-
公开(公告)号：CN111784555B
公开(公告)日：2023-08-25
申请号：CN202010549772.6
申请日：2020-06-16
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06T1/00 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种图像处理方法、装置及设备，可提高对具有一定并行度的应用平台的利用率。该方法包括：获得待处理的目标图像；确定目标图像对应的N个目标特征图；将N个目标特征图输入至神经网络，得到图像处理结果；神经网络包括N个特征处理子网络和图像处理子网络；N个特征处理子网络对目标特征图进行处理并输出特征处理结果至图像处理子网络；N个特征处理子网络中的至少一个包括分组卷积层，每一分组卷积层包括多个并联的卷积层、且各卷积层对应的输入通道数相同；N个特征处理子网络对应的输入通道数相同、且由一个分组卷积层对应的输入通道数确定；图像处理子网络用于对输入的特征处理结果进行图像处理得到图像处理结果。
-
公开(公告)号：CN111783996B
公开(公告)日：2023-08-25
申请号：CN202010562081.X
申请日：2020-06-18
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种数据处理方法、装置及设备，该方法包括：从服务器获取初始基线模型和样本数据对应的第一特征分布信息；获取初始噪声数据，将初始噪声数据输入给初始基线模型，得到初始噪声数据对应的第二特征分布信息；基于第一特征分布信息和第二特征分布信息对初始噪声数据进行训练，得到目标噪声数据；基于目标噪声数据和终端设备的场景数据对初始基线模型进行优化，得到优化后的目标基线模型；在所述终端设备部署所述目标基线模型，以通过所述目标基线模型对所述终端设备的应用数据进行处理。通过本申请的技术方案，目标噪声数据能够反映样本数据的特性，从而基于样本数据的特性对初始基线模型进行优化，解决样本数据缺失的问题。
-
公开(公告)号：CN111753870B
公开(公告)日：2023-08-18
申请号：CN202010298486.7
申请日：2020-04-16
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/80 , G06V10/82 , G06N3/08
Abstract: 本申请实施例提出了一种目标检测模型的训练方法、装置和存储介质，其中，上述方法包括：获取训练样本；将所述训练样本输入至预置目标检测模型进行训练，得到第一梯度；根据预置第一区间数对所述第一梯度进行不均匀划分，得到第一区间集合，并根据所述第一区间集合内的每个区间的样本数获得所述每个区间的第一梯度密度，其中，所述第一区间集合包括多个不均匀的区间；根据所述第一梯度密度对所述预置目标检测模型继续进行训练，得到训练后的目标检测模型。本申请通过对训练样本的梯度进行不均匀划分，可以有效解决训练样本不均衡问题，从而可以提高模型的检测性能。
-
公开(公告)号：CN110874636B
公开(公告)日：2023-06-30
申请号：CN201811027522.5
申请日：2018-09-04
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/082 , G06N3/0464
Abstract: 本申请提供一种神经网络模型压缩方法、装置和计算机设备。本申请提供的神经网络模型压缩方法，包括：针对待压缩神经网络模型的每一个原始卷积层，将原始卷积层分解为级联的多个目标卷积层；获取原始卷积层对输入数据进行卷积处理后的第一卷积处理结果，以及级联的多个目标卷积层依序对输入数据进行卷积处理后的第二卷积处理结果；根据第一卷积处理结果和第二卷积处理结果，对级联的多个目标卷积层的权值矩阵进行修正处理，得到压缩后的神经网络模型。本申请提供的神经网络模型压缩方法、装置和计算机设备，通过对该级联的多个目标卷积层的权值矩阵进行修正处理，这样，可避免因模型压缩导致的性能损失。
-
公开(公告)号：CN111311646B
公开(公告)日：2023-04-07
申请号：CN201811518482.4
申请日：2018-12-12
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06T7/269
Abstract: 本申请实施例提供了一种光流神经网络训练方法及装置。其中，方法包括：将样本图像帧和所述样本图像帧的相邻图像帧输入第一神经网络和第二神经网络，得到所述第一神经网络输出的第一稠密光流和所述第二神经网络输出的第二稠密光流，所述第一神经网络为预先经过训练的光流神经网络，所述第二神经网络为模型复杂度低于所述第一神经网络的光流神经网络；基于所述第一稠密光流与所述第二稠密光流之间的偏差，调整所述第二神经网络的网络参数。选用本申请实施例，由于第二神经网络能够学习到第一神经网络已经学习到的图像对到稠密光流的映射关系，可以使得第二神经网络的性能逼近于模型复杂度更高的第一神经网络。
