比特派app官网版|cpn

首页
cpn

比特派app官网版|cpn

作者：比特派app官网版

2024-03-07 17:57:31

百度知道 - 信息提示

百度首页

商城

网页

资讯

视频

图片

知道

文库

贴吧采购

地图更多

搜索答案

我要提问

百度知道>提示信息

知道宝贝找不到问题了>_

该问题可能已经失效。返回首页

15秒以后自动返回

帮助

| 意见反馈

| 投诉举报

论文笔记_人体姿态估计：CPN - 知乎

论文笔记_人体姿态估计：CPN - 知乎切换模式写文章登录/注册论文笔记_人体姿态估计：CPNnahaix人体姿态估计：Cascaded Pyramid Network for Multi-Person Pose Estimation top-down 旷世科技于2017年取得COCO Keypoints Challenge冠军的文章姿态估计仍然存在许多难以解决的问题，如关键点被遮挡，重叠，关键点不可见和背景复杂等，究其原因主要有两方面：上述“困难”点无法只根据其外观特征被简单识别，比如躯干点；上述“困难”点在训练期间并没有被明确处理。论文提出一种全新的网络架构——级联金字塔网络（CPN），它分为两个阶段：GlobalNet 和 RefineNet。 GlobalNet 基于特征金字塔网络学习一个好的特征表征。并且，金字塔特征表征可以提供充足的语义信息，这对于推断遮挡和不可见的关键点来说必不可少。在金字塔特征的基础上，RefineNet 显式地处理“困难”点。CPN是一种 top-down pipeline。采用两阶段架构设计的想法，即由特征金字塔网络 GlobalNet先识别出简单关键点，再由（借助 online hard keypoint mining loss 的）RefineNet 整合来自前者的特征表征以识别余下的困难关键点。这样从易到难，层层推进，最终克服了关键点难以识别的问题。具体而言，CPN 包含一个基于特征金字塔结构的 GlobalNet 和一个把所有金字塔特征连接为语义信息的 RefineNet 。此外，RefineNet 中还引入在线困难关键点挖掘以显式处理“困难”点。Pipeline首先通过人体检测器根据图像生成一个边界框集合；接着通过单人关键点估计器预测每个人关键点的详细定位。采用基于 FPN 的当前最优物体检测器作为人体检测器，并用 Mask R-CNN ROIAlign 替代 FPN ROIPooling。网络整体结构采用CPN(Cascaded Pyramid Network)结构，Cascaded指的是级联的意思，代表了网络级联了2个类似的模块（GolbalNet和RefineNet），Pyramid指的是类似于FPN的金字塔网络结构。其中，GolbalNet负责网络所有关键点的检测，重点是对比较容易检测的眼睛，胳膊等部位的关键点预测效果较好，采用的损失函数为L2 loss。其中在每一个elem-sum操作之前，都对feature map使用了1*1的卷积操作。RefineNet指的是对GolbalNet预测的结果进行修正的网络。GolbalNet对身体部位的那些遮挡，看不见，或者有复杂背景的关键点预测误差较大，RefineNet则专门修正这些点。主要还是基于shortcut的思想。在该阶段的训练中，还使用了类似OHEM的online hard keypoints mining难例挖掘策略。GlobalNetCPN 的网络架构基于 ResNet。把不同卷积特征 conv2∼5 的最后残差块分别表示为 C_2 , C_3 , ..., C_5，并在其上应用 3 × 3 卷积滤波器生成关键点的热力图。如图所示，浅层特征比如C_2 , C_3 在定位上有着较高的空间分辨率，但是在识别上语义信息较少。另一方面，由于卷积（和池化），深度特征层比如 C_4，C_5 语义信息较多，但空间分辨率较低。因此经常引入 U 型结构同时保留特征层的空间分辨率和语义信息。本文的关键点估计应用了特征金字塔结构。稍微不同于 FPN，在上采样的过程中，在逐像素加和之前使用 1 × 1 卷积核，而这一结构正是 GlobalNet。如图所示，基于 ResNet backbone，GlobalNet 可有效定位简单的可见关键点（比如眼睛），却无法精确定位困难的隐藏关键点（臀部）。对臀部这类关键点的定位通常需要更多的语境信息和处理，而不是相邻的外观特征。很多情况下，单一 GlobalNet 无法直接识别这些“困难”点。RefineNetGlobalNet 生成特征金字塔表征来识别“容易”点，RefineNet 则显式处理“困难”关键点。为提升信息传输的效率，保证信息完整性，RefineNet 在不同层之间传输信息，并通过像 HyperNet 一样的上采样和连接把这些信息整合起来。不同于 Stacked hourglass 的优化策略，RefineNet 接收了来自所有金字塔层的特征信息，而不是类似 hourglass 模块之间仅通过最后一个上采样特征进行信息传递。此外还把更多的 bottleneck 模块来处理更深的特征，其较小的空间尺度可实现效率和性能的良好权衡。随着训练的进行，网络会倾向于关注占比较多的“简单”点，其重要性不及“困难”点，比如遮挡等情况，因此网络对两者的关注应该取得一个平衡。为此，RefineNet 根据训练损失在线地显式选择困难关键点（称之为在线困难关键点挖掘/ OHKM），并只从已选择的关键点反向传播梯度。结论按照 top-down pipeline，本文提出一种全新的级联金字塔网络 CPN 以解决“困难”关键点问题。具体而言，CPN 包含一个基于特征金字塔结构的 GlobalNet 和一个把所有金字塔特征连接为语义信息的 RefineNet 。此外，RefineNet 中还引入在线困难关键点挖掘以显式处理“困难”点。发布于 2020-08-23 12:24Pyramid深度学习（Deep Learning）计算机视觉赞同 2添加评论分享喜欢收藏申请

算力网络（CAN、CFN、CPN）、东数西算是怎么回事（上）：起源 - 知乎

算力网络（CAN、CFN、CPN）、东数西算是怎么回事（上）：起源 - 知乎首发于钱五哥の云数空间切换模式写文章登录/注册算力网络（CAN、CFN、CPN）、东数西算是怎么回事（上）：起源QianLing清华大学工学博士最近“算力网络”这个词成了热点：其一是中国移动和中国电信都先后提出了“算力感知网络”、“算力优先网络”和“算力网络”概念，其二是2020年国家信息中心提出“东数西算”概念之后，“算力网络”找到了一个具体的应用，我们先简要回顾一下历程，然后来具体解读一下。2019年10月召开的ITU SG13全会上，中国移动主导的“算力感知网络的需求及应用场景”立项获得全会通过（Cloud computing – Functional Requirements of Computing-Aware Networking），成为算力感知网络首个国际标准项目。提出方是中国移动、中国电信、华为、中科院声学所。目前状态是“Under Study”。（https://www.itu.int/itu-t/workprog/wp_item.aspx?isn=16443）2021.7.22还在更新。在这个会上，中国电信通过了一个算力网络框架和架构的草案（Framework and architecture of Computing Power Network）（https://www.itu.int/md/T17-SG13-191014-TD-WP3-0340），这个草案在2021年7月14日被更新，参见后文。2019年11月召开的IETF 106会议上，中国移动联合华为组织了作为算力感知网络路由层关键技术的“计算优先网络（CFN，Computing First Networking）”的技术研讨会，主导提交了三篇核心提案，会议吸引来自包括国内外运营商、知名大学在内的23家单位的近百名专家学者参会，引发与会专家热烈讨论，为推进算力感知网络协议技术的标准化工作奠定了坚实的基础。（注：draft都已经过期。draft-geng-rtgwg-cfn-req-00，已经过期、draft-li-rtgwg-cfn-framework-00，已经过期，draft-gu-rtgwg-cfn-field-trial-01，已经过期）2019年11月1日，中国联通在中国国际信息通信展览会期间发布了《中国联通算力网络白皮书》。大题介绍了一个完整的人工智能（AI）任务，包含算法、算力与数据三个方面，其中算法依靠学术界和理论界的持续研究，数据需要通过云平台等方式的聚集发挥作用，而算力则是要基于相同算法，相同成本，在相同时间内，处理更多的用户数据。近年来以SDN/NFV/AI为重点的云网技术为算力网络赋予了智能和灵活的资源虚拟化能力。而在刚刚崭露头角的算网技术方面，不同位置的边缘计算、中心计算，以及算力路由和算力交易，则可以直接盘活运营商的IT资产，使之成为灵活的算力产品。2019年11月28日，在边缘计算产业峰会（ECIS2019）上，中国移动研究院正式发布了《算力感知网络技术白皮书》。该白皮书由中国移动研究院联合华为撰写，首次向业界介绍了算力感知网络（CAN, Computing-aware Networking）的背景与需求、体系架构、关键技术、部署应用场景及关键技术验证等内容。放2个附图。2020年9月26日，国家“东数西算”产业联盟在甘肃省兰州市成立。国家“东数西算”产业联盟由国家信息中心、甘肃省发改委、上海市闵行区政府、深圳市发改委，以及华为、腾讯等知名企业，相关高等院校和科研院所共同发起成立。2020-12-30，开放数据中心委员会（ODCC）主办，中国信息通信研究院云大所、《人民邮电》报编辑部承办的”数据中心算力大会“在京如期举行，ODCC重磅发布了《数据中心算力白皮书》，这是ODCC针对数据中心算力发布的第一部白皮书，由中国信通院、中国电信、Intel、AMD、美团等单位的专家共同参与编写。（http://www.odcc.org.cn/computing.html）2021年5月24日，国家发展改革委、中央网信办、工业和信息化部、国家能源局印发《全国一体化大数据中心协同创新体系算力枢纽实施方案》。根据《关于加快构建全国一体化大数据中心协同创新体系的指导意见》（发改高技〔2020〕1922号）部署要求，为加快推动数据中心绿色高质量发展，建设全国算力枢纽体系，国家发展改革委会同有关部门研究制定了《全国一体化大数据中心协同创新体系算力枢纽实施方案》。现印发给你们，请结合实际，认真抓好贯彻落实。内容不多，也就下面主要4点。【1、定位】对于京津冀、长三角、粤港澳大湾区、成渝等用户规模较大、应用需求强烈的节点，重点统筹好城市内部和周边区域的数据中心布局，实现大规模算力部署与土地、用能、水、电等资源的协调可持续，优化数据中心供给结构，扩展算力增长空间，满足重大区域发展战略实施需要。对于贵州、内蒙古、甘肃、宁夏等可再生能源丰富、气候适宜、数据中心绿色发展潜力较大的节点，重点提升算力服务品质和利用效率，充分发挥资源优势，夯实网络等基础保障，积极承接全国范围需后台加工、离线分析、存储备份等非实时算力需求，打造面向全国的非实时性算力保障基地。【2、中心布局】引导超大型、大型数据中心集聚发展，构建数据中心集群，推进大规模数据的“云端”分析处理，重点支持对海量规模数据的集中处理，支撑工业互联网、金融证券、灾害预警、远程医疗、视频通话、人工智能推理等抵近一线、高频实时交互型的业务需求，数据中心端到端单向网络时延原则上在 20 毫秒范围内。贵州、内蒙古、甘肃、宁夏节点内的数据中心集群，优先承接后台加工、离线分析、存储备份等非实时算力需求。起步阶段，对于京津冀、长三角、粤港澳大湾区、成渝等跨区域的国家枢纽节点，原则上布局不超过 2 个集群。对于贵州、内蒙古、甘肃、宁夏等单一行政区域的国家枢纽节点，原则上布局 1 个集群。【3、城市布局】在城市城区内部，加快对现有数据中心的改造升级，提升效能。支持发展高性能、边缘数据中心。鼓励城区内的数据中心作为算力“边缘”端，优先满足金融市场高频交易、虚拟现实/增强现实（VR/AR）、超高清视频、车联网、联网无人机、智慧电力、智能工厂、智能安防等实时性要求高的业务需求，数据中心端到端单向网络时延原则上在 10 毫秒范围内.【4、工程保障】组织开展全国一体化大数据中心协同创新体系重大示范工程，在数据中心直连网络、一体化算力服务、数据流通和应用等领域开展试点示范，支持服务器芯片、云操作系统等关键软硬件产品规模化应用。支持开展“东数西算”示范工程，深化东西部算力协同。支持对大数据中心相关技术平台研制、资源接入调度、产业应用等共性技术和机制的集成验证。2021年7月5日-16日中国电信研究院在ITU-T牵头首项算力网络国际标准获通过。在国际电信联盟电信标准化部门（ITU-T）第13研究组（SG13）报告人会议上，通过了由中国电信研究院网络技术研究所雷波牵头的算力网络框架与架构标准（Y.2501），该标准是首项获得国际标准化组织通过的算力网络标准。草案名称是：Computing Power Network – framework and architecure。由于算力网络标准工作的积极开展，该领域得到了ITU的重点关注，会议期间ITU建议开启Y.2500系列编号，以Y.2501 “Computing Power Network- framework and architecture” 为首个标准，形成算力网络系列标准，与中国通信标准化协会（CCSA）算力网络系列标准相互呼应。（https://www.itu.int/md/T17-SG13-210716-TD-WP3-0614）更新了（https://www.itu.int/md/T17-SG13-191014-TD-WP3-0340）从上面的历程和公开的材料看，不管是CAN、CPN、CFN，都是运营商提出、设备制造商推动的一系列概念，这个概念基于一种预判，即未来企业客户或者个人用户不仅仅需要网络、也不仅仅需要云，而是需要灵活的把计算任务部署到合适的地方。不管怎么称呼这个新概念，众所周知，这是一个资源调度问题，涉及到复杂的资源调度算法设计。在这个算法中，但是基本的维度只有2个：一个是计算、一个是网络，最近由于5G、边缘、AI等因素又带来了新的变量，使调度算法复杂化。有如下共同点：1、云网统一编排，以网为中心调度算力（即云和端代表的算力）2、都引入了类似算力路由、算力发现等新概念（即云计算中的能力编排）3、引入了类似算网大脑这样的统一编排云网资源/能力的网元（即云操作系统）4、有些还引入了基于区块链的算力交易（云资源的调度无需区块链，但是终端计算能力或许需要）进一步解读，请看下一篇：算力网络（CAN、CFN、CPN）、东数西算是怎么回事（下）：解读相关信息：算力单位TOPS，GPU处理能力（TFLOPS/TOPS），CPU能力MIPS ，片外内存与片内内存“东数西算”来了：贵州内蒙等地将建国家算力枢纽国家“东数西算”产业联盟关于印发《全国一体化大数据中心协同创新体系算力枢纽实施方案》的通知中国电信研究院在ITU-T牵头首项算力网络国际标准获通过算力感知网络CAN技术白皮书(2021)中国联通算力网络白皮书(2019)《数据中心算力白皮书》及首批算力测评结果重磅发布！解读下一代网络：算力网络正从理想照进现实算力感知网络技术白皮书发布会(2019)张贴在IT产业、IT技术和产品、云网融合、云计算和存储（IAAS）、公有云、算力网络、边缘计算标签：CAN、CFN、CPN、东数西算、中国电信、中国移动、中国联通、区块链、算力网络“算力网络”（CAN、CFN、CPN）、“东数西算”是怎么回事1：回顾概念的起源 - 钱五哥の自由空间张贴在IT产业、IT技术和产品、云网融合、云计算和存储（IAAS）、公有云、算力网络、边缘计算标签：CAN、CFN、CPN、东数西算、中国电信、中国移动、中国联通、区块链、算力网络编辑于 2021-09-07 00:03中国电信中国移动算力网络赞同 5610 条评论分享喜欢收藏申请转载文章被以下专栏收录钱五哥の云数空间云计算、大数据、5G+AICDE、算力

CPN（网络流行语）_百度百科

网络流行语）_百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心CPN是一个多义词，请在下列义项上选择浏览（共2个义项）添加义项收藏查看我的收藏0有用+10CPN播报讨论上传视频网络流行语cpn，网络流行语，饭‌‌‌‌‌‌‌‌圈用语。即cp脑的意思，也就是看待两个人的关系是站在他们是一对cp的立场上思考问题。外文名cpn性质网络流行语目录1词语来源2引申含义词语来源播报编辑饭‌‌‌‌‌‌‌‌圈用语，即cp脑的意思，也就是看待两个人的关系是站在他们是一对cp的立场上思考问题。引申含义播报编辑粉丝尤其cp粉经常会说：cpn发散、cpn分析、cpn发言等等，因为他们想磕到两人之间的爱情。 [1]新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

系统学习机器学习之神经网络（七） --CPN_cpn网络的功能-CSDN博客

系统学习机器学习之神经网络（七） --CPN

最新推荐文章于 2021-05-30 22:23:19 发布

Eason.wxd

最新推荐文章于 2021-05-30 22:23:19 发布

阅读量9.9k

点赞数

分类专栏：

机器学习

专栏收录该内容

83 篇文章

40 订阅

订阅专栏

原文：http://blog.csdn.net/u014070279/article/details/47299987

1987年，美国学者Robert Hecht-Nielsen提出了对偶传播神经网络模型（Counter Propagation Network，CPN），CPN最早是用来实现样本选择匹配系统的。CPN 网能存储二进制或模拟值的模式对，因此这种网络模型也可用于联想存储、模式分类、函数逼近、统计分析和数据压缩等用途。

1. 网络结构与运行原理

网络结构如图所示，各层之间的神经元全互联连接。从拓扑结构看，CPN网与三层BP网络相近，但实际上CPN是由自组织网和Grossberg外星网组合而成。隐层为竞争层，采用无监督的竞争学习规则，而输出层为Grossberg层（见系统学习机器学习之神经网络（六） --GrossBerg网络），采用有监督信号的Widrow-Hoff规则或Grossberg规则学习。

网络各层按两种学习规则训练好之后，运行阶段首先向网络送入输入变量，隐含层对这些输入进行竞争计算，获胜者成为当前输入模式类的代表，同时该神经元成为如下图(a)所示的活跃神经元，输出值为1而其余神经元处于非活跃状态，输出值为0。竞争取胜的隐含神经元激励输出层神经元，使其产生如下图(b)所示的输出模式。由于竞争失败的神经元输出为0，不参与输出层的整合。因此输出就由竞争胜利的神经元的外星权重确定。

2. 学习算法

网络学习分为两个阶段：第一阶段是竞争学习算法对隐含层神经元的内星权向量进行训练；第二阶段是采用外星学习算法对隐含层的神经元的外星权向量进行训练。

因为内星权向量采用的是竞争学习规则，跟前几篇博文所介绍的算法步骤基本类似，这里不做介绍，值得说明的是竞争算法并不设置优胜临域，只对获胜神经元的内星权向量进行调节。

下面重点介绍一下外星权向量的训练步骤:

（1）输入一个模式以及对应的期望输入，计算网络隐节点净输入，隐节点的内星权向量采用上一阶段中训练结果。

（2）确定获胜神经元使其输出为1。

（3）调整隐含层到输出层的外星权向量，调整规则如下：

β为外星规则学习速率，为随时间下降的退火函数。O(t)为输出层神经元的输出值。

由以上规则可知，只有获胜神经元的外星权向量得到调整，调整的目的是使外星权向量不断靠近并等于期望输出，从而将该输出编码到外星权向量中。

3. 改进CPN网

（1）双获胜神经元CPN

指的是在完成训练后的运行阶段允许隐层有两个神经元同时竞争获得胜利，这两个获胜神经元均取值为1，其他神经元则取值为0。于是有两个获胜神经元同时影响网络输出。下图给出了一个例子，表明了CPN网能对复合输入模式包含的所有训练样本对应的输出进行线性叠加，这种能力对于图像的叠加等应用十分合适。

（2）双向CPN网

将CPN网的输入层和输出层各自分为两组，如下图所示。双向CPN网的优点是可以同时学习两个函数，例如：Y＝f（X）；X′＝f（Y′）

当两个函数互逆时，有X ＝X′，Y＝Y′。双向CPN可用于数据压缩与解压缩，可将其中一个函数f作为压缩函数，将其逆函数g作为解压缩函数。

事实上，双向CPN网并不要求两个互逆函数是解析表达的，更一般的情况是f和g是互逆的映射关系，从而可利用双向CPN实现互联想。

4. CPN网应用

下图给出了CPN网用于烟叶颜色模式分类的情况，输入样本分布在下图(a)所示的三维颜色空间中，该空间的每个点用一个三维向量表示，各分量分别代表烟叶的平均色调H，平均亮度L和平均饱和度S。可以看出颜色模式分为4类，分别对应红棕色，橘黄色，柠檬色和青黄色。下图(b)给出了CPN网络结构，隐层共设了10个神经元，输出层设4个神经元，学习速率为随训练时间下降的函数，经过2000次递归之后，网络分类的正确率达到96%。

CPN神经网络设计步骤如下：

C代码如下：（本代码按照步骤完成，同时也对照MATLAB代码修改，但是并没有预测功能，只能判断已输入的样本属于哪一类。贴出代码，希望大牛能帮帮忙）

#include "stdio.h" #include "stdlib.h" #include "math.h" #include "time.h" #include "vector" using namespace std; #define INF 99999 #define dimIn 4 //输入样本维数 #define dimOut 1 //期望输出样本维数 #define competeNum 40 //竞争神经元数 #define maxLoop 6000 //训练次数 #define alpha 0.41 //输入层到竞争层的学习率 #define delta 0.32 //竞争层到输出层的学习率 typedef vector doubleVector; vector dataIn; //输入训练样本 vector dataOut; //期望输出样本 vector W; //输入层到竞争层的权值 vector V; //竞争层到输出层的权值 doubleVector B; //二值输出向量 vector Y; //输出层输出向量 void getFileData(char *File1, char *File2); //获取样本 double EucDistance(doubleVector X); //计算欧式距离 void NormalizationX(); //输入样本归一化 void NormalizationW(); //连接权值归一化 void NormalizationV(); //输出层权值归一化 void Initialize(); //初始化权值 void CPN_Train(); //开始训练 int chooseWg(doubleVector X); //选择权重与X距离最近的向量 void Use_CPN(); //使用CPN网络 doubleVector round(doubleVector src); //四舍五入 //主函数 void main() { int i, j; char *File1 = "in.txt"; char *File2 = "out.txt"; getFileData(File1, File2); //获取样本 NormalizationX(); //输入样本归一化 srand(time(NULL)); Initialize(); //初始化权值

CPN_Train(); //开始训练 Use_CPN(); //使用CPN网络 } //使用CPN网络 void Use_CPN() { int i, g; double num, dis; doubleVector test; doubleVector out_sam; while(1) { test.clear(); out_sam.clear(); printf("输入测试样本:\n"); for(i=0; i=0.5) dst.push_back((int)src[i]+1); else dst.push_back((int)src[i]); } return dst; } //选择权重与X距离最近的向量 int chooseWg(doubleVector X) { int i, j, label; double sum, max=0; label = 0; for(i=0; imax) { max = sum; label = i; } } return label; } //初始化权值 void Initialize() { int i, j; doubleVector temp; //输入层到竞争层的权值 for(i=0; i

优惠劵

Eason.wxd

关注

踩

觉得还不错?

一键收藏

知道了

系统学习机器学习之神经网络（七） --CPN

复制链接

扫一扫

专栏目录

神经网络7种模型，如SOM、HOPFIELD、CPN、BPN、BOLTZMAN、RT、ADALINE

04-24

神经网络7种模型，如SOM、HOPFIELD、CPN、BPN、BOLTZMAN、ART、ADALINE

并带有人工神经网络入门讲稿.pdf

基于Matlab实现神经网络CPN算法（程序+数据）.rar

07-19

1、资源内容：基于Matlab实现神经网络CPN算法（程序+数据）.rar

2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。

3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。

4、免责声明：本资源作为“参考资料”而不是“定制需求”，代码只能作为参考，不能完全复制照搬。不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试代码并解决报错，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。

参与评论

您还未登录，请先

后发表或查看评论

基于Matlab实现神经网络CPN算法（源码+数据）.rar

05-20

1、资源内容：基于Matlab实现神经网络CPN算法（源码+数据）.rar

2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。

3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。

4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试代码并解决报错，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。

CPN人工神经网络例子源码

04-15

CPN人工神经网络例子源码，用c语言编写，提供给初学者练习

改进的CPN神经网络算法在流水线故障诊断中的应用.pdf

09-25

改进的CPN神经网络算法在流水线故障诊断中的应用.pdf

对偶传播神经网络（CPN）

ZhangPY的专栏

08-15

6176

1. 网络结构与运行原理

网络结构如图所示，各层之间的神经元全互联连接。

CPN神经网络学习

Try_再努力一点

08-05

2736

CPN神经网络的一些资料：

http://wenku.baidu.com/link?url=JIhrQ5tpegz_KfBEV6TT9nPL6SYBq-Msc8GzHJYgAi2rM462hTZy2QU4G7qUQYXlOdVxxHKn-FRKS5Ok9Jkc02gM2B72ySRrf9SM-mqZrT7

CPN神经网络设计步骤如下：

C代码如下：（本代码按照步骤完成，同时也对照

姿态估计之CPN(Cascaded Pyramid Network)

肺炎衣原体IgG检测_百度百科

体IgG检测_百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心收藏查看我的收藏0有用+10肺炎衣原体IgG检测播报讨论上传视频本词条由“科普中国”科学百科词条编写与应用工作项目认证。肺炎衣原体（Chlamydia pneumoniae，Cpn）是一种经呼吸道传播的病原微生物，是一专细胞内寄生、具有独特发育周期的原核型生物。肺炎衣原体感染是由肺炎衣原体引起的一种感染性疾病，可导致儿童急性呼吸道感染。此外它还与许多非呼吸道疾病相关，如肝炎、脑炎、关节炎、格林巴综合征、心血管疾病等。因此检测出肺炎衣原体对于明确诊断有着重要的意义。传统的肺炎衣原体感染病原学诊断的“金标准”是依赖于病原体的分离培养，分离培养的特殊性使其灵敏度不高。而检测肺炎衣原体IgG（Cpn-IgG）抗体，具有较好的灵敏度和特异性。中文名肺炎衣原体IgG检测专科分类儿科、感染科检查分类生物化学相关疾病急性呼吸道感染图集科普中国致力于权威的科学传播本词条认证专家为杨铁生丨主任医师北京大学人民医院牋检验科审核目录1临床意义2正常值参考范围基本信息中文名肺炎衣原体IgG检测专科分类儿科、感染科检查分类生物化学相关疾病急性呼吸道感染临床意义播报编辑1.任何衣原体IgG≥1∶16，但≤1∶512，且IgM抗体阴性，提示衣原体继往感染。2.衣原体IgG抗体滴度≥1∶512阳性和/或IgM抗体≥1∶32阳性，提示衣原体近期感染；急性期和恢复期双份血清IgG抗体滴度4倍及以上升高也提示衣原体近期感染。3.衣原体IgG抗体阴性，但IgM抗体阳性，RF乳胶吸附试验后IgM抗体仍为阳性结果，考虑窗口期的存在。4周后复查衣原体IgG和IgM抗体，如果IgG仍然为阴性，不论IgM结果如何，均可判断无继往感染，也无近期感染。4.肺炎衣原体感染的微量免疫荧光诊断依据：①急性期和恢复期双份血清抗体效价有4倍增长；②一次IgG效价>1∶512；③一次IgM效价>1∶16。正常值参考范围播报编辑阴性新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

CPN:一种计算/网络资源联合优化方案探讨 - 知乎

CPN:一种计算/网络资源联合优化方案探讨 - 知乎切换模式写文章登录/注册CPN:一种计算/网络资源联合优化方案探讨网络5.0网络5.0产业和技术创新联盟官方CPN:一种计算/网络资源联合优化方案探讨作者：雷波,赵倩颖（中国电信股份有限公司研究院,北京 102209）来源：数据与计算发展前沿摘要【目的】伴随5G和人工智能（Artificial Intelligence,AI）技术的飞速发展,各类型的应用不断涌现,不同应用对计算和网络都有着特定要求。为了给用户提供更好的体验,需要为不同应用提供满足需求的计算资源和确定性的网络资源,因此计算资源与网络资源的联合优化成为一个重要的研究领域。【文献范围】文章重点调研了计算资源与网络资源联合优化的解决方案,以及相关案例在现网中的应用等。【方法】本文给出一种计算/网络资源联合优化方案：算力网络（Computing Power Network,CPN）,阐述基于CPN的实验验证平台的整体架构,并给出了相关关键技术以及典型应用示例。【结果】CPN将计算资源信息与网络资源信息有机关联在一起,能够针对客户需求提供联合优化方案以及组织相应的资源调度工作。【局限】计算/网络资源联合优化涉及多个领域的研究,CPN作为一种新型解决方案,还面临很多的挑战,需要根据业务需求与商业模式的发展,不断地完善和发展。【结论】算力网络能够有效应对未来业务对计算、存储、网络甚至算法资源的多级部署以及在各级节点之间的灵活调度,获得了相关领域专家的认可,已经在国际电信联盟电信标准分局（International Telecommunication Union Telecommunication Standardization Sector,ITU-T）、中国通信标准化协会（China Communications Standards Association,CCSA）等国际国内标准组织中立项进行标准化研究。关键词：计算资源 ; 网络资源 ; 联合优化 ; 算力网络Abstract[Objective] With the rapid development of 5G and AI, various types of applications appear and have the specific requirements for computing power and network. To provide users with better service experience, it is necessary to provide various applications with sufficient computing and deterministic network resources. Therefore, the joint optimization of computing and network resources is of an important research interest. [Scope of the literature] The article focuses on the joint optimization solution of computing/network resources as well as the related use cases adopted in current network. [Methods] This paper presents a joint optimization solution for computing/network resources allocation, namely computing power network (CPN), and introduces the architecture of the test platform based on the CPN as well as the key technologies and typical instances. [Results] The CPN combines the information of computing and network resources, which enables joint optimization solution and scheduling of relevant resources on the basis of user requirements. [Limitations] The joint optimization solution involves many fields. As a new solution, it faces many challenges and needs to be further improved and developed, according to different service requirements and business modalities. [Conclusions] The CPN can schedule the computing, storage, network and algorithm resources among multi-stage nodes. It has been recognized by experts in related fields and the standardization work has been carried out in international and domestic standard organizations such as ITU-T and CCSA.Keywords： computing resources ; network resources ; joint optimization ; computing power network引言AlphaGo与世界顶级围棋高手李世石进行AI围棋对决,AlphaGo大比分获胜,成为了第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人;人体基因测序由最初的数年缩短到现在的几天,更有组织宣布人体全基因测序有望只需1000美元在1天时间内完成;天气预报从最初对未来一天的天气预测,发展到现在可以对未来一周甚至更长时间的预测;宇宙的观测距离从220万光年发展到现在的137亿光年。人工智能凭借什么战胜了人类?人类对未知世界的反应为何能越来越迅速、精准?答案是海量数据背后的超级算力。AI通过算力训练庞大的数据,并通过神经网络不断学习成长,最终获得技能,战胜人类选手;天气预报通过算力分析气象站、卫星等终端收集上来的数据,对各种天气系统的位置和强度进行预测。可以说：算力改变世界,算力驱动未来。随着芯片技术的发展,算力价格日益下降,已经不再是数年前昂贵的奢侈品。小到个人手机、个人计算机,大到超级计算机、数据中心,算力存在于我们生活的各个角落。但另一方面,随着算力的普及,算力的利用率却在大幅下降。有数据表明各类算力终端的利用率甚至低于15%。大量算力的浪费,无论是对于一个家庭还是一个企业来说都是一种经济上的损失。在此背景下,亟需在算力提供方与算力消费者之间搭建一个桥梁,让闲置的算力可以通过网络进行交易,即不仅是传统的云计算平台,新兴的边缘计算平台,甚至企业闲置的服务器,个人电脑都可以为其它用户提供算力,从而减少资源的浪费,提高企业、个人的经济效益。然而,如何将匹配的算力传递给用户成为了难点,其需要对计算资源和网络资源进行综合评估,以期在成本与效益之间找到最优化的解决方案。在集中化的云计算时代,云网一体成为计算网络资源联合优化的重要解决方案,比如利用软件定义网络/网络功能虚拟化（Software Defined Network/ Network Function Virtualization,SDN/NFV）技术将应用、云计算、网络及用户联通起来,提供一个“云、网、边、端”的完整、灵活、可扩展的云网一体化服务。网络将按照云的要求提供网络资源（网络即服务）,而云则根据应用的需要调用网络资源。然而,随着5G的规模建设与边缘计算的兴起,前期的云网一体方案面临了新的挑战。比如随各类计算节点的下沉,算力将遍布整个网络,业务对算力的需求也逐渐呈现出多样化、多变化的特征。因此,如何结合网络对算力资源进行调度、充分利用,对整个网络进行算网一体化的改造,是本文关注的主要问题[1]。针对前文所述背景,本文面向计算资源与网络资源联合优化的问题,提出了一种算力网络的解决方案,这是在5G、AI时代的新型资源整合方案,它将属于不同所有方的计算资源通过网络有机整合起来,并按照用户业务的不同需求提供最优的资源服务与网络连接,从而实现全网性的资源优化调度部署。1 相关工作近年来,各领域的专家、学者都在关注计算与网络的联合优化问题,也在此方向进行了深入的研究。Qingxia Chen等人提出了一种新颖的融合架构-软件定义网络、缓存和计算(Software-Defined Networking, Caching, and Computing,SDN-NCC)[2]。它支持动态编排网络,缓存和计算资源,以有效满足不同应用程序的需求并提高端到端系统性能。该架构中业务的需求被解析为计算需求和缓存需求,而对网络的考虑,则体现在基于SDN技术的网络可编程中。Younghwa Kim等人为更好解决在实际应用中用户业务需求的实现和管控问题,提出了一种基于SDN编排器的智能数据中心互联(Data Center Interconnection, DCI)技术[3],其可以通过传输网连接分布式云网络。文章详细介绍了包括需求、结构、实施和测试床在内的整体研发步骤并讨论了该项技术的下一步优化工作。Ying He等人提出了一个可以实现网络,缓存和计算资源的动态编排,以提高下一代车载网性能的集成框架。框架中将资源分配策略表述为一个联合优化问题,该框架考虑了网络、缓存和计算三种资源[4]。以上关于计算网络联合优化问题的研究成果[2,3,4],均是优先考虑计算资源,再考虑网络资源。在多级算力并存的今天,这样的方法容易造成网络资源的浪费,也会造成优质计算资源的浪费。除学术界外,各大运营商、厂商也在该领域提出了自己的看法和解决方案。当下关于计算与网络的联合优化问题最著名的方案是云网融合。云网融合通过一个横跨云管和网管的超级协同编排系统,对云中的各种资源和网络资源进行协同调度,以实现计算资源和网络资源的完美结合,但是该方案目前正处于一个相对简单的初级阶段,超级协同编排系统的建设和运营也相对复杂[5]。2019年11月,中国联通发布了《中国联通算力网络白皮书》[6],同月中国移动发布了《算力感知网络技术白皮书》[7],两本白皮书中均介绍了基于分布式网络的计算网络融合新架构—计算优先网络（Compute First Network,CFN）,该架构将计算能力和网络状态信息作为路由信息发布到网络,并路由到相应的计算节点,来实现计算和网络的联合优化。该分布式方案具有很好的扩展性,但实现复杂,需要对现有的网络设备进行升级。在我们的前期工作中,提出了一个针对计算网络融合问题的算力网络管理编排系统[8],该编排管理系统利用集中式的思想对计算信息和网络信息进行分发和收集。该方案在实现上相对简单,但是其可扩展性受系统性能影响,随着业务量的增加会产生瓶颈。基于各领域的研究经验、成果以及生产实践经历,作者在文中给出了一种新的算力网络的实验验证平台,该平台利用集中式和分布式联合的方案通过网络分发服务节点的算力、存储、算法等资源信息,并可结合网络信息（如带宽、时延等）,针对用户的不同类型需求,提供最佳的资源分配及网络连接方案,从而实现整网资源的最优化使用。2 CPN概述算力网络是一种通过网络分发服务节点的算力信息、存储信息、算法信息等,结合网络信息（如路径、时延等）,针对用户需求,提供最佳的资源分配及网络连接,并实现整网资源的最优化使用的解决方案。算力网络需要从两个层面来解决计算网络资源联合优化调度的问题。首先是资源关联问题,根据用户的诉求将算力资源、网络资源等进行有机的整合,以满足用户多样化的需求;其次是资源交易问题,使用户能够根据自己对业务的要求以及能够承担的成本,在交易平台上购买最适合的算力资源与网络资源。针对第一方面,算力网络所倡导的解决思路是利用网络控制面来分发资源信息。由于网络控制面可分为集中式和分布式两种方案,因此算力网络在资源调度方面也有两种方案,如集中式的算力网络管理编排系统和分布式的算力路由层方案。针对第二方面,算力网络希望能够建立类似于电力交易平台的算力交易平台,在算力提供方与算力消费者之间建立桥梁,为消费者提供一站式的服务,而他们不用进行费时费力的一对一的谈判与交易,同时完成算力资源与网络资源的购买。图 1图 1 算力网络管理编排平台架构图Fig.1 CPN management platform architecture针对第一方面的问题,我们设计并构建了算力网络管理编排平台,如图 1[8]所示,其可以支持集中式资源调度或分布式资源调度方案。集中式方案实现简单,可以在已有的SDN/NFV编排控制平台上扩展实现,但集中式方案在扩展性上会出现瓶颈,尤其是在业务状态频繁变化时,集中式的管理系统难以对算力资源进行精细地监控和分配;分布式方案实现复杂,需要对现有的网络设备进行升级,但是其具有很好的扩展性。因此本文将重点结合集中式和分布式两种方案的优势提出一种新型混合式方案：既能利用分布式路由协议分发资源信息,又能通过基于SDN/NFV的集中式算力网络管理编排平台集中调度网络资源、计算资源等。算力网络管理编排平台负责对这些资源进行管理和编排,既要实现根据业务需求的动态算力调整,又要实现对各个层面资源的有机协调,主要模块功能如下：（1）需求解析模块。分析用户业务需求,将用户业务需求转化为算力资源需求,根据算力需求划分业务等级,以确定业务的部署位置、所需资源大小等信息。（2）算法选择模块。根据用户的业务类型和需求解析模块的结果,在赋能平台中为用户选择合适的部署算法,确定用户业务部署的规格。（3）应用部署模块。根据算法选择模块的结果,将用户业务部署到指定的算力节点中。（4）算力调度模块。管理核心云和边缘云的算力资源,根据业务需求为用户分配相应的计算、存储、网络资源,并根据策略对业务部署位置、业务算力进行弹性调整。（5）网络调度模块。管理用户、边缘云、核心云的网络,在用户业务部署或调整之后,配置用户到业务处理节点之间的网络,将用户流量路由到处理节点。在上述功能模块中,部分功能可以借助现有的技术进行实现,如：算法选择模块使用大数据分析技术;应用部署模块借助边缘计算平台（Multi-access Edge Computing Platform, MEP）;算力调度模块使用NFV编排器（NFV Orchestrator, NFVO）;网络调度模块使用SDN控制器等。需求分析模块则需要根据服务的用户类型进行设计,形成标准化的模板,用户根据自身业务规模提出不同的需求,算力网络管理编排系统将业务需求转化为具体的算力资源调度方案,并为用户分配合适的基础资源。针对第二方面的问题,我们设计了算力交易平台。