-
公开(公告)号：CN116152575A
公开(公告)日：2023-05-23
申请号：CN202310410038.5
申请日：2023-04-18
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于类激活采样引导的弱监督目标定位方法、装置和介质，该方法首先构建训练集和测试集以及分类网络和交叉熵损失函数，实现分类网络的初步训练；然后获取原始图像、原始编码特征和原始类别概率，并根据原始编码特征生成类激活矩阵；再构建权重采样矩阵，并进行像素重采样，得到重采样图像和重采样特征以及重采样编码特征和重采样类别概率；然后构建一致性损失函数和重采样的交叉熵损失函数并进行训练，以获取最终训练好的分类网络；最后针对类激活矩阵构建阈值，以获取目标定位。本发明内容新颖，有效挖掘容易被忽略的目标次判别性区域，目标定位能力更优，能够解决仅包含图像属性分类标签情况下的弱监督目标定位问题。
-
公开(公告)号：CN114741207A
公开(公告)日：2022-07-12
申请号：CN202210649280.3
申请日：2022-06-10
Applicant: 之江实验室
Abstract: 本发明公开一种基于多维度组合并行的GPU资源调度方法和系统，该方法包括：步骤一，在GPU资源管理中心添加GPU资源插件模块；步骤二，运行插件模块，完成数据层和物理层各类型GPU资源对应的联动；步骤三，GPU资源管理中心从GPU异构集群收集GPU资源的实时基本信息，并下发到GPU资源调度模块；步骤四，调用GPU资源时，向GPU资源调度模块发送支持多维度的组合调度的请求任务；步骤五，GPU资源调度模块将请求任务的主任务转换成可执行的单维度调度子任务并下发至GPU异构集群，GPU异构集群根据子任务按需分配GPU资源。本发明能有效提升GPU资源的利用率。
-
公开(公告)号：CN117435349B
公开(公告)日：2024-04-30
申请号：CN202311718748.0
申请日：2023-12-14
Applicant: 之江实验室
Abstract: 本申请涉及一种算力交易合约生成方法、装置和算力资源管理平台。所述方法包括接收算力资源申请信息；根据算力资源申请信息，确定预设的计费规则池中与算力资源申请信息所匹配的计费规则；基于所述计费规则，对算力资源申请信息进行算力分配预校验，得到预校验结果；在预校验结果显示预校验通过的情况下，基于算力资源申请信息和计费规则，生成算力交易合约和算力结算清单；算力交易合约，包括用户身份信息、算力分配信息和结算模式。采用本方法能够解决现有的算力资源分配方法无法自动生成算力交易合约而导致算力交易流程复杂的问题。
-
公开(公告)号：CN117253177B
公开(公告)日：2024-04-05
申请号：CN202311545738.1
申请日：2023-11-20
Applicant: 之江实验室
IPC: G06V20/40 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种动作视频分类方法、装置及介质，该方法将输入视频在空间上均匀分块，即令牌token，各块拉伸后得到的向量经过线性映射，得到第一视频特征；将第一视频特征输入编码模块中，得到第二视频特征；编码模块由若干个编码器组成；每个编码器由混合注意力及通道转移模块和多层感知机组成；混合注意力及通道转移模块用于进行混合注意力操作和通道转移操作；混合注意力包括空间注意力、时间注意力和随机注意力；第二视频特征经过空间池化操作后，送入分类器中进行分类，并得到各视频帧的分类结果；然后再使用时域均匀聚合操作，得到输入视频的分类结果。本发明的混合注意力有效降低了注意力机制的运算开销，时间复杂度低。
-
公开(公告)号：CN117573295A
公开(公告)日：2024-02-20
申请号：CN202410059955.8
申请日：2024-01-16
Applicant: 之江实验室
Abstract: 本申请提供了基于k8s的多集群组件管理方法、装置及计算机设备，包括获取子集群元数据，在主集群中对所述子集群元数据进行渲染；在所述主集群中定义组件元数据的数据结构，将重定义后的所述组件元数据在所述主集群中进行渲染；基于所述组件元数据获取组件子集群的部署信息，根据所述部署信息将所述组件子集群信息渲染至对应的子集群；监听所述子集群的组件部署状态，将状态信息同步至主集群组件元数据；通过将多个集群分为主从结构，在主集群维护了多个子集群中不同组件元数据，通过管理主集群中组件元数据，实现统一管理多个子集群中不同组件的运行生命周期。实现了简单，可靠的多集群组件管理功能，降低了多集群维护成本。
-
Patent Agency Ranking
公开(公告)号：CN116503679B
公开(公告)日：2023-09-05
申请号：CN202310773223.0
申请日：2023-06-28
