CN110413551B - 信息处理装置、方法及设备 - Google Patents

信息处理装置、方法及设备 Download PDF

Info

Publication number
CN110413551B
CN110413551B CN201810407185.6A CN201810407185A CN110413551B CN 110413551 B CN110413551 B CN 110413551B CN 201810407185 A CN201810407185 A CN 201810407185A CN 110413551 B CN110413551 B CN 110413551B
Authority
CN
China
Prior art keywords
information data
storage module
information processing
information
processing apparatus
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
Application number
CN201810407185.6A
Other languages
English (en)
Other versions
CN110413551A (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Cambricon Information Technology Co Ltd
Original Assignee
Shanghai Cambricon Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Cambricon Information Technology Co Ltd filed Critical Shanghai Cambricon Information Technology Co Ltd
Priority to CN201810407185.6A priority Critical patent/CN110413551B/zh
Priority to PCT/CN2018/092829 priority patent/WO2019001418A1/zh
Priority to EP18824582.3A priority patent/EP3637272A4/en
Publication of CN110413551A publication Critical patent/CN110413551A/zh
Priority to US16/694,056 priority patent/US11687467B2/en
Priority to US16/693,918 priority patent/US10901815B2/en
Priority to US16/694,176 priority patent/US11726844B2/en
Application granted granted Critical
Publication of CN110413551B publication Critical patent/CN110413551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F12/00—Accessing, addressing or allocating within memory systems or architectures
    • G06F12/02—Addressing or allocation; Relocation
    • G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
    • G06F12/10—Address translation
    • G06F12/1081—Address translation for peripheral access to main memory, e.g. direct memory access [DMA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/14—Handling requests for interconnection or transfer
    • G06F13/20—Handling requests for interconnection or transfer for access to input/output bus
    • G06F13/28—Handling requests for interconnection or transfer for access to input/output bus using burst mode transfer, e.g. direct memory access DMA, cycle steal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F12/00—Accessing, addressing or allocating within memory systems or architectures
    • G06F12/02—Addressing or allocation; Relocation
    • G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
    • G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
    • G06F12/0875—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches with dedicated cache, e.g. instruction or stack
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0604—Improving or facilitating administration, e.g. storage management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0655—Vertical data movement, i.e. input-output transfer; data movement between one or more hosts and one or more storage devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • 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
    • 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
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
    • G06F2212/10—Providing a specific technical effect
    • G06F2212/1016—Performance improvement
    • G06F2212/1024—Latency reduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
    • G06F2212/45—Caching of specific data in cache memory
    • G06F2212/452—Instruction code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
    • G06F2212/45—Caching of specific data in cache memory
    • G06F2212/454—Vector or matrix data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
    • G06F2212/62—Details of cache specific to multiprocessor cache arrangements
    • G06F2212/621—Coherency control relating to peripheral accessing, e.g. from DMA or I/O device

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)

Abstract

一种信息处理装置及方法，其中该装置包括：存储模块，用于获取信息数据，所述信息数据包括至少一个关键特征，所述存储模块预存所述关键特征对应的真实置信度；运算电路，根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度预设阈值范围；控制电路，当所述预测置信度超过真实置信度预设阈值，控制所述存储模块修改关键特征，或向外部发出修改信号。采用本公开的信息处理装置，可以对手写，文字，图片或视频动作自动批改修正，代替了人工。

