执行计算任务和完成算子计算后，将数据存储于分布式消息队列中；
分类存储模块，用于根据配置信息，将数据存入质量分类库；
还包括用于处理并完成上述权利要求1至5任意一项所述海量图像轨迹数据质量优化方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410412631.8A CN118035475B (zh) | 2024-04-08 | 一种海量图像轨迹数据质量优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410412631.8A CN118035475B (zh) | 2024-04-08 | 一种海量图像轨迹数据质量优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118035475A CN118035475A (zh) | 2024-05-14 |
| CN118035475B true CN118035475B (zh) | 2024-07-02 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108683877A (zh) * | 2018-03-30 | 2018-10-19 | 中国科学院自动化研究所 | 基于Spark的分布式海量视频解析系统 |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108683877A (zh) * | 2018-03-30 | 2018-10-19 | 中国科学院自动化研究所 | 基于Spark的分布式海量视频解析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109327509B (zh) | 一种主/从架构的低耦合的分布式流式计算系统 | |
| CN111400008B (zh) | 计算资源调度方法、装置及电子设备 | |
| CN111522657B (zh) | 一种分散设备协同深度学习推理方法 | |
| CN111209310B (zh) | 基于流计算的业务数据处理方法、装置和计算机设备 | |
| CN113037877A (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
| US11875426B2 (en) | Graph sampling and random walk acceleration method and system on GPU | |
| Huang et al. | Enabling DNN acceleration with data and model parallelization over ubiquitous end devices | |
| CN110516738B (zh) | 一种分布式比对聚类方法、装置、电子设备及存储介质 | |
| Ju et al. | A high-reliability edge-side mobile terminal shared computing architecture based on task triple-stage full-cycle monitoring | |
| CN118035475B (zh) | 一种海量图像轨迹数据质量优化方法及系统 | |
| CN118035475A (zh) | 一种海量图像轨迹数据质量优化方法及系统 | |
| CN112052284A (zh) | 一种大数据下的主数据管理方法及系统 | |
| CN109040075B (zh) | 无线移动传感器网络中节点的管理方法、服务器和系统 | |
| CN109302723B (zh) | 一种基于互联网的多节点实时无线电监测控制方法 | |
| CN114339266B (zh) | 一种基于国产cpu和操作系统的视频流队列处理方法 | |
| Huai et al. | Towards deep learning on resource-constrained robots: A crowdsourcing approach with model partition | |
| CN107562943A (zh) | 一种数据计算的方法及系统 | |
| Li et al. | CoRec: an efficient internet behavior-based recommendation framework with edge-cloud collaboration on deep convolution neural networks | |
| CN114596054A (zh) | 针对数字化办公的业务信息管理方法及系统 | |
| CN113191733A (zh) | 一种基于互联网的项目多方协同管理系统及方法 | |
| CN112561264A (zh) | 企业内容的服务方法、服务系统和存储介质 | |
| CN115065727B (zh) | 一种基于边缘计算场景的任务卸载方法 | |
| WO2022120993A1 (zh) | 在线场景的资源分配方法、装置及电子设备 | |
| CN116361120B (zh) | 一种数据库异构资源管理与调度方法、装置、设备及介质 | |
| Chonka et al. | Ubiquitous multicore (UM) methodology for multimedia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |