CN109800705A - 加速人脸检测速率的方法及装置 - Google Patents
加速人脸检测速率的方法及装置 Download PDFInfo
- Publication number
- CN109800705A CN109800705A CN201910043482.1A CN201910043482A CN109800705A CN 109800705 A CN109800705 A CN 109800705A CN 201910043482 A CN201910043482 A CN 201910043482A CN 109800705 A CN109800705 A CN 109800705A
- Authority
- CN
- China
- Prior art keywords
- ssd
- face datection
- video
- face
- frames
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种加速人脸检测速率的方法及装置,其中,该加速人脸检测速率的方法,包括:将获取的视频帧序列发送至人脸检测线程;采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;输出人脸检测图片。本发明的技术方案能够提升人脸检测的处理速率,实现更快的人脸检测帧率,提升人脸处理性能。
Description
技术领域
本发明涉及视频处理技术领域,尤其涉及一种加速人脸检测速率的方法、装置、终端及可读存储介质。
背景技术
在监控或抓拍视频中,通常采用人脸抠图技术从视频帧序列的图像中抠出人脸图片。现有技术中的人脸检测,通常采用CPU处理,由于视频帧序列中的图像较多,导致CPU的运算较大,视频帧处理较慢的问题。因此,如何提高CPU对视频帧的处理效率,节省等待时间,业已成为本领域技术人员亟待解决的问题。
有鉴于此,有必要提出对目前的人脸检测技术进行进一步的改进。
发明内容
为解决上述至少一技术问题,本发明的主要目的是提供一种加速人脸检测速率的方法、装置、终端及可读存储介质。
为实现上述目的,本发明采用的第一个技术方案为:提供一种加速人脸检测速率的方法,包括:
将获取的视频帧序列发送至人脸检测线程;
采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;
输出人脸检测图片。
其中,所述人脸检测线程的数量有两个,
所述将获取的视频帧序列发送至人脸检测线程,具体包括:
将获取的视频帧序列中相邻两帧图片分别发送至两个人脸检测线程。
其中,所述将获取的视频帧序列发送至人脸检测线程之前,还包括:
初始化NNIE硬件神经网络加速引擎,并将人脸检测线程绑定arm cpu大核心;以及
将视频帧数据拷贝至NNIE硬件神经网络加速引擎。
其中,所述采用SSD神经网络对视频帧序列进行人脸检测,包括:
利用SSD前部分神经网络对视频帧序列的人脸图片进行检测;
根据人脸检测结果计算SSD后部分神经网络输出并进行nms非极大值抑制,以输出人脸框坐标;
将人脸框坐标和视频帧序列id组成一个结构体,放入人脸检测结果链表;
根据视频帧序列id进行排序,以使人脸框输出结果与视频帧的输入一一对应。
其中,所述根据人脸检测结果计算SSD后部分神经网络输出并进行nms非极大值抑制,以输出人脸框坐标,还包括:
对输出的人脸框坐标进行去重处理。
为实现上述目的,本发明采用的第二个技术方案为:提供一种加速人脸检测速率的装置,包括:
发送模块,用于将获取的视频帧序列发送至人脸检测线程;
人脸检测模块,用于采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;
输出模块,用于输出人脸检测图片。
为实现上述目的,本发明采用的第三个技术方案为:一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现上述方法的步骤。
为实现上述目的,本发明采用的第四个技术方案为:提供一种可读存储介质,其上存储有程序,所述程序被处理器执行时实现上述的方法的步骤。
本发明的技术方案主要采用将获取的视频帧序列发送至人脸检测线程;然后采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;最后输出人脸检测图片。上述方案中,由于本方案的SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速,解决传统用arm cpu跑人脸检测算法性能低下的问题,采用的hi3559自带的NNIE神经网络硬件加速引擎,并使用快速exp算法+arm 64位neon指令集算法,极大的提升了人脸检测性能,提高了人脸检测帧率,提升了的人脸抓拍图片处理性能。
附图说明
图1为本发明一实施例加速人脸检测速率的方法的方法流程图;
图2为本发明一实施例加速人脸检测速率的装置的模块方框图;
图3为本发明一实施例终端的内部结构图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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作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。
需要说明,本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
SSD(Single Shot MultiBox Detector):是一种基于深度学习的物体检测网络。