Description

信息处理装置、方法及设备
技术领域
本公开涉及信息处理技术领域，具体涉及一种处理信息的装置和方法。
背景技术
随着大数据时代的来临，神经网络算法成为了近些年人工智能领域的一个研究热点，在模式识别、图像分析、智能机器人等方面都得到了广泛的应用。
现有技术中对作业或试卷的批改，对运动项目的动作或表情的纠正，对益智类项目步骤等的纠正，基本采用人工的方式，如通过手动批改，录像或者图片后期回看等方式，
但上述方法纠正修改的主观性强，精确度低，而且耗时耗力，耽误老师或教练员的宝贵时间。
发明内容
(一)要解决的技术问题
有鉴于此，本公开的目的在于提供一种信息处理装置、处理方法及设备，以至少部分解决以上所述的技术问题。
(二)技术方案
根据本公开的一方面，提供一种信息处理装置，包括：存储模块，用于获取信息数据，所述信息数据包括至少一个关键特征，所述存储模块预存所述关键特征对应的真实置信度；运算电路，根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度预设阈值范围；控制电路，当所述预测置信度超过真实置信度预设阈值，控制所述存储模块修改关键特征，或向外部发出修改信号。
在进一步的实施方案中，所述存储模块包括直接内存存取DMA，所述直接内存存取DMA与所述运算电路电性连接，用于存储所述运算电路运算确定的预测置信度，并将所述真实置信度和预测置信度送入所述运算电路以进行比较。
在进一步的实施方案中，所述存储模块还包括存储单元，所述存储单元用于从信息处理装置外部获取信息数据，并传入所述直接存储存取DMA，供运算电路调用。
在进一步的实施方案中，所述存储模块还用于存储神经网络专用指令、神经网络中的输入神经元、输出神经元和权值，所述信息处理装置还包括：指令缓存，用于从所述存储模块缓存专用指令，供控制电路调用；输入神经元缓存，用于从所述存储模块缓存神经元，供运算电路调用；权值缓存，用于从所述存储模块缓存权值，供运算电路调用；输入神经元缓存，用于存储从所述运算电路运算获得的输出神经元。
在进一步的实施方案中，所述运算电路还用于根据各关键特征的判断结果对所述信息数据进行评分，或者所述运算电路还用于对所述神经网络进行自适应性训练。
在进一步的实施方案中，所述运算电路中，根据所述信息数据，确定所述关键特征对应的预测置信度包括：以所述信数据作为神经网络的输入，进行神经网络运算，所述预测置信度作为神经网络的输出。
在进一步的实施方案中，所述信息数据包括以下至少一种：图片、文本、音频、视频帧和视频。
在进一步的实施方案中，还包括预处理模块，用于对外部的原始信息数据进行预处理后传入所述存储模块；优选的，所述预处理包括对原始信息数据切分、高斯滤波、二值化、正则化和/或归一化，以获得符合神经网络输入格式的数据。
根据本公开的另一方面，提供一种信息处理设备，包括：信息获取装置，用于获取外部的信息数据；以上所述的信息处理装置，用于处理所述信息数据，获得关键特征的预测置信度，且当所述预测置信度超过真实置信度阈值时，修改所述关键特征，或发出修改信号。
根据本公开的再一方面，提供一种信息处理设备，包括：信息获取装置，用于获取外部的信息数据；以上所述的信息处理装置，用于处理所述信息数据，获得关键特征的预测置信度，且当所述预测置信度超过真实置信度预设阈值时，修改所述关键特征，或发出修改信号；交互界面，接收修改的关键特征或者修改信号，向用户示出修改内容。
在进一步的实施方案中，所述交互装置还包括预处理模块，用于对信息获取装置获取的信息数据进行预处理后送入信息处理装置。
在进一步的实施方案中，还包括控制器，用于控制所述信息获取装置、信息处理装置和/或交互界面。
在进一步的实施方案中，所述交互界面还用于响应用户的操作或命令，对预设阈值进行修改。
根据本公开的又一方面，提供一种信息处理方法，包括：通过存储模块获取信息数据，所述信息数据包括至少一个关键特征，所述存储模块预存所述关键特征对应的真实置信度；运算电路根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度预设阈值范围；当所述预测置信度超过真实置信度预设阈值范围，控制电路控制存储模块修改所述关键特征，或发出修改信号。
在进一步的实施方案中，所述存储模块包括直接内存存取DMA，所述方法还包括步骤：采用直接内存存取DMA存储运算电路所确定的预测置信度，并将所述真实置信度和预测置信度送入所述运算电路以进行比较。
在进一步的实施方案中，所述通过存储模块获取信息数据包括：使用存储单元从外部获取信息数据，并传入所述直接存储存取DMA，供运算电路调用。
在进一步的实施方案中，还包括步骤：使用存储模块存储神经网络专用指令；通过指令缓存从所述存储模块缓存专用指令，供控制电路调用；采用存储模块存储神经网络中的输入神经元、输出神经元和权值；采用输入神经元缓存从所述存储模块缓存神经元，供运算电路调用；采用权值缓存从所述存储模块缓存权值，供运算电路调用；采用输入神经元缓存，存储从所述运算电路运算获得的输出神经元。
在进一步的实施方案中，还包括步骤：采用运算电路根据各关键特征的所述判断结果对所述信息数据进行评分，或者通过运算电路对所述神经网络进行自适应性训练。
在进一步的实施方案中，所述运算电路根据所述信息数据，确定所述关键特征对应的预测置信度包括：以所述信数据作为神经网络的输入，进行神经网络运算，所述预测置信度作为神经网络的输出。
在进一步的实施方案中，还包括步骤：通过预处理模块对外部的原始信息数据进行预处理后传入所述存储模块
(三)有益效果
采用本公开的信息处理装置，可以对手写，文字，图片或视频动作自动批改修正，代替了人工，而且相对人工评分更精确，快速，且对主观题评价更客观，忽略了人的喜好影响和测试者书法水平的影响，从而使得修改效果大幅提升；
本公开的信息处理设备中，通过设置信息获取装置，可以即时监控用户的动作/姿势，自动即时发出提醒调整用户的动作/姿势，代替了人工的教练和监护工作，并且相对人工更准确和及时；
本公开只需在信息处理装置端或者信息处理设备中就可实现自动修改和/或监控工作，无需联网；
本公开的信息处理装置可以进行自适应性训练，使得信息处理装置积累用户的数据自我学习，会逐渐适应用户的譬如笔迹，习惯书写错误，体态特征，习惯动作，不断提高准确率和提高对用户的动作/姿势调整能力；
本公开的信息处理装置，可以采用专用的片上缓存(即指令缓存、输入神经元缓存、输出神经元缓存和权值缓存)和专用的人工神经网络运算、访存指令能有效提高运算、访存效率；
本公开的信息处理装置中，运算电路可以采用的加法树运算，能对多组权值和输入神经元并行处理，有效提高运算效率；
本公开的信息处理装置可以包括预处理模块，能使输入数据更适于人工神经网络处理，去除输入数据中的噪声和冗余，提高分类、识别精度等等；
本公开中可以构建直接内存存取(DMA)与运算电路的双向数据通路可以节省非神经网络运算的资源占用，并有效降低运算延迟。
附图说明
图1是本公开实施例信息处理装置的方框图。
图2是本公开另一实施例信息处理装置的方框图。
图3是本公开再一实施例信息处理装置的方框图。
图4是本公开实施例的信息处理设备的方框图。
图5是本公开实施例的信息处理方法流程图。
具体实施方式
在本公开中，“信息获取装置”是指能够摄录图像、影像和/或声音的电子设备包括但不限于摄像机、扫描仪、手机、平板电脑、摄像头、相机或者X光/红外光成像仪；按照功能分可以是平面信息获取装置、立体信息获取装置和全景信息获取装置；按照镜头数划分，全景信息获取装置可以是单镜头信息获取装置或者多镜头信息获取装置；“信息获取装置”也可以是从外部直接获得信息的存储器，用于存储占用大量存储空间的视频等。在本公开中，“信息数据”可以是经过或未经过前处理的图片、文本、视频帧、音频、视频或者上述的任意组合。“信息处理设备”可以为至少具有获取信息数据和信息处理功能，或者交互功能的终端性产品，包括但不限于平板电脑、手机、电脑或者可穿戴设备。本公开中，“关键特征”是指数据中能够体现信息重要特点(例如作业的得分点，舞蹈的核心动作，益智类项目的重要步骤)的数据。
为使本公开的目的、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，对本公开作进一步的详细说明。
参见图1所示，本公开实施例一方面提供一种信息处理装置，包括：存储模块，用于获取信息数据，所述信息数据包括至少一个关键特征，所述存储模块预存所述关键特征对应的真实置信度；运算电路，根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度预设阈值范围；以及控制电路，当所述预测置信度超过真实置信度预设阈值范围，控制所述存储模块修改关键特征，或向外部发出修改信号。通过上述信息处理装置，可以对信息数据自动批改修正，代替了人工，而且相对人工评分更精确，快速。
以上已经按照类型描述了信息数据的种类，下面将介绍其功能分类，具体的可以涉及学生的作业或试卷，或者运动项目的动作或表情数据，或者益智类项目操作方式或步骤。例如作业或试卷，可以是电子文本、手写文字和/或图形，所述手写文字和/或图形包括手写的一种或多种语言文字和/或符号的组合，手写的二维图，手写的二维透视图。更进一步的，所述的手写的一种或多种语言文字和/或符号的组合为语文，数学，物理等科目的试卷手写答案。更进一步的，所述的手写的二维图和/或二维透视图为美术，制图等科目的试卷手写答案。例如动作或表情，可以是摄录的图片和/或视频；例如益智类项目操作方式或步骤，可以是体现操作方式或步骤的电子数据、图片或视频。通过对上述种类的信息数据进行及时自动化修改，可以提高教练或教师的效率，使学员及时准确的对错误进行调整。
本公开中，存储模块可以用于存储数据和指令，其中所述数据可以包括信输入神经元(例如经预处理后的数据)，输出神经元(例如对应所述关键特征的预测置信度)，权值，在神经网络运算和输出过程中的损失函数、梯度和评分，以及错误模式判断结果。
本公开中，运算电路可以用于根据所述存储模块中存储的指令对所述数据执行相应的运算；所述运算电路可以执行三步运算，第一步是将输入神经元和权值数据相乘；第二步执行加法树运算，用于将第一步的结果通过加法树逐级相加，得到加权和，根据需要可以对加权和加偏置或不做处理；第三步对第二步得到的结果执行激活函数运算，得到输出神经元。该输出神经元的值为该关键特征的预测置信度。所述激活函数可以是sigmoid函数、tanh函数、ReLU函数或softmax函数等。
本公开实施例中，预测置信度可为任意自然数——例如置信度的值越大，包含该关键特征的可信度越高。置信度还可以归范化为一定范围内的自然数——例如置信度在【0，1】之间，置信度表示包含该关键特征的置信概率。
在一些实施例中，存储模块可以包括直接内存存取DMA，所述直接内存存取DMA与所述运算电路电性连接，用于存储所述运算电路运算确定的预测置信度，并将所述真实置信度和预测置信度送入所述运算电路以进行比较。
如图2所示，所述存储模块还包括存储单元，存储单元用于从信息处理装置外部获取信息数据，并传入直接存储存取DMA，供运算电路调用。
在一些实施例中，如图2所示，存储模块还用于存储神经网络专用指令，信息处理装置还包括：指令缓存，用于从所述存储模块缓存专用指令，供控制电路调用。
在一些实施例中，存储模块还用于存储神经网络中的输入神经元、输出神经元和权值，信息处理装置还包括：输入神经元缓存，用于从所述存储模块缓存神经元，供运算电路调用；权值缓存，用于从所述存储模块缓存权值，供运算电路调用；输入神经元缓存，用于存储从所述运算电路运算获得的输出神经元。
在一些实施例中，运算电路还用于根据各关键特征的判断结果对所述信息数据进行评分。该评分过程可以是对各关键特征对应的输出神经元进行加权后综合评分。
在一些实施例中，所述运算电路中，根据所述信息数据，确定所述关键特征对应的预测置信度包括：以所述信数据作为神经网络的输入，进行神经网络运算，所述预测置信度作为神经网络的输出。
参见图3所示，在一些实施例中，信息处理装置还包括预处理模块，用于对外部的原始信息数据进行预处理后传入所述存储模块。通过设置预处理模块，一方面能使输入数据更适于人工神经网络处理，去除输入数据中的噪声和冗余，提高分类、识别精度等等，另一方面减少后续存储模块中的空间占用。优选的，所述预处理包括对原始信息数据切分、高斯滤波、二值化、正则化和/或归一化，以获得神经网络输入数据格式的数据；优选的，神经网络输入数据格式包括但不限于：图像的大小、色彩模式、平均亮度和/或数据规模。
在一些实施例中，所述运算电路还用于对所述神经网络进行自适应性训练。可以通过计算出的预测置信度和已知的真实置信度对比，自适应地更新网络中的参数(如权值、偏置等等)，进而提高装置的识别、预测精度。优选的，上述自适应性训练过程是离线处理的。
在一些实施例中，本公开的信息处理装置可以是集成其所包含的各单元、模块和电路的集成芯片，优选的为可以实现神经网络运算的人工神经网络芯片。
参见图4所示，根据本公开的再一方面，提供一种信息处理设备，包括：信息获取装置，用于获取外部的信息数据；以上实施例所述的信息处理装置，用于处理所述信息数据，获得关键特征的预测置信度，且当所述预测置信度超过真实置信度预设阈值时，修改所述关键特征，或发出修改信号。
参见图4所示，根据本公开的又一方面，提供一种信息处理设备，包括：信息获取装置，用于获取外部的信息数据；以上实施例所述的信息处理装置，用于处理所述信息数据，获得关键特征的预测置信度，且当所述预测置信度超过真实置信度预设阈值时，修改所述关键特征，或发出修改信号；交互界面，接收修改的关键特征或者修改信号，向用户示出修改内容。
上述信息处理设备的实施例中，上述信息获取装置可以为仅具有摄像功能的相机、摄影机、扫面仪等。也可以是信息获取装置与交互界面装配为一体的终端性设备(例如手机、电脑或者可穿戴设备)。