算力交易平台可以与图 1中的算力网络管理编排系统进行对接,且与算力消费方、算力提供方之间建立通信,如图2所示。算力网络交易平台负责资源信息的整合与报价、执行算力网络交易流程以及提供资源消费账单与资源占用账单。算力网络管理平台和算力交易平台共同构成了本文的实验验证平台-算力网络平台（CPN平台）。图2图2 算力交易平台Fig.2 Computing power transaction platform2.1 资源信息收集与分发在传统解决方案中,不同类型资源信息分发是通过互相独立且差异很大的体系,比如算力资源信息一般会通过集中式的管控平台（如云管平台）来收集,用户需要依靠这些平台才能获取各个算力池的空闲算力信息,而网络资源信息则是通过网络控制面来分发,用户可以在接入点获取全网的路由信息,并按一定的策略来获得有保障或者尽力而为的传送通道。显然由于各类资源信息的独立性,导致在进行联合优化时,如何将不同类型的资源关联起来,并保持实时或者准实时更新,成为一大难题。因此,算力网络采用将算力资源等信息通过网络控制面进行转发的方式,来实现计算资源与网络资源的有机结合,便于用户调用最适合的资源,同时也能够让运营方从全局的角度来实现资源的优化和统一调度。由于网络控制面可分为分布式和集中式两种方案,因此算力网络在资源调度方面也有两种方案,如集中式的算力网络管理编排系统和分布式的算力路由层方案。本文通过分布式的方案来实现算力资源的分发。该方案通过在如边界网关协议(Border Gateway Protocol, BGP)等的IP路由协议中增加相应的字段,让算力资源信息可以在BGP邻居之间传递,并在传递算力资源信息的同时,利用Telemetry等协议,测量出本节点到算力节点之间的时延信息。路由协议中新增字段如图3所示。图3图3 路由协议中新增字段示例Fig.3 Extended fields in routing protocol分布式路由分发示例如图4所示。图4图4 分布式路由分发示例Fig.4 Distributed routing distribution instance第一步,算力节点C1将自己的空闲的算力资源信息发送给路由节点R4,在R4上记录了到C1的信息：{C1,I1,T4},其中I1是R4去往C1的端口,T4包括两部分：一是C1到R4的传输时延,二是R4的节点处理时延∆t。第二步,R4将C1节点的算力信息扩散给路由节点R5,这样R5收到了R4发送过来的算力信息后,生成相应的算力路由表项：{C1,R4,T5},其中记录去往C1需要经过R4,其时延是T5,而T5可以根据R4发送过来的T4,加上T45：R4到R5的传输时延,以及R5的节点处理时延∆t所得,也可以利用Telemetry协议重新进行测量。同理,网络中的各节点都可以根据以上流程,得到本节点到本域内所有算力节点的算力资源信息,以及对应的路由表项。2.2 资源视图与交易流程用户首先在算力交易平台发起申请,包括对算力资源大小的需求,以及对时延的要求等。算力交易平台在收到用户交易申请后,会先向算力网络管理编排系统查询相关的算力资源信息和网络资源信息。如果有必要,也可以由算力网络管理编排平台发起端到端的时延测量流程,以获得更为精准的时延信息。第一步：由算力网络消费者提出业务诉求,比如站点位置、算力资源需求大小、连接服务要求等。第二步：算力网络交易平台根据算力网络消费者的诉求,生成算力网络资源视图,以算力网络消费者为中心,将可能的算力资源池、相关的网络连接资源等整合在一张视图中,甚至包括相关资源消费组合的套餐报价。第三步：算力网络消费者根据算力网络资源视图选择最适合自己的套餐服务,当然也可以自行订制选择相应的资源,然后在算力交易平台上签订交易合约。第四步：算力交易平台根据交易合约,通过算力网络管理编排系统调度算力资源、建立网络连接等,并更新相应的空闲资源信息。第五步：算力交易平台将持续跟踪资源占用情况,直到由交易合约制定的交易结束时间,算力交易平台终止服务,释放算力资源与网络资源。算力交易平台还可以借助区块链等新兴技术,实现分布式的账本、匿名交易等新功能。2.3 算力资源与网络资源联合调度算力消费者在算力交易平台完成交易后,算力交易平台将交易结果发送给算力网络编排管理系统。由算力网络编排管理平台根据交易结果,分别对每个用户建立网络连接,并分配相应的算力资源,更新算力资源和网络资源信息。3 相关技术发展介绍3.1 算力资源评估与度量算力,顾名思义就是计算能力。想要根据用户对算力的需求为其提供服务,首先需要将算力像电力一样进行量化,根据统一的标准,评估每一个资源池现有的算力大小,和用户对算力的需求大小。有了统一的标准,才能明确资源现状和用户需求,算力才能够进行交易。而目前,算力按照应用场景有不同的衡量单位,用于比特币的每秒哈希运算次数(H/S),用于AI和图形处理的每秒浮点运算次数（FLOP/S）,智能社会对算力的诉求主要是浮点运算能力,专用AI芯片如华为昇腾910采用7nm工艺,半精度FP16算力达256TFLOPS,低功耗的12nm芯片昇腾310半精度FP16算力也达到了8 TFLOPS。过去5年, 随着深度学习算法的演进,AI训练对算力的需求增加了30万倍,一些互联网厂家已经将算力作为服务提供给用户,从1 FP 32 TFLOPS或8 FP 16 TFLOPS到4 FP 32 TFLOPS或32 FP16 TFLOPS的AI推理加速服务,简单的语音语义识别或单流视频分析 8 FP16 TFLOPS 即可满足,复杂的推荐引擎或者风险检测则需要32 FP16 TFLOPS[6]。目前算力资源评估与度量还处于积极研究的阶段,已经在CCSA等标准组织中设立相关研究课题。当前的初步设想是,将算力池视为黑盒,根据以往收集的同类型算力池以及实验室测试情况,利用深度学习算法,评估和量化该算力池针对主要的AI算法所能提供的算力资源大小。表 1 Table 1 Computing power and network resource information table算力节点算力资源路径时延注1：算力资源的度量目前没有通用的标准,业界各方也在积极进行研究。这里为了简化度量复杂度,可以按某类业务所需要的计算资源作为标准单位,比如以支持10000帧/秒的人脸识别业务所需的算力资源作为一个算力单位。注2：相邻节点之间的网络时延包括节点处理延迟、排队延迟、发送延迟、传播延迟等等,为了简化描述,本例就合并在一起进行描述。此外,网络运营方也可以根据其网络控制策略,设定不同的时延以控制用户路由。在本例中,为了不给读者对网络中实际时延情况造成误解,故时延为示意性大小“1单位”时延,仅为对不同路径时延长短作比较。新窗口打开| 下载CSV3.2 精准网络时延测量在算力网络中,网络时延和算力大小是为用户选择合适资源池的两个重要指标。精准的网络时延测量则是所有工作的前提。目前Telemetry技术能够提供精准网络时延测量。Telemetry是一项远程的从物理设备或虚拟设备上高速采集数据的技术,设备通过推模式主动向采集器上输送设备数据信息,提供更实时、更高速的数据采集功能。与传统的简单网络管理协议（Simple Network Management Protocol,SNMP）的Trap和SYSLOG(系统日志)采用的推模式相比,Telemetry推送的数据范围更广,不但包括告警及事件,还可以采集类似接口流量等的监控数据,Telemetry对网络监测控制效率的提升有着至关重要的作用。由于Telemetry能够提供网络的精确测量,常常被用在生产中的自动控制技术上,用来实现远程监控的自动控制方案。在计算和网络联合优化的场景中,通过Telemetry技术可以加强基础数据采集,实现计算和网络的智能感知,作为计算网络资源可视、智能化的基础。目前Telemetry技术尚处于标准化阶段。3.3 网络调度（SDN与NFV）在确定了用户业务的部署位置后,需要在相应的算力池中为用户划分资源并在用户和资源节点之间建立通路,从而为用户提供满足需求的服务。基于SDN/NFV的统一编排、自动管控的架构,能够很好地解决算力网络中网络调度的问题。SDN是一种新型网络架构,它将控制平面和转发平面解耦,通过软件编程的形式集中控制网络,具有开放性、可编程的特点[9]。可在用户业务部署或调整之后,配置用户到业务处理节点之间的网络,将用户流量路由到处理节点。NFV利用虚拟化技术,将传统电信设备功能,分割成几个功能区块,分别以软件方式实现,不再局限于硬件架构,实现网络功能和硬件设备解耦。NFV在2012年开始逐步制订相关国际标准规范,目前已进入了第四阶段,开始注重NFV商用落地的研究[1,10]。可利用NFV技术创建虚拟宽带接入服务器(virtual Broadband Remote Access Server,vBRAS)、虚拟用户终端设备（virtual Customer Premise Equipment,vCPE）等虚拟网关,使用户能够访问资源节点。SDN/NFV目前在产业界受到热烈的追捧,运营商和通信服务提供商都加大相关方向的部署力度希望能够发挥SDN/NFV的优势,帮助新服务快速部署,实现高度的网络自动化和动态重新,降低运营成本。4 CPN应用示例在前述的算力网络体系的基础上,本小节将根据一个典型的网络场景来详细描述,如何通过CPN平台进行算力资源、网络资源的联合优化调度工作。场景示意如图5所示。图5图5 典型场景示例Fig.5 Typical scenario instance在本场景中,一共有三类算力资源节点。（1）第一类是云计算节点,如本例中的C1。此类节点所能提供的算力资源非常的多,对于单一用户而言,可以认为接近是无限量供应的,但云计算节点一般集中部署在电力资源充裕、远离城区的位置,因此从网络角度来看,云计算节点到用户的时延是很难控制与保障的。（2）第二类是城域计算节点,如本例中的C2。此类节点能够提供一定规模的算力资源,与用户也在同一个城域网范畴内,网络连接的质量和时延也相对容易保障一些。但时延指标仍受到一定的限制,不能提供极低的时延。（3）第三类是边缘计算节点,如本例中的C3。此类节点靠近用户设立,时延可以非常低,且不容易被其他用户所干扰,网络连接的质量可以得到有效的保障。但受限于机房条件,能够提供的算力资源非常有限,最好能分配给高价值用户使用。第一步：资源信息分发与收集各算力节点将空闲算力通过路由协议进行分发,因此R1可以得到所有计算节点的算力资源信息、网络节点之间的网络拓扑信息以及网络时延信息等,如表1所示。第二步：算力交易用户根据收到的算力网络路由表,考虑到其业务需求,自主选择合适的算力节点,并向CPN平台发出申请,完成算力交易流程。如用户希望计算的时延越低越好,而对价格因素不敏感,则可以选择计算节点C3。如用户考虑到其对时延要求一般,但希望数据不出城,即无需负担长途专线费用,则可以选择计算节点C2。如用户对业务扩展性要求很高,希望能够灵活提供算力大小,同时还希望能够有较高数据安全性,具有独立的网络地址空间,但对时延没有特别要求。则可以选择计算节点C3。第三步：资源调度当用户在CPN平台完成交易后,CPN平台将根据用户的选择,建立相应的网络连接,并分配相应的算力资源,更新算力资源和网络资源信息。如图5红线所示,若用户选择计算节点C1,则CPN先在C1上部署虚拟化的软件定义广域网(SoftwareDefine Wide Area Network,SD-WAN)网关,如vCPE,即在R1与C1之间建立SD-WAN专线,然后再分配C1的算力资源给用户,并更新算力资源表项。5 展望与下一步工作本文提出了一种计算网络资源联合优化调度方案-算力网络。本文在介绍CPN平台的整体架构的同时,针对资源关联问题介绍了资源信息的收集分发流程,针对资源交易问题,介绍了算力的交易流程,提供算力网络可长期发展的生态环境。此外,文章在最后还提供了CPN应用的整体示例,展示了CPN平台如何进行算力资源、网络资源的联合优化调度工作。算力网络可结合网络信息（如带宽、时延等）,针对用户的不同类型需求,提供最佳的资源分配及网络连接,从而实现整网资源的最优化使用的解决方案。在下一步的工作中,我们还将对算力网络中所涉及的各个功能模块进行细化,包括如何对算力资源进行评估与度量,如何进行精准的网络时延测量,和如何对网络中的业务进行调度,从而将算力网络打造成一个集算力资源选择,算力资源调度,算力资源交易为一体的全方位的算力生态环境。利益冲突声明所有作者声明不存在利益冲突关系。参考文献 View Option [1]陈运清, 雷波, 解云鹏 .面向云网一体的新型城域网演进探讨[J]. 中兴通讯技术, 2019(2): 2-8+27.[本文引用: 2][2]Qingxia Chen, F. Richard Yu , et al.Joint Resource Allocation for Software-Defined Networking, Caching, and Computing[J]. IEEE/ACM TRANSACTIONS ON NETWORKING, 2018(2):274-287.[本文引用: 2][3]Younghwa Kim, Saehoon Kang, Chunglae Cho, Soomyung Pahk .SDN-based Orchestration for Interworking Cloud and Transport Networks[C]. 2016. International Conference on Information and Communication Technology Convergence (ICTC),Piscataway: IEEE, 2016: 303-307.[本文引用: 2][4]Ying He, Nan Zhao, Hongxi Yin. Integrated Networking ,Caching, and Computing for Connected Vehicles: A Deep Reinforcement Learning Approach[J]. IEEE Transactions on Vehicular Technology, 2018(1):44-45.[本文引用: 2][5]云计算开源产业联盟.云网融合发展白皮书(2019年)[Z]北京:云计算开源产业联盟, 2019.[本文引用: 1][6]中国联通.中国联通算力网络白皮书[Z]北京:中国联通, 2019.[本文引用: 2][7]中国移动.算力感知网络技术白皮书[Z]北京:中国移动, 2019.[本文引用: 1][8]雷波, 刘增义, 王旭亮, 杨明川, 陈运清 .基于云、网、边融合的边缘计算新方案:算力网络[J]. 电信科学, 2019(09):44-51.[本文引用: 2][9]边缘计算产业联盟(ECC)与网络5.0产业和技术创新联盟(N5A)联合发布.运营商边缘计算网络技术白皮书[R]北京: ECNI工作组, 2019.[本文引用: 1][10]刘增义, 雷波, 杨明川 .人工智能在NFV中的应用[J]. 电信科学, 2019,( 05):2-8.[本文引用: 1][11]雷波, 唐静 .中国电信打造NFV自动化集成与验证平台[J]. 通信世界, 2019(13):46-47.发布于 2021-03-27 16:47网络资源信息资源通信行业赞同 1添加评论分享喜欢收藏申请

