买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉复旦大学申请的专利一种基于4bit量化的智能监控tinyML方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118279818B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410306870.5，技术领域涉及：G06V20/52；该发明授权一种基于4bit量化的智能监控tinyML方法是由南宝麟;冷继超;邹卓;郑立荣设计研发完成，并于2024-03-18向国家知识产权局提交的专利申请。

本一种基于4bit量化的智能监控tinyML方法在说明书摘要公布了：本发明涉及人工智能人员检测技术领域，具体是一种基于4bit量化的智能监控tinyML方法，包括1人员检测模型的训练；2模型的后训练量化；3MCU上AI推理框架的搭建；44bit模型的片上存储以及推理首先权重的片上存储编码；5摄像头的数据采集及数据的实时推理。本方法不仅显著提升了tinyML设备中的存储和运算效率，而且还优化了推理框架，为在资源受限的环境中实现复杂的机器学习模型提供了可能。这些优化确保了本发明在tinyML应用中的竞争力，提供了实际可行和成本效益高的解决方案。

本发明授权一种基于4bit量化的智能监控tinyML方法在权利要求书中公布了：1.一种基于4bit量化的智能监控tinyML方法，其特征在于，包括： 步骤1人员检测模型的训练 首先进行数据集的准备与预处理，以及人员检测模型的选择和定制，并进行所述人员检测模型的训练和验证； 所述人员检测模型的选择和定制，采用MobileNetV2结构通过使用深度可分离卷积来降低复杂性，公式如下：其中，DConv是深度卷积，PConv是点卷积，X和Y分别代表输入和输出特征； 还对所述MobileNetV2结构的输出层进行了调整，最终的全连接层公式修改为：其中，FCcustom是调整后的全连接层； 所述人员检测模型的训练和验证选用了二分类交叉熵作为损失函数，公式如下：其中，是模型对于Xi的预测值； 优化器选择Adam，其参数更新规则的公式如下：其中，θ表示模 型参数，η是学习率，和分别为梯度的一阶和二阶矩估计，是一个小的常数，用来防 止除零操作； 步骤2模型的后训练量化 首先进行4bit线性量化，再进行激活函数的量化校准，bias_correction偏差纠正； 所述线性量化的线性变换公式如下：其中，x表示原始的高精度参数，Qx表示量化后的低精度参数，∆表示量化间隔，而Z为量化的零点偏移量；量化操作采用四舍五入以最小化量化误差； 在4bit量化的背景下，量化间隔Δ和量化零点Z的确定至关重要；量化间隔通过以下公式计算：对于4bit量化，n=4，因此分母为24-1=15；其中maxx和minx分别代表在考虑量化的数据范围内的最大值和最小值； 确定量化间隔后，零点偏移量Z设置为： 量化函数可以进一步具体化为：； 步骤3MCU上AI推理框架的搭建 首先增加系统的吞吐量，然后减少算法复杂性，再调整推理引擎性能； 步骤44bit模型的片上存储以及推理 首先进行权重的片上存储编码，然后进行推理框架调整；具体为：将原本只能最低以8bit为单位存储的模型权重，通过编码将相邻两个4bit权重编码进一个8bit的unsignedchar类型中经过对推理框架的调整后，权重解码后会解码成一个新的数组w_ram[]作为这一层的权重与上一层的激活函数的输出一同输入到卷积算子中进行卷积运算，得到的输出再经过激活函数后作为下一层的激活输入； 在推理过程中，由于MCU中的乘法器最低接受的输入为8bit，设计了一个解编码模块，采用了逐层的方式进行解编码，推理框架调用解编码模块，将模型权重从4bit压缩格式转换为推理所需的8bit格式； 在推理函数中，在调用每一层的卷积算子前，模型权重在每一层推理前都会通过解编码模块进行准备，再进行解量化后，确保推理过程中权重以正确的格式输入给卷积算子，同时可以正确地被访问和处理； 步骤5摄像头的数据采集及数据的实时推理 首先进行摄像头数据的spi传输，再进行采集数据的reshape处理，最后进行数据的实时推理。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人复旦大学，其通讯地址为：200000 上海市杨浦区邯郸路220号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。