本实施例中，交互界面可以包括显示屏、触摸式显示屏和/或数据输出接口。交互界面可以接收信息获取装置的数据(例如包含修改后关键特征)，或者接收信息获取装置的原始信息数据以及修改信号，在控制器的控制下对原始信息数据(例如图片)进行修改(包括但不限于涂鸦、添加修改标记、添加视频、添加局部图片、添加文字、添加语音)，并通过可视听方式显示。
在一些实施例中，交互装置还可以包括预处理装置，用于对信息获取装置获取的信息数据进行预处理后送入信息处理装置。该处的预处理装置所实现功能与上述的预处理模块类此，可以参照上述实施例，在此不予赘述。
在一些实施例中，信息处理设备还包括控制器，用于控制所述信息获取装置、信息处理装置和/或交互界面。具体的，可以控制信息获取装置从外部获取原始的信息数据，控制信息处理装置接收信息数据后进行处理，以及进行判断、改写或者发出改写信号操作，控制交互界面显示改写内容等。
在一些实施例中，交互界面还用于响应用户的操作或命令，对设定阈值进行修改。例如，当用户对特定关键特征(例如具体的某段文字、某段语音或某段视频)的预定置信度对应的阈值进行调整时，可以通过触摸屏、鼠标、语音命令或者键盘等方式进行该信息获取设备的操作。
如图5所示，本公开实施例的另一方面，还提供一种信息处理方法，包括：
S1：通过存储模块获取信息数据，所述信息数据包括至少一个关键特征，所述存储模块预存所述关键特征对应的真实置信度；
S2：运算电路根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度设定阈值范围；
S3：当所述预测置信度超过真实置信度阈值范围，控制电路控制存储模块修改所述关键特征，或发出修改信号。
该处理方法可对应于上述处理装置的执行步骤，具体执行方式可参照上述步骤的描述，在此不予赘述。
为进一步说明本公开，以下例举具体的实施例进行详细阐述。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。应当理解，以下的详细说明不对本公开构成限制，相反，它们提供本领域内技术人员理解由所附权利要求书的范围描述的实施例涵盖的替代形式、等效物、和修正例的基础。
其中，实施例1对应于对信息数据为图片的处理装置，实施例2对应于信息数据为音频和/或视频的处理装置，实施例3对应于一种信息处理设备。
实施例1：
本实施例中信息处理装置的存储单元接收信息数据，信息数据可包括但不仅限于一组包含一个或多个关键特征的图片；装置计算出信息数据包含各个关键特征的置信度，给出一个判断结果；装置根据判断结果，对存储单元中的信息数据进行评分。其中信息数据可以是原始信息数据，也可以是对原始数据进行预处理后得到的结果。
这里的信息处理装置可以进行自适应性训练，例如：该装置输入一组包含一个或多个关键特征的图片，如包括手写文字的图片，组成视频的图片等等。每个关键特征对应一个置信度，置信度为一个自然数。对用于自适应训练的输入图片来说，其包含各个关键特征的置信度都是已知的，即真实置信度；装置以这些图片作为信息数据，计算出含有各个关键特征的置信度，即预测置信度。计算出的预测置信度和已知的真实置信度对比，自适应地更新网络中的参数(如权值、偏置等等)，进而提高装置的识别、预测精度。
其中，置信度可为任意自然数——例如置信度的值越大，包含该关键特征的可信度越高。置信度还可以归范化为一定范围内的自然数——例如置信度在【0，1】之间，置信度表示包含该关键特征的置信概率。
训练集的真实置信度取值二选一——例如{0，1}，0表示输入图片不包含该关键特征，为1表示包含该特征；当然也可以反过来，1表示不包含，0表示包含。
其中，上述自适应性训练过程可以是离线处理的。这里的信息处理装置可以为人工神经网络芯片，包括：存储单元，用于存储数据和指令，其中所述数据包括输入神经元，输出神经元，权值，评分，错误模式判断结果等等；运算电路，用于根据所述存储单元中存储的指令对所述数据执行相应的运算；所述运算电路主要执行三步运算，第一步是将输入神经元和权值数据相乘；第二步执行加法树运算，用于将第一步的结果通过加法树逐级相加，得到加权和，根据需要对加权和加偏置或不做处理；第三步对第二步得到的结果执行激活函数运算，得到输出神经元。
信息处理装置还可以包括DMA(Direct Memory Access，直接内存存取)，用于在所述存储单元、指令缓存、权值缓存、输入神经元缓存和输出神经元缓存中进行数据或者指令读写；
信息处理装置中，控制电路，用于从所述指令缓存中读取专用指令，并将其译码成运算电路指令并输入至运算电路；指令缓存，用于存储专用指令；权值缓存，用于缓存权值数据；输入神经元缓存，用于缓存输入到映射单元的输入神经元；输出神经元缓存，用于缓存运算电路输出的输出神经元(对应各关键特征的置信度)；
DMA(直接内存存取)与运算电路之间的直接数据通路，用于直接对DMA存储数据进行运算并返回。
作为优选，芯片还包括预处理模块。该模块对原始信息数据，即一个或多个包含手写文字或图形的图片，进行预处理，得到与芯片所使用的人工神经网络的位于最底层的输入层规模相契合的图像数据。其中预处理包括切分、高斯滤波、二值化、正则化、归一化等等。
作为优选，人工神经网络芯片得到判断结果的方法包括：神经网络的最终输出层的每个输出神经元对应一个关键词，输出神经元的值为该关键词出现的置信度。
修改的方法包括：将标准答案拆分成许多标准关键特征的集合，这些关键特征可以是字、词、短语(文本数据输入)或者图片的一部分(图像数据输入)，芯片的存储单元中预先存储有每个关键特征标准正确模式。神经网络最终输出层的各个输出神经元给出各个关键特征部分与相应标准正确模式的置信度。(若某错误模式出现或其出现的置信度大于预设的阈值，则将该错误模式修改为标准答案中对应的关键特征)输出神经元的结果存入DMA中，并再次传入运算电路进行修改置信度阈值比较，如果该关键特征置信度低于预设阈值，则根据该关键特征的标准正确模式对该关键特征进行修改。
上述得到判断结果、评分及修改的过程均在人工神经网络芯片中完成：
步骤1，信息数据经预处理模块或直接传入存储单元；
步骤2，DMA将其分批传入相应的片上缓存(即指令缓存，输入神经元缓存，权值缓存)中；
步骤3，控制电路从指令缓存中读取指令，将其译码后传入运算电路；
步骤4，根据指令，运算电路执行相应的运算，在神经网络的各个层中，运算主要分为三步：步骤4.1，，将对应的输入神经元和权值相乘；步骤4.2，执行加法树运算，即将步骤4.1的结果通过加法树逐级相加，得到加权和，根据需要对加权和加偏置或不做处理；步骤4.3，对步骤4.2得到的结果执行激活函数运算，得到输出神经元，并将其传入输出神经元缓存中。
步骤5，重复步骤2到步骤4，直到所有数据运算完毕，即得到功能需求的最终结果。其中所述最终结果由神经网络最后一层的输出神经元得到，从运算电路输出到输出神经元缓存中，然后暂存入DMA等待下一步运算。