NNIE:NNIE(Neural Netwrok Inference Engine),是海思hi3559芯片中专门针对神经网络特别是深度学习卷积神经网络进行加速处理的硬件单元。
NMS(Non-Maximum Suppression):非极大值抑制,顾名思义就是抑制不是极大值的元素,可以理解为局部最大搜索。这个局部代表的是一个邻域,邻域有两个参数可变,一是邻域的维数,二是邻域的大小。这里用于目标检测中提取分数最高的窗口的。
请参照图1,1为本发明一实施例加速人脸检测速率的方法的方法流程图。在本发明实施例中,该加速人脸检测速率的方法,包括:
步骤S10、将获取的视频帧序列发送至人脸检测线程;
步骤S20、采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;
步骤S30、输出人脸检测图片。
本实施例中,上述的视频帧序列是基于海思hi3559平台上摄像头所拍摄,其视频帧的格式为NV21,视频分辨率为960*540。视频帧序列的图片数据均需发送至脸检测线程,并由SSD神经网络对视频帧序列进行人脸检测。为了提升人脸检测速率,SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,速度相比cpu实现有着巨大的提升,而且基本不消耗cpu资源;SSD后部分神经网络priorbox层,softmax层,detectionoutput层通过arm cpu执行,并,使用快速exp算法及arm 64位neon指令集对softmax层和detectionoutput层的计算进行加速,取代原来的exp算法,极大的提升了检测性能,经过测试,能减少50%左右的计算时间。以960*540分辨率的人脸图片为例,将其ssd深度学习神经网络模型分析视频帧时,nnie执行ssd前半部分神经网络耗时20ms左右,cpu执行ssd后半部分神经网络耗时40ms左右,采用快速exp算法+arm64位neon指令集并行计算,后半部分神经网络只需要耗时20ms左右,相对于原来40ms的耗时减少了50%的检测时间。
本发明的技术方案主要采用将获取的视频帧序列发送至人脸检测线程;然后采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;最后输出人脸检测图片。上述方案中,由于本方案的SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速,解决传统用arm cpu跑人脸检测算法性能低下的问题,采用的hi3559自带的NNIE神经网络硬件加速引擎,并使用快速exp算法+arm 64位neon指令集算法,极大的提升了人脸检测性能,提高了人脸检测帧率,提升了的人脸抓拍图片处理性能。
在一具体的实施方式中,所述人脸检测线程的数量有两个,
所述将获取的视频帧序列发送至人脸检测线程,具体包括:
将获取的视频帧序列中相邻两帧图片分别发送至两个人脸检测线程。
本实施例中,为了实现性能加速,这里使用了两个线程实现,分别绑定hi3559的两个大核心(hi3559有2个1.2Ghz的arm小核,还有2个1.8Ghz的大核)。这两个线程分别绑定两个nnie单元,对送进来的视频数据分别分发到这两个线程里用ssd神经网络进行人脸检测,然后把检测结果经过排序后再送出去,相对于单线程人脸检测相比,两个线程实现了并行人脸检测,也实现了硬件资源的负载均衡,可以提升一倍的人脸检测性能。
在一具体的实施方式中,所述将获取的视频帧序列发送至人脸检测线程之前,还包括:
初始化NNIE硬件神经网络加速引擎,并将人脸检测线程绑定arm cpu大核心;以及
将视频帧数据拷贝至NNIE硬件神经网络加速引擎。
本实施例中,视频帧数据可以通过内存直接拷贝至NNIE硬件神经网络加速引擎。
在一具体的实施方式中,所述采用SSD神经网络对视频帧序列进行人脸检测,包括:
利用SSD前部分神经网络对视频帧序列的人脸图片进行检测;
根据人脸检测结果计算SSD后部分神经网络输出并进行nms非极大值抑制,以输出人脸框坐标;
将人脸框坐标和视频帧序列id组成一个结构体,放入人脸检测结果链表;
根据视频帧序列id进行排序,以使人脸框输出结果与视频帧的输入一一对应。
本实施例中,利用SSD前部分神经网络对视频帧序列的人脸图片进行检测;根据人脸检测结果计算SSD后部分神经网络(priorbox层神经网络,softmax层神经网络,detectionoutput层神经网络)输出并进行nms非极大值抑制,以输出人脸框坐标,然后将人脸框坐标和视频帧序列id组成一个结构体,放入人脸检测结果链表;供人脸输出线程使用,人脸输出线程可以从输出人脸链表中获取人脸框数据,并根据视频帧序列id进行排序,确保人脸框输出结果和视频帧的输入是一一对应的,然后将检测结果输出。
在一具体的实施方式中,所述根据人脸检测结果计算SSD后部分神经网络输出并进行nms非极大值抑制,以输出人脸框坐标,还包括:
对输出的人脸框坐标进行去重处理,以降低人脸框坐标处理的数量,提高人脸处理速率。
请参照图2,图2为本发明一实施例加速人脸检测速率的模块的方法流程图。加速人脸检测速率的装置,包括:
发送模块,用于将获取的视频帧序列发送至人脸检测线程;
人脸检测模块,用于采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;
输出模块,用于输出人脸检测图片。