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06N3/096 , G06N5/02
Abstract: 本申请涉及一种基于迁移性图谱的图像分类方法、装置、设备和介质，其中，基于迁移性图谱的图像分类方法包括：基于至少一个源域模型以及至少一个源域数据集，获得目标域模型在各所述源域数据集下与各所述源域模型的迁移性强度；基于所述至少一个源域模型、所述目标域模型以及所述迁移性强度，生成迁移性图谱；确定各所述源域数据集对应的至少一个可选的源域模型；基于用户选择的源域数据集和源域模型对目标域模型进行优化；将待分类图像输入到所述优化后的目标域模型，获得分类结果。可在海量源域数据集和源域模型中快速在不同源域数据集下选择合适的源域模型进行迁移学习，提高迁移学习效果，提高图像分类的精度。
-
公开(公告)号：CN116503679A
公开(公告)日：2023-07-28
申请号：CN202310773223.0
申请日：2023-06-28
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06N3/096 , G06N5/02
Abstract: 本申请涉及一种基于迁移性图谱的图像分类方法、装置、设备和介质，其中，基于迁移性图谱的图像分类方法包括：基于至少一个源域模型以及至少一个源域数据集，获得目标域模型在各所述源域数据集下与各所述源域模型的迁移性强度；基于所述至少一个源域模型、所述目标域模型以及所述迁移性强度，生成迁移性图谱；确定各所述源域数据集对应的至少一个可选的源域模型；基于用户选择的源域数据集和源域模型对目标域模型进行优化；将待分类图像输入到所述优化后的目标域模型，获得分类结果。可在海量源域数据集和源域模型中快速在不同源域数据集下选择合适的源域模型进行迁移学习，提高迁移学习效果，提高图像分类的精度。
-
公开(公告)号：CN116342888A
公开(公告)日：2023-06-27
申请号：CN202310598320.0
申请日：2023-05-25
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本说明书公开了一种基于稀疏标注训练分割模型的方法及装置，在训练样本的标注仅包含样本图像中的部分像素对应的预设分类的情况下，将训练样本输入分割模型中，得到各像素分别对应的初始分类结果，并对各像素的初始分类结果进行模糊操作，得到各像素分别对应的参考分类结果，以初始分类结果和参考分类结果相同的像素确定参考像素，并根据参考像素的初始分类结果对该训练样本的标注进行更新，基于样本图像及其对应的更新后的标注，对该分割模型进行训练。则基于本说明书中的该基于稀疏标注训练分割模型的方法，即使是在仅对训练样本中的部分像素进行标注的情况下，也可训练得到较为准确的分割模型，保证了模型训练的效率。
-
公开(公告)号：CN116048542A
公开(公告)日：2023-05-02
申请号：CN202310098795.3
申请日：2023-02-11
Applicant: 之江实验室
Abstract: 本发明公开了一种计算机视觉深度学习模型的优化部署方法与装置，所述方法和装置核心为模型优化服务和模型部署服务两个模块。模型优化服务模块可将训练好的模型通过IR中间表示)转换为适配目标推理引擎及硬件设备的框架格式，提升推理性能。模型部署服务模块支持本地部署和在线部署两种方式，其中本地部署是指将待部署模型文件封装为SDK，下载至本地设备进行端侧推理；在线部署是指将待部署模型文件在云端服务器部署，开放接口供用户调用推理服务，本发明通过构建完整的模型优化和部署服务流程与装置，降低深度学习模型部署的复杂度，对多种模型网络架构、推理引擎的扩充兼容，使本公开实施例更具灵活性和可拓展性。
-
公开(公告)号：CN118397435B
公开(公告)日：2024-10-01
申请号：CN202410839719.8
申请日：2024-06-26
Applicant: 之江实验室
Abstract: 本说明书公开了基于图像识别模型的任务执行方法、装置、介质及设备，终端设备将样本图像输入到初始图像识别模型中，得到样本图像对应的表征感兴趣区域的类别激活映射图，而后通过初始图像识别模型中包含的各网络层对应的亲和矩阵对类别激活映射图进行补偿，进而确定样本图像中各像素点对应的相关性权重矩阵，从而确定出样本图像中各像素点对对应的相关性标签，根据各像素点对对应的相关性标签，调整各网络层对应的亲和矩阵，并通过调整后的图像识别模型执行任务。通过增强了调整后图像识别模型中亲和矩阵对于类别激活映射图的补偿程度，使得调整后的图像识别模型在执行任务过程中具备更强的识别精度，提高了图像识别任务的执行效率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.019 seconds)