论文笔记（CPN）：Cascaded Pyramid Network for Multi-Person Pose Estimation-CSDN博客

论文笔记（CPN）：Cascaded Pyramid Network for Multi-Person Pose Estimation

最新推荐文章于 2024-03-03 21:06:20 发布

惟江上清风

最新推荐文章于 2024-03-03 21:06:20 发布

阅读量7.2k

点赞数

分类专栏：

计算机视觉论文笔记

文章标签：

计算机视觉

CVPR

cpn

关键点检测

本文链接：https://blog.csdn.net/yangzhengzheng95/article/details/85288347

版权

计算机视觉论文笔记

专栏收录该内容

1 篇文章

2 订阅

订阅专栏

该论文发表在2018年CVPR上，用于多人姿态估计的级联金字塔网络

arxiv论文地址：https://arxiv.org/abs/1711.07319

github代码：https://github.com/GengDavid/pytorch-cpn，https://github.com/chenyilun95/tf-cpn

对于目前多人姿态估计中仍然存在的问题（遮挡点，不可见点和拥挤的背景，是的人体关键点检测存在的问题），作者将其原因归纳为两点：

1）作者认为，只通过表层特征不能识别这些“难点”，例如：躯干点；

2）在训练过程中没有明确解决这些“难点”的检测问题；

因此，在本文中，作者提出了一种新的网络结构，称为Cascaded Pyramid Network（CPN）级联金字塔网络，该网络可以有效缓解“hard” keypoints的检测问题，CPN网络分为两个阶段：GlobalNet和RefineNet。GlobalNet网络是一个特征金字塔网络，该网络用于定位简单的关键点，如眼睛和手等，但是对于遮挡点和不可见的点可能缺乏精确的定位；RefinNet网络该网络通过集合来自GolbalNet网络的多级别特征来明确解决“难点”的检测问题。

本文作者的工作有三大创新点：

作者提出了一个新的有效的网络：CPN，该网络由GlobalNet和RefineNet网络构成；作者分析了在top-down结构中问题对于多人姿态估计产生影响的不同因素；作者的算法实现了在challenging COCO multi-persion keypoint benchmark数据集上的最好的结果，在test-dev dataset上达到73.0AP，在test challenge dataset 上达到72.1AP。

在本论文中，作者采用了top-down的路线：先在image上使用一个human detector得到人的bounding-boxes，然后再使用cpn网络尽心关键点的检测；本文重心在cpn网络实现的关键点检测。

Our Approach for Multi-person Keypoints Estimation

一. Human Detector

检测算法作者使用FPN和Mask RCNN网络，以得到每个人的bounding-boxes，然后使用bounding-boxes对原图进行裁剪，并将裁剪后的结果用于CPN网络的输入进行关键点检测。

二. cascaded Pyramid Network(CPN)

作者提出的网络结构如下，可以看到该网络由两个子模块构成：GlobalNet和RefineNet。

2.1 GlobalNet

该网络的基础网络采用resnet网络，以resnet50为例，使用在imagenet上预训练的resnet50网络，然后使用该网络提取特征，分别使用1/4,1/8,1/16,1/32四个级别的网路特征（conv2_x, conv3_x, conv4_x, conv5_x的输出），然后在GlobalNet中分别将四层特征的通道转换为相同的通道数，此时，得到了四层通道数相同的特征图，该四层特征用两个用途：

用途一：对该四层网络特征做如下操作：低层特征进行上采样，与上一层特征进行相加，即不同尺度特征进行融合，最终得到融合了低层特征的四层特征，最后对该四层特征分别进行通道转换（转换为与关键点数目相同的通道数）并都上采样到1/4大小，用于计算该阶段的L2 loss）（四层输出分别和四种不同的高斯分布的label进行损失计算）。