-
Patent Agency Ranking
公开(公告)号：CN115620272A
公开(公告)日：2023-01-17
申请号：CN202211284811.X
申请日：2022-10-20
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开了一种评估模型性能的方法、装置、计算机设备及可读存储介质。该评估模型性能的方法包括：获取由多个候选混合精度模型的比特配置，组成的候选比特配置集合，从候选比特配置集合中分离出候选比特配置子集，测试并记录候选比特配置子集中每个比特配置的量化性能；根据浮点模型的层数，将浮点模型划分为多个浮点优化单元,并确定候选比特配置集合中所有比特配置对应的混合精度模型相对多个浮点优化单元的输出损失；根据量化性能和输出损失，对多个候选的混合精度模型的性能进行预测评估。本发明解决了直接对量化所需的候选模型进行测试时导致的计算资源耗费大及效率低下的问题。
-
公开(公告)号：CN115618942A
公开(公告)日：2023-01-17
申请号：CN202211291646.0
申请日：2022-10-20
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开了一种浮点模型的多精度量化方法及装置，该量化方法包括：获取给定浮点模型各计算层中的原始量化精度，并获取预先设置的量化函数；将多个原始量化精度中的其中一个原始量化精度作为基础量化精度，根据量化函数将基础量化精度对应的量化缩放系数确定为基础量化缩放系数；在基础量化精度的基础上获得各个原始量化精度对应的实际量化缩放系数；利用量化函数根据基础量化缩放系数或实际量化缩放系数，对各个原始量化精度进行优化处理，并在优化处理的过程中，采用已经优化的原始量化精度的优化精度对下一个未优化的原始量化精度进行优化处理。本发明解决了不同精度的参数优化过程没有关联、过大的优化空间导致时间消耗大的问题。
-
公开(公告)号：CN115062765A
公开(公告)日：2022-09-16
申请号：CN202210709171.6
申请日：2022-06-21
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种任务处理方法、装置、电子设备及存储介质，该方法包括：在对Transformer模型进行训练的过程中，对于Transformer模型中的任一归一化层，确定该归一化层当前批次的第一统计值，依据该第一统计值以及该归一化层历史批次的统计值，利用滑动平均策略，对该第一统计值进行平滑处理，得到第二统计值，并利用将该归一化层的第二统计值进行前向或反向传播；在利用训练好的Transformer模型进行任务处理的过程中，对于Transformer模型中的任一归一化层，将该归一化层的统计值固定为第三统计值进行推理计算。该方法可以在降低Transformer模型的计算内存消耗的情况下，保证处理性能。
-
公开(公告)号：CN110659658B
公开(公告)日：2022-07-29
申请号：CN201810713179.3
申请日：2018-06-29
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种目标检测方法及其装置，该方法包括：利用预先训练的尺度回归网络确定待检测图像中各分块的缩放系数；按照所述缩放系数对各分块进行缩放；分别对缩放后的各分块进行目标检测；对各分块中的目标进行融合输出，以得到所述待检测图像中的目标检测结果。该方法可以降低目标检测模型的复杂度和训练难度，并提高目标检测的准确率。
-
公开(公告)号：CN113486908A
公开(公告)日：2021-10-08
申请号：CN202110790334.3
申请日：2021-07-13
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种目标检测方法、装置、电子设备及可读存储介质，该目标检测方法包括：获取待检测图像的多尺度特征；所述多尺度特征包括至少两个不同尺度的特征图；依据所述多尺度特征，分别生成各尺度的第一类型卷积核；分别依据各尺度的第一类型卷积核，对对应尺度的特征图进行特征融合，得到各尺度的特征融合后的特征图；分别对各尺度的特征融合后的特征图进行目标检测。该方法可以提高目标检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
120
records
(took 0.042 seconds)
