-
公开(公告)号：CN110516334A
公开(公告)日：2019-11-29
申请号：CN201910760181.0
申请日：2019-08-16
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F17/50
Abstract: 本发明公开了一种基于硬件环境的卷积计算仿真测试方法，该方法包括以下步骤：获取待用于进行卷积计算的数据信息；模拟硬件环境的卷积计算实现逻辑，基于数据信息进行卷积计算的软件仿真，获得第一结果数据；将第一结果数据与第二结果数据进行比对，获得第一比对结果，第二结果数据为在硬件环境下使用数据信息进行卷积计算获得的数据；根据第一比对结果，验证硬件实现逻辑是否正确。应用本发明实施例所提供的技术方案，可以有效进行卷积计算的仿真测试，及时发现硬件实现逻辑的错误之处，方便硬件调试，可以提高硬件开发效率。本发明还公开了一种基于硬件环境的卷积计算仿真测试装置、设备及存储介质，具有相应技术效果。
-
公开(公告)号：CN119886233A
公开(公告)日：2025-04-25
申请号：CN202510378417.X
申请日：2025-03-28
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/0495 , G06N3/082 , G06N3/09
Abstract: 本申请公开了一种网络模型轻量化方法、装置、设备、介质及程序产品，涉及神经网络压缩技术领域，包括通过基于曲波变换特征相似度和结构相似度分析模型间通道相似性度量，将匹配通道合并，能够避免图像识别知识的损失；基于匹配的通道对生成融合矩阵，通过通道相似性度量进行模型融合，不依赖于具体的模型架构，因此可以适用于异构模型的融合，提高了网络模型轻量化的能力和效果。
-
公开(公告)号：CN119625746A
公开(公告)日：2025-03-14
申请号：CN202510162628.X
申请日：2025-02-14
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V30/18 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种目标跟踪方法、装置、电子设备、程序产品和介质，涉及人工智能领域。在本方法中，首先可获取多目标跟踪中使用的检测序列向量、跟踪序列向量。检测序列向量记录有待跟踪对象的检测信息，用于检测待跟踪对象；跟踪序列向量记录有已跟踪对象的图像特征，用于继续追踪已跟踪对象。随后，可利用待跟踪对象的类别描述文本对检测序列向量进行增强，以及利用待跟踪对象的属性描述文本对跟踪序列向量进行增强，以向上述序列向量中融入文本语义特征。考虑到文本语义特征具备较强的高阶语义描述能力，且完全不受尺度变化、形变、光照变化等噪声影响，因此在对检测序列向量和跟踪序列向量进行文本语义增强后可提升其进行多目标跟踪的性能。
-
公开(公告)号：CN117115626A
公开(公告)日：2023-11-24
申请号：CN202310452166.6
申请日：2023-04-21
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V20/00 , G06V10/26 , G06V10/44 , G06V10/74 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/084
Abstract: 本申请公开了一种协同显著性物体检测方法、系统、电子设备及存储介质，所属的技术领域为图像处理技术。所述协同显著性物体检测方法包括：对第一图像组和第二图像组中的图像进行图像块划分，得到和 利用T2T结构对 和进行降维处理并融合局部信息，得到和 在 和 中分别插入对应的类别图元，并利用Transformer结构对 和 进行特征融合操作、深度特征提取操作和全局信息融合操作；去除深层次融合特征中的类别图元，得到 和 利用相似度损失和第一交叉熵损失调整所述双分支协同显著性检测模型的模型参数；利用双分支协同显著性检测模型检测协同显著性物体。本申请能够提高对协同显著性物体的检测精度。
-
公开(公告)号：CN111914642B
公开(公告)日：2023-09-01
申请号：CN202010614594.0
申请日：2020-06-30
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种行人重识别方法、装置、设备及介质，包括：将行人重识别训练样本输入至backbone网络，提取特征图；提取特征图的全局特征，计算全局距离；利用目标检测算法确定出特征图中的行人位置；利用行人位置从特征图中提取出行人特征；基于ROI Align技术对行人特征进行归一化处理，得到预设尺寸的行人特征；从归一化后的行人特征中提取局部特征，计算局部距离；利用全局距离和局部距离计算出总距离；计算整个训练过程中产生的损失；重复前述步骤对预建的行人重识别模型进行训练，得到训练后行人重识别模型；当获取到待识别图像，利用训练后行人重识别模型输出识别结果。能够解决局部特征不对齐以及局部特征一对多的问题，从而提升行人重识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN116612408A
