多核对寄存器，cache，总线结构等都有那些改进？（多核社区解惑月400高分悬赏帖！）

捺捺 2007-09-29 02:24:58

注：本贴为“英特尔多核技术社区解惑月”选中的问题，以400高分悬赏征集答案。凡积极参与，提供有效回答者，将平分这400分。

> > >原贴内容:

想知道如何从整个系统结构上看多核技术对系统性能的影响

-------------------------

原发贴者：bigheadwen001 （您将获赠300可用分，其中100分在于奖励您提出了1个有效的问题，另外200分在于您的问题被选中作为征集答案的问题。）

关于本次活动详情请看活动页面：http://events.csdn.net/isn/jhy_mc/index.htm

整个活动结束后，所有分数和奖品将会统一发放或寄送，请各位届时查收:)

...全文

146 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

flasherfffff 2007-10-03

打赏
举报

回复

寄存器、cache当然能存的东西更多
总线可能是每个核心都有单独的总线，或者多个核心共享一个总线。
指令级别的并行应该比以前更强
而指令的并行，就需要寄存器的加强，
cache自然是越多越好，

内容概要：本文介绍了一种基于MATLAB实现的无人机覆盖搜索与目标路径规划方法，核心为螺旋扩张覆盖算法。该算法从起点开始按螺旋方式向外扩展，结合探测半径与步长控制，实现对未知区域的高效覆盖，同时集成碰撞检测与多层避障机制，确保在复杂环境中稳定运行。代码结构清晰，包含环境建模、路径生成、方向旋转、避障策略及可视化等模块，并提供了详细注释，便于理解与调试。适合人群：具备一定MATLAB编程基础，从事无人机路径规划、智能搜索、机器人导航等相关领域的初、中级研发人员。使用场景及目标：①应用于野外搜救、城市灾害响应等需要全覆盖侦查的任务场景；②帮助开发者理解螺旋覆盖策略、避障逻辑设计及路径可视化技术；③为后续引入更复杂算法（如A*、RRT）提供基础框架。阅读建议：建议读者先运行基础无障环境下的螺旋路径，逐步增加障碍密度并观察避障行为，结合代码中的关键参数（如scan_radius、step、spiral_layer）进行调优，深入理解路径生成机制。

1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

资源下载链接为： https://pan.xunlei.com/s/VOYaEvb5YbXDcdRVMg3ANOaDA1?pwd=sjwe data.py 用于创建数据集。 makelabel.py 的功能是融合数字与背景并保存。其中，一张背景图会在四个象限随机添加一个数字，且几乎无重叠。标签形状为（32，32，11），32×32 是热图输出大小，每个热图像素对应原图 4×4 的方格，每个方格作为分类器，可分出 11 类，0-9 对应数字，10 代表背景。fusion_img 函数将一个数字融合到背景图的随机位置；fusion_4img 函数考虑到单个数字太少，可处理四个数字，输入参数为（背景，（图片 1，标签 1），（图片 2，标签 2）...），输出为图片（0-255）和标签。 model.py 是模型文件，最终占用 192kb 内存。 test.py 为测试脚本，包含两个定义的函数，加载模型后可进行单张测试和视频测试，使用时注释另一个即可。onepoint 函数输入矩阵和点的 xy 坐标，逐行扫描该点周围 6 行的像素，若为 1（表示有物体），就将对应方格的 xy 加入数组并置零。扫描完周围 6 行后，若总点数超过 10 个，判定为一个物体，对所有 xy 分别求平均，得到物体中心。单张图片后处理过程：获取输出的 32×32×11 矩阵，先扫描 32×32 区域，对每行取 argmax，若不属于背景类，说明可能存在物体，再设阈值过滤部分误识别框，然后将该点值置为 1 作为标记。再次扫描矩阵时，为避免越界，从第 6 行开始到 25 行结束。若扫描到 1，如（20，20，3）这一格为 1，就取矩阵对应 3 的那一层（32×32 大小），将该矩阵和（20，20）坐标传入 onepoint 函数，返回中心，类别为 3。一般不会误判，若一个数字有两种可能且两种像素数都超 10

资源下载链接为： https://pan.xunlei.com/s/VOYa3XGYJ4IkkeSDadsNYwZsA1?pwd=u633 视频目标检测代码合集本合集收录了多种视频目标检测相关代码，涵盖不同算法与应用场景，适合研究学习与项目开发使用。包含基于深度学习的主流视频目标检测框架实现，如针对视频序列特性优化的追踪 - 检测联合模型、基于光流估计的时序信息融合算法等。代码涵盖从数据预处理、模型训练到推理部署的完整流程，支持多种公开数据集接口。提供不同场景下的应用示例，包括实时监控视频分析、自动驾驶场景目标追踪、无人机航拍视频检测等，附带详细配置说明与参数调优指南。所有代码均经过测试验证，包含清晰注释与使用文档，方便开发者根据需求进行二次开发与功能扩展。代码结构模块化，可灵活替换 backbone 网络与检测头，适配不同精度与速度需求。适合计算机视觉领域研究者、算法工程师及相关专业学生参考使用，助力快速掌握视频目标检测技术要点与工程实现方法。

资源下载链接为： https://pan.xunlei.com/s/VOYa2JcEeqXQ4izF7YbobjbBA1?pwd=4uaf 本方案借助迁移学习扩充目标检测训练数据集，进而提升模型准确率，核心包含数据迁移与目标检测两大独立模块，流程为：先完成数据集迁移，再开展目标检测模型训练。

英特尔边缘计算技术

567

社区成员

7,024

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章