步骤6，将DMA中的神经网络输出神经元中存储的评分结果，即各关键特征置信度通过DMA与运算器之间的数据通路直接输入到运算器中与预设阈值进行比较，如果关键特征置信度比预设阈值小，则将DMA中的输入关键特征置换为相应关键特征的标准正确模式。当所有关键特征均按照上述步骤进行比较并替换后，DMA中完成了信息数据的修改工作。
步骤7，将修改过后的DMA中信息数据存回存储单元中，并作为最终修改后的输出数据输出。
根据所述功能需求：若要求得到判断结果，则上述神经网络最后一层输出神经元的值即为关键词出现的置信度；若要求进行修改，则最终经过步骤7后的存储单元中的修改数据，即为最终修改后的数据。
根据功能要求，本结构可实现评分和/或修改的功能，评分的结果输出为步骤1-5执行完毕后的输出；修改的输出为完整执行步骤1-7的最终存储单元输出。
实施例2：
本实施例提供的人工神经网络芯片(对应于信息处理装置)中的存储单元用于预存一个或多个关键帧图片(对应关键特征)；存储单元从外部获取视频，并将其传入至运算电路，其中视频包括多个输入图片；运算电路计算出各个输入图片与每个关键帧图片的相似度(详细来说，如果输入图片有N个，关键图片有M个，则得到NM个相似度)和/或对视频进行规范化修改。
更进一步的，所述视频还包括音频，音频分为多段音频，所述多段音频与所述多个图片对应。芯片可以比较视频中所有图片与各个关键帧图片的相似度，和/或比较视频中所有音频分解得到的各个波形和关键波形的相似度，对视频进行规范化修改。
更进一步的，所述视频为一个或多个测试者的动作视频。更进一步的，所述动作视频为跳舞，武术，或者课间操表演，体育运动的动作和/或姿势，写字动作和/或姿势，打字动作和/或姿势，看书动作和/或姿势。
其中得到相似度的方法可以是：神经网络的最终输出层的每个输出神经元对应一个相似度，输出神经元的值即为相似度值。(如果和前面的例子保持一致，则该层共NM个输出神经元)
其中得到相似度的方法也可以是：神经网络的最终输出层的每个输出神经元对应一个输入图片，输出神经元的值即为与该输入图片最相似的关键帧图片与该输入图片的相似度。(如果和前面的例子保持一致，则该层共N个输出神经元)
其中得到相似度的方法还可以是：神经网络的最终输出层的每个输出神经元对应一个关键图片，输出神经元的值即为与该关键帧图片最相似的输入图片与该关键帧图片的相似度。(如果和前面的例子保持一致，则该层共M个输出神经元)
其中评分的方法可以是：在神经网络中上述最终输出层的上面再加一层作为新的最终输出层，以前的最终输出层中的输出神经元作为该层的输入神经元；该层只有一个输出神经元，其值即为评分；该层中的权值对应各个相似度的重要程度，即权重。
其中修改的方法可以是：将上述得到的相似度计算结果从DMA中直接输入到运算电路中，并与预设阈值进行比较，如果相似度低于预设阈值，则判定该关键特征(在此可表述为视频关键帧图片)不符合规范化标准，需要进行修改。从而将相应输入图片用相应标准关键帧图片进行置换，并写回DMA，最终输出到存储单元中准备输出。
对视频和音频等连续数据输入，将其按时间分解为多个关键帧，并将关键帧图片与标准关键帧图片进行相似度计算，相似度低于预设阈值则利用标准图片对输入进行修改。
上述得到相似度和评分过程均在人工神经网络芯片中完成，可以包括如下步骤：
步骤1，信息数据经预处理模块或直接传入存储单元；
步骤2，DMA将其分批传入相应的片上缓存(即指令缓存，输入神经元缓存，权值缓存)中；
步骤3，控制电路从指令缓存中读取指令，将其译码后传入运算电路；
步骤4，根据指令，运算电路执行相应的运算，：在神经网络的各个层中，运算主要分为三步：步骤4.1，，将对应的输入神经元和权值相乘；步骤4.2，执行加法树运算，即将步骤4.1的结果通过加法树逐级相加，得到加权和，根据需要对加权和加偏置或不做处理；步骤4.3，对步骤4.2得到的结果执行激活函数运算，得到输出神经元，并将其传入输出神经元缓存中。
步骤5，重复步骤2到步骤4，直到所有数据运算完毕，即得到功能需求的最终结果。其中所述最终结果由神经网络最后一层的输出神经元得到，从运算电路输出到输出神经元缓存中，然后写入DMA中准备下一步操作。
步骤6，将DMA中的神经网络输出神经元中存储的相似度结果，即各关键特征(关键帧)评分通过DMA与运算器之间的数据通路直接输入到运算器中与预设阈值进行比较，如果关键特征置信度比预设阈值小，则将DMA中的输入关键特征置换为相应标准关键帧。当所有关键特征均按照上述步骤进行比较并替换后，DMA中完成了信息数据的修改工作。
步骤7，将修改过后的DMA中信息数据存回存储单元中，并作为最终修改后的输出数据输出。
根据所述功能需求：若要求得到判断结果，则上述神经网络最后一层输出神经元的值即为各关键帧与标准关键帧的相似度(评分)；若要求进行修改，则最终经过步骤7后的存储单元中的修改数据，即为最终修改后的数据。
实施例3：
装置包括信息获取装置，信息处理装置(例如人工神经网路芯片)(结构同实施例1)，交互界面和控制电路。
其中信息获取装置(这个装置可以是预处理装置的扩展，相当于接口+预处理装置)用于接收外部信息，信息包括文字、图像、音频、视频等等。并将原始数据或经预处理后的数据作为信息数据传递给人工神经网络芯片。
其中交互界面用于和用户进行交互，即接收用户的操作或命令，并将其传给控制电路。交互界面还用于接收人工神经网络芯片的输出数据，并将其转化为合适形式的反馈信息显示给用户。其中控制电路接收用户的操作或命令，并控制整个装置的运作。
交互界面可以让用户自由修改上述预设阈值，以达到不同程度效果的修改结果，更加友好。同时交互界面还可以给用户反馈信息，如坐姿错误是的报警以及握笔方式的修改矫正等。
更进一步的，信息获取装置为图像获取装置，声音获取装置。图像获取装置为摄像头。声音获取装置为麦克风。更进一步的，所述终端为识别字符装置，手机，电脑，笔记本，平板电脑。
本公开所提供的实施例中，应理解到，所揭露的相关设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述部分或模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个部分或模块可以结合或者可以集成到一个***，或一些特征可以忽略或者不执行。
本公开中各功能部分/单元/子单元/模块/子模块/部件都可以是硬件，比如该硬件可以是电路，包括数字电路，模拟电路等等。硬件结构的物理实现包括但不局限于物理器件，物理器件包括但不局限于晶体管，忆阻器等等。所述计算装置中的计算模块可以是任何适当的硬件处理器，比如CPU、GPU、FPGA、DSP和ASIC等等。所述存储单元可以是任何适当的磁存储介质或者磁光存储介质，比如RRAM，DRAM，SRAM，EDRAM，HBM，HMC等等。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (18)