公开(公告)日：2023-08-18
申请号：CN202310453678.4
申请日：2023-04-20
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V20/40 , G06V10/40 , G06V10/22 , G06V10/774
Abstract: 本申请在计算机视觉技术领域，具体公开了一种目标检测方法、装置、设备及可读存储介质，该方法包括：获取待检测的目标视频中各个原图像对应的深度图像；从原图像中提取外观特征，从深度图像中提取深度特征；利用深度特征中的目标深度信息，增强对应外观特征中的目标位置信息，得到深度信息引导特征；结合外观特征、深度特征和深度信息引导特征，确定目标检测结果。在本申请，通过深度信息来弥补伪装目标外观难以从背景中区分的问题，从而能精确地把视频中的伪装目标从背景里检测出来，可提高伪装目标检测的可靠性。
-
公开(公告)号：CN114444657A
公开(公告)日：2022-05-06
申请号：CN202111666557.5
申请日：2021-12-30
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种图像处理方法，包括：依据固有结构化稀疏度对预设长短时记忆网络模型的权值矩阵进行分组，得到对应的权值组；分别计算每个权值组与其他权值组的皮尔森相关系数，将皮尔森相关系数作为权值组被采样到的采样概率，并依据预设压缩率通过采样概率随机选择对应的权值组进行压缩，得到压缩后的长短时记忆网络模型；利用压缩后的长短时记忆网络模型对输入的图像进行图像处理。本申请能够根据用户指定的压缩比进行神经元剪枝，不依赖训练直接通过最小化权值矩阵输出的重构误差，获得压缩后网络权值矩阵的新权值，进而实现了循环神经网络的压缩本申请同时还提供了一种图像处理系统、设备及可读存储介质，具有上述有益效果。
-
公开(公告)号：CN111914642A
公开(公告)日：2020-11-10
申请号：CN202010614594.0
申请日：2020-06-30
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种行人重识别方法、装置、设备及介质，包括：将行人重识别训练样本输入至backbone网络，提取特征图；提取特征图的全局特征，计算全局距离；利用目标检测算法确定出特征图中的行人位置；利用行人位置从特征图中提取出行人特征；基于ROI Align技术对行人特征进行归一化处理，得到预设尺寸的行人特征；从归一化后的行人特征中提取局部特征，计算局部距离；利用全局距离和局部距离计算出总距离；计算整个训练过程中产生的损失；重复前述步骤对预建的行人重识别模型进行训练，得到训练后行人重识别模型；当获取到待识别图像，利用训练后行人重识别模型输出识别结果。能够解决局部特征不对齐以及局部特征一对多的问题，从而提升行人重识别的准确度。
-
公开(公告)号：CN110782021A
公开(公告)日：2020-02-11
申请号：CN201911041052.2
申请日：2019-10-25
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种图像分类方法，包括：接收待分类图像信息；利用通过对比裁剪量化误差和max量化误差选取得到的量化阈值进行权重参数量化后的深度神经网络模型，对待分类图像信息进行分类操作，得到图像分类结果；其中，裁剪量化误差为基于深度神经网络模型的原权重参数计算得到的裁剪阈值进行权重参数量化得到，max量化误差为基于深度神经网络模型的原权重参数计算得到的最大绝对值权重阈值进行权重参数量化得到；输出图像分类结果。本发明缩小了图像分类设备中深度神经网络模型，保证了模型精度，降低了计算量，提高了图像分类效果。本发明还公开了一种图像分类装置、设备及存储介质，具有相应技术效果。
-
公开(公告)号：CN119721168A
公开(公告)日：2025-03-28
申请号：CN202510229142.3
申请日：2025-02-28
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/082 , G06N3/0464 , G06V10/82
Abstract: 本发明公开了一种模型压缩方法、图像识别方法、产品、设备及介质，涉及数据处理领域，为解决模型压缩效果欠佳，无法很好地适配计算设备的问题，该方法包括利用各个卷积层的预测剪枝掩码向量对各个卷积层的输出通道进行剪枝操作；在当前次迭代中对各卷积层逐层执行量化操作；响应于当前次迭代满足结束条件，将所有卷积层均执行完量化操作后的压缩后模型作为目标模型部署在计算设备上。本发明能够在减少计算设备的存储和计算成本的同时，尽可能保留模型的精度，从而更好的适配计算设备的图像识别任务。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.038 seconds)