本实施例中,上述的视频帧序列是基于海思hi3559平台上摄像头所拍摄,其视频帧的格式为NV21,视频分辨率为960*540。视频帧序列的图片数据均需通过发送模块发送至脸检测线程,通过人脸检测模块,利用SSD神经网络对视频帧序列进行人脸检测。为了提升人脸检测速率,SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,速度相比cpu实现有着巨大的提升,而且基本不消耗cpu资源;SSD后部分神经网络priorbox层,softmax层,detectionoutput层通过armcpu执行,并,使用快速exp算法及arm 64位neon指令集对softmax层和detectionoutput层的计算进行加速,取代原来的exp算法,极大的提升了检测性能,经过测试,能减少50%左右的计算时间。以960*540分辨率的人脸图片为例,将其ssd深度学习神经网络模型分析视频帧时,nnie执行ssd前半部分神经网络耗时20ms左右,cpu执行ssd后半部分神经网络耗时40ms左右,采用快速exp算法+arm 64位neon指令集并行计算,后半部分神经网络只需要耗时20ms左右,相对于原来40ms的耗时减少了50%的检测时间。最后,通过输出模块输出人脸检测图片。
请参照图3,图3为本发明一实施例终端的内部结构图。在一实施例中,该终端包括通过***总线连接的处理器、存储器及网络接口。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、程序和数据库。该内存储器为非易失性存储介质中的操作***和程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该程序被处理器执行时以实现一种加速人脸检测速率的方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以上各个方法实施例中的步骤。
在一个实施例中,提供了一种可读存储介质,其上存储有程序,程序被处理器执行时实现以上各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接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内。
Claims (8)
1.一种加速人脸检测速率的方法,其特征在于,所述加速人脸检测速率的方法,包括:
将获取的视频帧序列发送至人脸检测线程;
采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;
输出人脸检测图片。
2.如权利要求1所述的加速人脸检测速率的方法,其特征在于,所述人脸检测线程的数量有两个,
所述将获取的视频帧序列发送至人脸检测线程,具体包括:
将获取的视频帧序列中相邻两帧图片分别发送至两个人脸检测线程。
3.如权利要求2所述的加速人脸检测速率的方法,其特征在于,所述将获取的视频帧序列发送至人脸检测线程之前,还包括:
初始化NNIE硬件神经网络加速引擎,并将人脸检测线程绑定arm cpu大核心;以及
将视频帧数据拷贝至NNIE硬件神经网络加速引擎。
4.如权利要求1所述的加速人脸检测速率的方法,其特征在于,所述采用SSD神经网络对视频帧序列进行人脸检测,包括:
利用SSD前部分神经网络对视频帧序列的人脸图片进行检测;
根据人脸检测结果计算SSD后部分神经网络输出并进行nms非极大值抑制,以输出人脸框坐标;
将人脸框坐标和视频帧序列id组成一个结构体,放入人脸检测结果链表;
根据视频帧序列id进行排序,以使人脸框输出结果与视频帧的输入一一对应。
5.如权利要求4所述的加速人脸检测速率的方法,其特征在于,所述根据人脸检测结果计算SSD后部分神经网络输出并进行nms非极大值抑制,以输出人脸框坐标,还包括:
对输出的人脸框坐标进行去重处理。
6.一种加速人脸检测速率的装置,其特征在于,所述加速人脸检测速率的装置,包括:
发送模块,用于将获取的视频帧序列发送至人脸检测线程;
人脸检测模块,用于采用SSD神经网络对视频帧序列进行人脸检测,其中,所述SSD神经网络分成SSD前部分神经网络及SSD后部分神经网络,SSD前部分神经网络通过NNIE硬件神经网络加速引擎运行,SSD后部分神经网络通过arm cpu执行,并采用快速exp算法及arm 64位neon指令集进行加速;
输出模块,用于输出人脸检测图片。
7.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043482.1A CN109800705A (zh) | 2019-01-17 | 2019-01-17 | 加速人脸检测速率的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043482.1A CN109800705A (zh) | 2019-01-17 | 2019-01-17 | 加速人脸检测速率的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800705A true CN109800705A (zh) | 2019-05-24 |
Family
ID=66559538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043482.1A Pending CN109800705A (zh) | 2019-01-17 | 2019-01-17 | 加速人脸检测速率的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800705A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569737A (zh) * | 2019-08-15 | 2019-12-13 | 深圳华北工控软件技术有限公司 | 一种人脸识别深度学习方法及加速人脸识别摄像机 |