1.一种信息处理装置，其特征在于包括：
存储模块，用于获取信息数据，所述信息数据包括至少一个关键特征，所述关键特征是指数据中能够体现信息重要特点的数据，所述存储模块预存所述关键特征对应的真实置信度；
运算电路，根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度预设阈值范围；
控制电路，当所述预测置信度超过真实置信度预设阈值，控制所述存储模块修改关键特征；
其中，所述存储模块包括直接内存存取DMA，所述直接内存存取DMA与所述运算电路电性连接，用于存储所述运算电路运算确定的预测置信度，并将所述真实置信度和预测置信度送入所述运算电路以进行比较；
所述运算电路还用于对神经网络进行自适应性训练，所述自适应性训练过程是离线处理的。
2.根据权利要求1所述的信息处理装置，其特征在于，所述存储模块还包括存储单元，所述存储单元用于从信息处理装置外部获取信息数据，并传入所述直接内存存取DMA，供运算电路调用。
3.根据权利要求1所述的信息处理装置，其特征在于，所述存储模块还用于存储神经网络专用指令、神经网络中的输入神经元、输出神经元和权值，所述信息处理装置还包括：
指令缓存，用于从所述存储模块缓存专用指令，供控制电路调用；
输入神经元缓存，用于从所述存储模块缓存神经元，供运算电路调用；
权值缓存，用于从所述存储模块缓存权值，供运算电路调用；
输入神经元缓存，用于存储从所述运算电路运算获得的输出神经元。
4.根据权利要求1所述的信息处理装置，其特征在于，所述运算电路还用于根据各关键特征的判断结果对所述信息数据进行评分。
5.根据权利要求1所述的信息处理装置，其特征在于，所述运算电路中，根据所述信息数据，确定所述关键特征对应的预测置信度包括：
以所述信息数据作为神经网络的输入，进行神经网络运算，所述预测置信度作为神经网络的输出。
6.根据权利要求1所述的信息处理装置，其特征在于，所述信息数据包括以下至少一种：
图片、文本、音频、视频帧和视频。
7.根据权利要求1所述的信息处理装置，其特征在于，还包括预处理模块，用于对外部的原始信息数据进行预处理后传入所述存储模块；所述预处理包括对原始信息数据切分、高斯滤波、二值化、正则化和/或归一化，以获得符合神经网络输入格式的数据。
8.一种信息处理设备，其特征在于包括：
信息获取装置，用于获取外部的信息数据；
权利要求1所述的信息处理装置，用于处理所述信息数据，获得关键特征的预测置信度，且当所述预测置信度超过真实置信度阈值时，修改所述关键特征。
9.一种信息处理设备，其特征在于包括：
信息获取装置，用于获取外部的信息数据；
权利要求1所述的信息处理装置，用于处理所述信息数据，获得关键特征的预测置信度，且当所述预测置信度超过真实置信度预设阈值时，修改所述关键特征；
交互界面，接收修改的关键特征，向用户示出修改内容。
10.根据权利要求8或9所述的信息处理设备，其特征在于，所述信息处理设备还包括预处理模块，用于对信息获取装置获取的信息数据进行预处理后送入信息处理装置。
11.根据权利要求8或9所述的信息处理设备，其特征在于，还包括控制器，用于控制所述信息获取装置、信息处理装置和/或交互界面。
12.根据权利要求11所述的信息处理设备，其特征在于，所述交互界面还用于响应用户的操作或命令，对预设阈值进行修改。
13.一种信息处理方法，其特征在于包括：
通过存储模块获取信息数据，所述信息数据包括至少一个关键特征，所述关键特征是指数据中能够体现信息重要特点的数据，所述存储模块预存所述关键特征对应的真实置信度；
运算电路根据所述信息数据，确定所述关键特征对应的预测置信度，并判断所述关键特征的预测置信度是否超过关键特征对应的真实置信度预设阈值范围；
当所述预测置信度超过真实置信度预设阈值范围，控制电路控制存储模块修改所述关键特征；
所述存储模块包括直接内存存取DMA，所述方法还包括步骤：采用直接内存存取DMA存储运算电路所确定的预测置信度，并将所述真实置信度和预测置信度送入所述运算电路以进行比较；
通过所述运算电路对神经网络进行自适应性训练，所述自适应性训练过程是离线处理的。
14.根据权利要求13所述的方法，其特征在于，所述通过存储模块获取信息数据包括：
使用存储单元从外部获取信息数据，并传入所述直接内存存取DMA，供运算电路调用。
15.根据权利要求13所述的方法，其特征在于，还包括步骤：
使用存储模块存储神经网络专用指令；
通过指令缓存从所述存储模块缓存专用指令，供控制电路调用；
采用存储模块存储神经网络中的输入神经元、输出神经元和权值；
采用输入神经元缓存从所述存储模块缓存神经元，供运算电路调用；
采用权值缓存从所述存储模块缓存权值，供运算电路调用；
采用输入神经元缓存，存储从所述运算电路运算获得的输出神经元。
16.根据权利要求13所述的方法，其特征在于，还包括步骤：
采用运算电路根据各关键特征的判断结果对所述信息数据进行评分。
17.根据权利要求13所述的方法，其特征在于，所述运算电路根据所述信息数据，确定所述关键特征对应的预测置信度包括：
以所述信息数据作为神经网络的输入，进行神经网络运算，所述预测置信度作为神经网络的输出。
18.根据权利要求13所述的方法，其特征在于，还包括步骤：
通过预处理模块对外部的原始信息数据进行预处理后传入所述存储模块。
CN201810407185.6A 2017-06-26 2018-04-28 信息处理装置、方法及设备 Active CN110413551B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201810407185.6A CN110413551B (zh) 2018-04-28 2018-04-28 信息处理装置、方法及设备
PCT/CN2018/092829 WO2019001418A1 (zh) 2017-06-26 2018-06-26 数据共享***及其数据共享方法
EP18824582.3A EP3637272A4 (en) 2017-06-26 2018-06-26 DATA-SHARING SYSTEM AND RELATED DATA-SHARING PROCESS
US16/694,056 US11687467B2 (en) 2018-04-28 2019-11-25 Data sharing system and data sharing method therefor
US16/693,918 US10901815B2 (en) 2017-06-26 2019-11-25 Data sharing system and data sharing method therefor
US16/694,176 US11726844B2 (en) 2017-06-26 2019-11-25 Data sharing system and data sharing method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810407185.6A CN110413551B (zh) 2018-04-28 2018-04-28 信息处理装置、方法及设备

Publications (2)

Publication Number Publication Date
CN110413551A CN110413551A (zh) 2019-11-05
CN110413551B true CN110413551B (zh) 2021-12-10

Family

ID=68357944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810407185.6A Active CN110413551B (zh) 2017-06-26 2018-04-28 信息处理装置、方法及设备

Country Status (2)

Country Link
US (1) US11687467B2 (zh)
CN (1) CN110413551B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11120221B2 (en) * 2019-03-26 2021-09-14 Tata Consultancy Services Limited Method and system to resolve ambiguities in regulations
CN111291879B (zh) * 2020-03-29 2023-08-22 湖南大学 一种具备习惯化与敏感化的信号发生装置
US20220035675A1 (en) * 2020-08-02 2022-02-03 Avatar Cognition Barcelona S.L. Pattern recognition system utilizing self-replicating nodes
US11474743B2 (en) 2020-08-13 2022-10-18 Micron Technology, Inc. Data modification

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及***
CN104463101A (zh) * 2014-11-06 2015-03-25 科大讯飞股份有限公司 用于文字性试题的答案识别方法及***
CN106781784A (zh) * 2017-01-04 2017-05-31 王骁乾 一种智能批改***
CN107832768A (zh) * 2017-11-23 2018-03-23 盐城线尚天使科技企业孵化器有限公司 基于深度学习的高效阅卷方法和阅卷***

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100230454B1 (ko) 1997-05-28 1999-11-15 윤종용 다중처리 시스템의 캐시메모리 검사방법
EP1405184A2 (en) 2001-06-29 2004-04-07 Koninklijke Philips Electronics N.V. Data processing apparatus
US20060041715A1 (en) 2004-05-28 2006-02-23 Chrysos George Z Multiprocessor chip having bidirectional ring interconnect
CN1305002C (zh) 2004-07-15 2007-03-14 清华大学 多注册指纹融合方法
JP5040136B2 (ja) 2006-03-27 2012-10-03 富士通セミコンダクター株式会社 チューニング支援装置、チューニング支援プログラム、チューニング支援プログラムを記録したコンピュータ読み取り可能な記録媒体およびチューニング支援方法
JP4609521B2 (ja) 2008-04-21 2011-01-12 ソニー株式会社 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム
CN101739867B (zh) 2008-11-19 2012-03-28 中国科学院自动化研究所 运用计算机对口语翻译质量进行评分的方法
US8677075B2 (en) 2010-05-18 2014-03-18 Lsi Corporation Memory manager for a network communications processor architecture
CN102741828B (zh) 2009-10-30 2015-12-09 英特尔公司 对计算机平台的异构处理器的双向通信支持
US8635412B1 (en) 2010-09-09 2014-01-21 Western Digital Technologies, Inc. Inter-processor communication
CN101980149B (zh) 2010-10-15 2013-09-18 无锡中星微电子有限公司 主处理器与协处理器通信***及通信方法
CN102184157B (zh) 2011-05-19 2012-10-10 华东师范大学 一种基于双处理器协作的信息显示装置
CN102831011B (zh) 2012-08-10 2015-11-18 上海交通大学 一种基于众核***的任务调度方法及装置
CN102866912A (zh) 2012-10-16 2013-01-09 首都师范大学 一种单指令集异构多核***静态任务调度方法
CN102930866B (zh) 2012-11-05 2014-05-21 广州市神骥营销策划有限公司 一种用于口语练习的学生朗读作业的评判方法
CN103019656B (zh) 2012-12-04 2016-04-27 中国科学院半导体研究所 可动态重构的多级并行单指令多数据阵列处理***
CN103177733B (zh) 2013-03-11 2015-09-09 哈尔滨师范大学 汉语普通话儿化音发音质量评测方法与***
CN103347037A (zh) 2013-05-29 2013-10-09 成都瑞科电气有限公司 一种基于wcf实现的通信前置机***及通讯方法
CN103530600B (zh) 2013-06-06 2016-08-24 东软集团股份有限公司 复杂光照下的车牌识别方法及***
US20150012711A1 (en) 2013-07-04 2015-01-08 Vakul Garg System and method for atomically updating shared memory in multiprocessor system
CN105051689A (zh) 2013-09-29 2015-11-11 华为技术有限公司 一种多核***中资源池的调度方法、装置和***
WO2015099730A1 (en) 2013-12-26 2015-07-02 Intel Corporation Sharing memory and i/o services between nodes
CN104978971B (zh) 2014-04-08 2019-04-05 科大讯飞股份有限公司 一种口语评测方法及***
CN103928023B (zh) 2014-04-29 2017-04-05 广东外语外贸大学 一种语音评分方法及***
CN104021042A (zh) 2014-06-18 2014-09-03 哈尔滨工业大学 基于arm、dsp及fpga的异构多核处理器及任务调度方法
CN110992935B (zh) 2014-09-12 2023-08-11 微软技术许可有限责任公司 用于训练神经网络的计算***
US9971397B2 (en) 2014-10-08 2018-05-15 Apple Inc. Methods and apparatus for managing power with an inter-processor communication link between independently operable processors
CN104464423A (zh) 2014-12-19 2015-03-25 科大讯飞股份有限公司 一种口语考试评测的校标优化方法及***
EP3035204B1 (en) 2014-12-19 2018-08-15 Intel Corporation Storage device and method for performing convolution operations
KR20160091786A (ko) 2015-01-26 2016-08-03 삼성전자주식회사 사용자 관리 방법 및 사용자 관리 장치
CN105159762B (zh) 2015-08-03 2018-09-07 冷子阳 基于贪心策略的启发式云计算任务调度方法
CN106407145A (zh) 2015-08-03 2017-02-15 联想(北京)有限公司 接口访问方法、***及存储卡
US9792896B2 (en) 2015-12-15 2017-10-17 Facebook, Inc. Providing intelligent transcriptions of sound messages in a messaging application
CN105678253B (zh) 2016-01-04 2019-01-18 东南大学 半监督人脸年龄估计装置及半监督人脸年龄估计方法
CN107578099B (zh) 2016-01-20 2021-06-11 中科寒武纪科技股份有限公司 计算装置和方法
US10275744B2 (en) * 2016-02-10 2019-04-30 Paypal, Inc. Enhanced data transfer initiation using image recognition
CN106056212B (zh) 2016-05-25 2018-11-23 清华大学 一种人工神经网络计算核
CN106502806B (zh) 2016-10-31 2020-02-14 华为技术有限公司 一种总线协议命令处理装置及相关方法
CN106897248A (zh) 2017-01-08 2017-06-27 广东工业大学 基于异构多处理器阵列的低功耗重构技术
CN106682702A (zh) 2017-01-12 2017-05-17 张亮 深度学习方法和***
CN106909971A (zh) 2017-02-10 2017-06-30 华南理工大学 一种面向多核计算环境的bp神经网络并行化方法
CN107844322B (zh) 2017-07-20 2020-08-04 上海寒武纪信息科技有限公司 用于执行人工神经网络正向运算的装置和方法
CN107590531A (zh) 2017-08-14 2018-01-16 华南理工大学 一种基于文本生成的wgan方法
US10678508B2 (en) * 2018-03-23 2020-06-09 Amazon Technologies, Inc. Accelerated quantized multiply-and-add operations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及***
CN104463101A (zh) * 2014-11-06 2015-03-25 科大讯飞股份有限公司 用于文字性试题的答案识别方法及***
CN106781784A (zh) * 2017-01-04 2017-05-31 王骁乾 一种智能批改***
CN107832768A (zh) * 2017-11-23 2018-03-23 盐城线尚天使科技企业孵化器有限公司 基于深度学习的高效阅卷方法和阅卷***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"一种基于短文本相似度计算的主观题自动阅卷方法";张均胜等;《图像情报工作》;20141031;全文 *

Also Published As

Publication number Publication date
CN110413551A (zh) 2019-11-05
US11687467B2 (en) 2023-06-27
US20200089623A1 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
US20220230420A1 (en) Artificial intelligence-based object detection method and apparatus, device, and storage medium
CN110413551B (zh) 信息处理装置、方法及设备
US20230103340A1 (en) Information generating method and apparatus, device, storage medium, and program product
US20210271862A1 (en) Expression recognition method and related apparatus
CN106874826A (zh) 人脸关键点跟踪方法和装置
CN111414946B (zh) 基于人工智能的医疗影像的噪声数据识别方法和相关装置
US20160034788A1 (en) Learning image categorization using related attributes
CN111639744A (zh) 学生模型的训练方法、装置及电子设备
CN111914782A (zh) 人脸及其特征点的检测方法、装置、电子设备和存储介质
CN107368182B (zh) 手势检测网络训练、手势检测、手势控制方法及装置
US20220198836A1 (en) Gesture recognition method, electronic device, computer-readable storage medium, and chip
CN112712068B (zh) 一种关键点检测方法、装置、电子设备及存储介质
CN111932418B (zh) 一种学生学习情况识别方法、***、教学终端及存储介质
CN113269013B (zh) 对象行为分析方法、信息显示方法及电子设备
CN112037239B (zh) 基于多层次显式关系选择的文本指导图像分割方法
Lahoti et al. Android based american sign language recognition system with skin segmentation and SVM
CN109214616B (zh) 一种信息处理装置、***和方法
Rawf et al. Effective Kurdish sign language detection and classification using convolutional neural networks
Rawf et al. A comparative technique using 2D CNN and transfer learning to detect and classify Arabic-script-based sign language
JP6947460B1 (ja) プログラム、情報処理装置、及び方法
CN113239915B (zh) 一种课堂行为的识别方法、装置、设备及存储介质
CN112633323B (zh) 一种用于教室的姿态检测方法和***
CN114511877A (zh) 一种行为识别方法、装置、存储介质及终端
WO2022135868A1 (en) Generating visual feedback
CN111507421A (zh) 一种基于视频的情感识别方法及装置

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