用途二：对于四层特征，在RefineNet中进行使用, 见2.2。

小结：通过GlobalNet网络，可以对简单的点进行有效的关键点检测，但是对于不可见的关键点的检测，效果仍然不佳，如下图：对于left eye(简单点)特征图上的激活区域的groundtruth中的位置和接近，说明在GlabalNet阶段，该网络对于这种简单点的检测已经达到了很不错的效果；但是看left hip（难检测的点），在特征图上，还几乎没有激活区域呢，说明在该阶段网络并不能有效检测到该类别点，所以作者又设计了后续的RefineNet网络，专门用于检测类似这种的难检测的点，在下图中，也可以看到，经过RefineNet之后，该网络已经可以有效检测到难检测点了。作者将检测点通过两个阶段的网络进行检测，这种想法很值得我们学习。

2.2 RefineNet

在GlobalNet中，得到了四层特征图，作者通过给每一层特征图设计了不同的数量的botleneck块，再分别经过不同倍率的上采样，然后经过concat操作后，达到了对不同尺度特征的结合，最后经过一个bottlenet块，再经过简单的变换，得到网络的最终的输出。

注意：L2 loss和L2 loss*的区别，在GlobalNet中，使用L2 loss，即GlobalNet网络的输出和label计算所有关键点的loss；在RefineNet中，使用L2 loss*，即网络输出和label计算所有关键点的loss，然后对loss进行从大到小排序，最后选择top-k个loss用于网络的反向传播。

三. Experiment & Discussion

Datasets：使用MS COCO trainval dataset（包含57k images and 150k person instances）和验证集：MS COCO minival dataset (includes 5000 images)；测试集：test-dev set (20K images) and test-challenge set (20K images)。

Experiments：

（1）：可以看到cpn网络可以取得AP:69.4的效果；

（2）该实验说明在refinenet阶段，每个层级的特征使用不同个数的boottleneck块，达到的检测效果；

（3）该实验说明，使用哪几层的特征可以达到良好的效果；

(4) 该实验说明在refineNet中计算loss后选取M个loss作为网络的训练，下表中可以看到不同的M值，该网络得到的不同的AP值；

（5）下表说明，在CPN网络中，采用不同的loss形式带来的检测效果，可以看到GlobalNet中采用L2 loss，RefineNet中采用L2 loss *，cpn网络可以达到最优的效果。

优惠劵

惟江上清风

关注

踩

觉得还不错?

一键收藏

知道了

论文笔记（CPN）：Cascaded Pyramid Network for Multi-Person Pose Estimation

该论文发表在2018年CVPR上，用于多人姿态估计的级联金字塔网络arxiv论文地址：https://arxiv.org/abs/1711.07319github代码：https://github.com/GengDavid/pytorch-cpn，https://github.com/chenyilun95/tf-cpn对于目前多人姿态估计中仍然存在的问题（遮挡点，不可见点和拥...

复制链接

扫一扫

专栏目录

用于多人姿势估计的级联金字塔网络（CVPR 2018）-Python开发

05-25

级联金字塔网络（CPN）此回购也链接到megvii-cpn。这是CPN（级联金字塔网络）的Tensorflow重新实现，赢得了2017年COCO关键点挑战。

原始存储库基于内部的层叠金字塔网络（CPN），此存储库也与megvii-cpn链接。这是CPN（层叠金字塔网络）的Tensorflow重新实现，赢得了2017年COCO关键点挑战。

原始存储库基于Megvii Inc.的内部深度学习框架（MegBrain）。COCO minival数据集（单个模型）上的结果请注意，我们的测试代码基于某些检测器。

在COCO minival数据集中，此处使用的检测器达到41.1的AP，在COCO minival数据集中人类的AP为55.3。

pytorch-cpn:PyTorch中的级联金字塔网络（CPN）

05-09

PyTorch中的级联金字塔网络（CPN）

这是CPN的PyTorch重新实现。

参考：

4 条评论

您还未登录，请先

后发表或查看评论

C3与boottleneck结构

matlab_xiaogen的博客

05-24

2563

图片

上图为C3结构：结构非常清楚，引入上层的featuremap产生两个分支，其中一个分支进行卷积（通道数没变），卷积的结果再进行两个分支，其中一个分支再进两次卷积（通道数减半），从Bottleneck源码也能看出，进行了add操作。重要的是self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))这段代码，不同的yaml文件n是不一样的，也就是说Bottleneck重复

姿态估计之2D人体姿态估计 - CPN(Cascaded Pyramid Network for Multi-Person Pose Estimation)

light169的专栏

05-17

1655

该论文发表在2018年CVPR上，用于多人姿态估计的级联金字塔网络

arxiv论文地址：https://arxiv.org/abs/1711.07319

github代码：https://github.com/GengDavid/pytorch-cpn，https://github.com/chenyilun95/tf-cpn

文档编辑参考：

1、论文笔记（CPN）：Cascaded Pyramid Network for Multi-Person Pose Estimation

2、2018-C

姿态估计之CPN(Cascaded Pyramid Network)

神经网络学习笔记4：CPN网络的实现_cpn神经网络实战-CSDN博客

神经网络学习笔记4：CPN网络的实现

最新推荐文章于 2021-09-23 16:57:59 发布

laviewpbt

最新推荐文章于 2021-09-23 16:57:59 发布

阅读量3.3k

点赞数

分类专栏：

人工智能

文章标签：

网络

integer

function

string

算法

class

本文链接：https://blog.csdn.net/laviewpbt/article/details/1396261

版权

人工智能

专栏收录该内容

8 篇文章

3 订阅

订阅专栏

优惠劵

laviewpbt

关注

踩

觉得还不错?

一键收藏

知道了

神经网络学习笔记4：CPN网络的实现

对向传播网络（Counter Propagation)，简称CPN,是将Kohonen特征映射网络与Grossberg基本竞争型网络相结合，发挥各自长处的一种新型特征映射网络，被广泛的运用于模式分类，函数近似，数据压缩等方面。 CPN网络分为输入层，竞争层，隐含层。输入层与竞争层构成SOM网络，竞争层与输出层构成基本竞争型网络，从整体上看，CPN网络属于有教师学习型

复制链接

扫一扫

专栏目录

对偶传播神经网络（CPN）

ZhangPY的专栏

08-15

6176

1. 网络结构与运行原理

网络结构如图所示，各层之间的神经元全互联连接。

CPN人工神经网络例子源码

02-23

Counterpropagation Network Vision 源码, 经典的CPN人工神经网络例子源码

参与评论

您还未登录，请先

后发表或查看评论

ECCV2020 | 论文阅读——CPNDet:Corner Proposal Network for Anchor-free, Two-stage Object Detection

Liaojiajia-Blog

08-06

2375

CPNDet1 Introduction

论文地址：https://arxiv.org/abs/2007.13816

开源代码：https://github.com/Duankaiwen/CPNDet

本文亮点：

1 Introduction

对向传播神经网络（CPN）

qq_35912930的博客

05-30

533

这里写目录标题变极调速变频调速调节转差能耗调速转子电路串联电阻改变定子电压

变极调速

变频调速

调节转差能耗调速

转子电路串联电阻

改变定子电压

SOM神经网络、LVQ神经网络、CPN神经网络与Python实现

qq_41858347的博客

02-26

4186

竞争型学习神经网络

简述

对偶传播神经网络【神经网络十八】

M-博客

09-23

417

】创建一个CPN网络，完成在已知一个人本星期应该完成的工作量和此人当时的思想情绪的情况下，对此人星期日下午的活动安排提出建议。

按照一般情况，将工作量分为3个档次，即没有、有一些和很多，所对应的量化值分别为0、0.5和1；把思想情绪也分为3个水平，即低、一般和高，所对应的量化值分别为0、0.5和1。可选择的活动有5个，即看画报、购物、散步、吃饭和工作。工作量和思想情绪共有6种组合，这6种组合分别对应各自的最佳活动选择。网络训练样本模式如表9-5所示。

>> clear all;

%初始化正向权值

语法糖规范cpn4-syntactic-sugar

coding

07-09

119

Title

Follow

比特派app官网版|cpn

比特派app官网版|cpn

百度知道 - 信息提示

论文笔记_人体姿态估计：CPN - 知乎

算力网络（CAN、CFN、CPN）、东数西算是怎么回事（上）：起源 - 知乎

CPN（网络流行语）_百度百科

系统学习机器学习之神经网络（七） --CPN_cpn网络的功能-CSDN博客

肺炎衣原体IgG检测_百度百科

CPN:一种计算/网络资源联合优化方案探讨 - 知乎

论文笔记（CPN）：Cascaded Pyramid Network for Multi-Person Pose Estimation-CSDN博客

神经网络学习笔记4：CPN网络的实现_cpn神经网络实战-CSDN博客