CN111047032A (zh) * | 2019-10-25 | 2020-04-21 | 深圳市道通智能航空技术有限公司 | 图像检测的加速方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203621A (zh) * | 2016-07-11 | 2016-12-07 | 姚颂 | 用于卷积神经网络计算的处理器 |
CN106529408A (zh) * | 2016-10-10 | 2017-03-22 | 深圳云天励飞技术有限公司 | 一种人脸检测的方法及装置 |
CN108256400A (zh) * | 2016-12-29 | 2018-07-06 | 上海玄彩美科网络科技有限公司 | 基于深度学习的ssd的人脸检测方法 |
-
2019
- 2019-01-17 CN CN201910043482.1A patent/CN109800705A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203621A (zh) * | 2016-07-11 | 2016-12-07 | 姚颂 | 用于卷积神经网络计算的处理器 |
CN106529408A (zh) * | 2016-10-10 | 2017-03-22 | 深圳云天励飞技术有限公司 | 一种人脸检测的方法及装置 |
CN108256400A (zh) * | 2016-12-29 | 2018-07-06 | 上海玄彩美科网络科技有限公司 | 基于深度学习的ssd的人脸检测方法 |
Non-Patent Citations (1)
Title |
---|
国际在线: "《https://www.sohu.com/a/159812187_115239》", 25 July 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569737A (zh) * | 2019-08-15 | 2019-12-13 | 深圳华北工控软件技术有限公司 | 一种人脸识别深度学习方法及加速人脸识别摄像机 |
CN111047032A (zh) * | 2019-10-25 | 2020-04-21 | 深圳市道通智能航空技术有限公司 | 图像检测的加速方法、装置及存储介质 |
WO2021078271A1 (zh) * | 2019-10-25 | 2021-04-29 | 深圳市道通智能航空技术有限公司 | 图像检测的加速方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573305B (zh) | 一种数据处理方法、设备及装置 | |
CN108509272B (zh) | 将gpu显存纹理拷贝到***内存的方法、装置及电子设备 | |
CN109800705A (zh) | 加速人脸检测速率的方法及装置 | |
CN111459964A (zh) | 一种面向模板基于Word2vec的日志异常检测方法及装置 | |
EP4350619A1 (en) | Battery cell squeeze damage detection method, apparatus and system | |
CN114445336A (zh) | 配电设备缺陷检测方法、装置、计算机设备和存储介质 | |
CN110782430A (zh) | 一种小目标的检测方法、装置、电子设备及存储介质 | |
CN110908837A (zh) | 应用程序异常处理方法、装置、电子设备及存储介质 | |
CN114266946A (zh) | 遮挡条件下的特征识别方法、装置、计算机设备及介质 | |
WO2021042895A1 (zh) | 基于神经网络的验证码识别方法、***及计算机设备 | |
CN109844774B (zh) | 一种并行反卷积计算方法、单引擎计算方法及相关产品 | |
CN111813721B (zh) | 神经网络数据处理方法、装置、设备及存储介质 | |
CN106125889A (zh) | 一种唤醒源处理方法和装置 | |
CN107146245B (zh) | 图像匹配方法和装置 | |
CN116028246A (zh) | 数据处理的调度方法、***和计算机设备和存储介质 | |
CN116450232A (zh) | 应用预处理方法、装置、设备及存储介质 | |
CN115495020A (zh) | 文件处理方法、装置、电子设备和可读存储介质 | |
CN114445687A (zh) | 一种图像识别推理方法、***、存储介质及设备 | |
CN114330675A (zh) | 一种芯片、加速卡、电子设备和数据处理方法 | |
CN112416410A (zh) | 小程序的数据管理方法、装置、计算机设备和存储介质 | |
CN110838157A (zh) | 一种应急突发场景专题图生成的方法及装置 | |
CN111045787A (zh) | 一种快速继续实验方法及*** | |
CN110764090A (zh) | 图像处理方法、装置、计算机设备及可读存储介质 | |
CN115482147B (zh) | 基于压缩数据直接计算的高效并行图处理方法和*** | |
CN110866603B (zh) | 数据处理方法和处理器 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |