-
题名基于多数据库并行调度的复杂方法研究与仿真
被引量：8
- 1
-
-
作者
张星云
-
机构
湖北工业大学商贸学院
-
出处
《计算机仿真》
CSCD
北大核心
2015年第6期378-381,共4页
-
文摘
传统的多数据库并行调度方法,搜索引擎只能实现对数据库页面的搜索而无法进行对数据库内部的搜索,使得调度间的融合方法无法将调度数据同时发送到并行的多个数据库间进行融合处理,用户需要了解数据库的模式信息并掌握复杂的数据库查询语言后才能进行调度融合,使得查询效率过低,且数据库调度的信息不完整,存在较大弊端。提出一种基于多数据库并行调度云融合的复杂耦合系统仿真,将多数据库调度的编码信息划分层次结构后与多调度命令进行并行调度分析处理,设计一个数据融合感知模型,将调度数据通过云融合模型发送给复杂耦合系统进行融合。仿真结果表明,研究方法可以同时对多数据库并行调度的数据进行耦合性融合及备份,并且在多数据同时调度的过程中,云融合性能得到了显著提高,达到了多数据库并行调度高效率的目的。
-
关键词
多数据库
云融合模块
复杂耦合系统
-
Keywords
Multi - database
cloud fusion module
Complex coupling system
-
分类号
TP68
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于边云协同框架的煤矿井下实时视频处理系统
被引量：7
- 2
-
-
作者
李敬兆
秦晓伟
汪磊
-
机构
安徽理工大学电气与信息工程学院
-
出处
《工矿自动化》
北大核心
2021年第12期1-7,共7页
-
基金
国家自然科学基金项目(51874010)
物联网关键技术研究创新团队项目(201950ZX003)。
-
文摘
目前煤矿井下智能视频监控主要采用云计算方式处理实时视频,视频传输占用的网络资源多,时延高,无法实时响应监控区域发生的紧急事件。针对该问题,提出了基于边云协同框架的煤矿井下实时视频处理系统,将实时性强的目标识别任务下放至边缘端,将计算量大且实时性弱的边缘设备整合等任务放至云端处理。在视频监控现场,利用部署在边缘设备上的神经网络模型对视频监控图像进行本地处理;通过井下异构融合网络将不同网络环境中边缘设备的处理结果和模型参数等信息发送给云服务器;云服务器针对性地对各场景中的边缘设备进行模型更新、推送,最终实现边云数据实时交互和边缘端服务的在线优化。针对目标检测模型Tiny-YOLOv3无法提取到图片的深层特征、易出现梯度消失和过拟合现象等问题,依据残差结构设计了下采样残差模块,对Tiny-YOLOv3进行改进,以提高模型的深度特征提取和泛化能力。在边云数据交互的基础上,对边缘设备上的目标检测模型进行针对性场景优化,以提高边缘设备端模型检测的准确率。测试结果表明:改进型Tiny-YOLOv3模型的稳定性与数据泛化能力优于YOLO和Tiny-YOLOv3;经过单一场景的特化训练后,改进型Tiny-YOLOv3模型的目标识别更加精准;与云计算相比,边云协同框架可显著降低监控视频处理时延。
-
关键词
井下智能视频监控
边云协同框架
边缘计算
云计算
井下异构融合网络
Tiny-YOLOv3
下采样残差模块
-
Keywords
underground intelligent video monitoring
edge-cloud collaborative framework
edge computing
cloud computing
underground heterogeneous fusion network
Tiny-YOLOv3
down-sampling residual module
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名特征自适应融合插值的点云语义分割算法
被引量：1
- 3
-
-
作者
朱芬芬
王蕾
刘华
-
机构
东华理工大学信息工程学院
东华理工大学测绘工程学院
-
出处
《现代电子技术》
2023年第12期175-181,共7页
-
基金
国家自然科学基金项目(61561003)
国家自然科学基金项目(61761003)
+5 种基金
国家自然科学基金项目(62266001)
国家自然科学基金项目(42001411)
江西省核地学数据科学与系统工程技术研究中心基金项目(JETRCNGDSS201902
JELRGBDT202202)
江西省自然科学基金项目(20202BABL212014)
东华理工大学江西省数字国土重点实验室开放研究基金资助项目(DLLJ202004)。
-
文摘
点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失,然而未能高效地利用多尺度局部特征推理点云语义信息。为此,文中提出一种多尺度特征自适应融合的插值方法,以实现更准确的大场景点云语义分割算法。首先,通过注意力机制的局部特征聚合模块学习点云内部的语义关系,描述局部模式的各项异性;然后,以不同的采样率随机地采样点云产生多尺度的稀疏局部特征图;最后,使用特征自适应融合的插值法代替广泛使用的最近邻插值法,恢复全分辨率的特征图,为原始密度的点云提供更准确的语义信息。在SemanticKITTI和S3DIS两个大场景点云数据集上对所提算法进行评估,结果表明,所提算法的平均交并比(mIoU)分别为54.24%、75.5%,平均准确率(mACC)分别达到88.92%、86.5%,比大多数主流算法的分割效果更加准确。
-
关键词
点云语义分割
注意力机制
自适应融合插值
局部特征聚合模块
深度学习
随机降采样
-
Keywords
point cloud semantic segmentation
attention mechanism
adaptive fusion interpolation
local feature aggregation module
deep learning
random sampling
-
分类号
TN919-34
[电子电信—通信与信息系统]
TP391.41
[电子电信—信息与通信工程]
-
-
题名融合多分辨率特征的点云分类与分割网络
- 4
-
-
作者
陶志勇
李衡
豆淼森
林森
-
机构
辽宁工程技术大学电子与信息工程学院
沈阳理工大学自动化与电气工程学院
-
出处
《光电工程》
CAS
CSCD
北大核心
2023年第10期50-61,共12页
-
基金
辽宁省科技厅应用基础研究项目(2022JH2/101300274)。
-
文摘
针对现有网络难以有效学习点云局部几何信息的问题,提出一种融合点云多分辨率特征的图卷积网络。首先,通过k-最近邻算法对点云构建局部图结构,以更好地表示点云的局部几何结构。其次,基于最远点采样算法提出一个并行通道分支,该分支通过对点云进行下采样来获得不同分辨率的点云,然后对其进行分组处理;为克服点云的稀疏特性,提出一种几何映射模块对分组点云执行正态化操作。最后,提出一种特征融合模块对图特征和多分辨率特征进行聚合,以更有效地获得全局特征。实验使用ModelNet40、ScanObjectNN和ShapeNet Part数据集进行评估,结果表明,提出的网络具有良好的分类与分割性能。
-
关键词
点云
图卷积网络
多分辨率点云
特征融合模块
-
Keywords
point cloud
graph convolutional network
multi-resolution point cloud
feature fusion module
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
