-
公开(公告)号：CN107493441A
公开(公告)日：2017-12-19
申请号：CN201610409337.7
申请日：2016-06-12
Applicant: 杭州海康威视数字技术股份有限公司
IPC: H04N5/265 , H04N21/8549 , G06F17/30
Abstract: 本发明实施例提供了一种摘要视频生成方法及装置，所述方法包括：针对至少两个原始视频，对所述至少两个原始视频的采集场景图像进行合并处理，得到目标场景图像；针对每个原始视频，提取该原始视频中包括的各第一运动目标的第一视频信息；识别至少两个原始视频中包括的相同的第二运动目标，并将各第二运动目标在所述至少两个原始视频中的第一视频信息进行合并，得到各第二运动目标的第二视频信息；确定各第一运动目标和各第二运动目标各时刻在所述目标场景图像中的位置；依次将各第一运动目标和第二运动目标显示在所述目标场景图像中，生成摘要视频。本发明实施例能够针对多个视频采集设备采集的视频，生成一个摘要视频，提高用户体验。
-
公开(公告)号：CN118838722A
公开(公告)日：2024-10-25
申请号：CN202411328221.1
申请日：2024-09-23
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种算子优化方法、装置、电子设备及存储介质，涉及到计算机技术领域，方法包括：在深度学习模型推理过程中，获取待优化算子计算过程的内存占用量及计算耗时；在所述内存占用量超过片上内存的情况下，基于所述待优化算子的内存占用量及计算耗时，按照最小化运行时间的优化方式对所述待优化算子进行优化，其中，所述运行时间包括所述计算耗时和数据交互耗时，所述数据交互耗时与所述内存占用量正相关。本申请实施例实现了提高深度学习模型的推理速度。
-
公开(公告)号：CN112149836B
公开(公告)日：2024-05-24
申请号：CN201910579427.4
申请日：2019-06-28
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N20/00
Abstract: 本申请提供一种机器学习程序更新方法、装置及设备，该方法包括：获取用户输入的机器学习程序更新命令；根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序；若所述第一机器学习程序的性能优于第二机器学习程序的性能，则更新所述第一机器学习程序；所述第二机器学习程序是已经部署到程序集合中的机器学习程序。通过本申请的技术方案，可以不断对算法市场部署的用于实现机器学习的机器学习程序进行更新，不断的提升机器学习程序的性能。
-
公开(公告)号：CN117540773A
公开(公告)日：2024-02-09
申请号：CN202210892346.1
申请日：2022-07-27
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/0464 , G06N3/082 , G06V10/82 , G06V10/774 , G06V10/94
Abstract: 本申请提供一种任务处理方法、装置、电子设备及图像处理系统，该方法包括：获取目标卷积神经网络的拓扑结构；所述拓扑结构包括计算层的类型，以及，计算层之间的连接关系；依据所述目标卷积神经网络中各计算层的类型，以及，计算层之间的连接关系，对所述目标卷积神经网络的计算层的输出类型进行设置，并在第二类型计算层与其输出直连的第一类型计算层之间添加类型转换节点；在所述目标卷积神经网络训练完成的情况下，利用训练好的目标卷积神经网络进行任务处理。该方法可以提高利用卷积神经网络进行任务处理的处理效率。
-
公开(公告)号：CN117218462A
公开(公告)日：2023-12-12
申请号：CN202210608334.1
申请日：2022-05-31
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/063
Abstract: 本申请实施例提供了一种图像识别方法、装置、电子设备及存储介质，包括：获取包括图像识别模型中各网络层的权重参数的第一模型文件；针对图像识别模型中的每一目标网络层，将该目标网络层中绝对值小于预设参数阈值的浮点型的权重参数修改为0，得到第二模型文件；按照待加载图像识别模型的目标框架所支持的数据格式，对第二模型文件进行格式转换，得到目标模型文件；将目标模型文件加载至目标框架中，得到目标图像识别模型。通过目标图像识别模型对待识别图像进行图像识别，得到待识别图像的识别结果。基于此，可以提高运算速度，缩短基于图像识别模型对数据进行处理所消耗的时长。
-
Patent Agency Ranking
公开(公告)号：CN116954640A
公开(公告)日：2023-10-27
申请号：CN202210325242.2
申请日：2022-03-30
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F8/65 , G06F8/658 , G06N3/0464 , G06N3/0495 , G06N3/08 , G06V40/16 , G06V10/82 , G10L25/30
Abstract: 本发明实施例提供了一种模型更新方法、装置及电子设备。其中，所述方法包括：获取服务器发送的中间格式数据和位置信息，所述中间格式数据用于表示第二模型，所述第二模型为所述服务器对所述第一模型进行训练得到的，所述位置信息用于表示所述中间格式数据的参数区的位置，所述参数区用于记录模型参数；根据所述位置信息，读取所述中间格式数据的参数区记录的模型参数，作为目标模型参数；根据所述目标模型参数，更新所述第一可执行格式数据的参数区，得到第二可执行格式数据，其中，所述第二可执行格式数据的参数区记录的模型参数为所述目标模型参数。可以降低模型更新对于端侧设备的硬件性能的要求。
-
公开(公告)号：CN116861952A
公开(公告)日：2023-10-10
申请号：CN202210289267.1
申请日：2022-03-22
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种计算图切分方法、装置、电子设备及存储介质。获取单向无环图；确定算子的预设优化类别为不参与算子融合的节点，作为第一类节点；针对每一第一类节点，将该第一类节点的父节点中的第二类节点标记为缩点中止节点，将该第一类节点的子节点中的第二类节点标记为缩点起始节点；根据每一关系边连接的两个节点的节点类型，确定该关系边的权重；基于缩点中止节点、缩点起始节点和每一关系边的权重进行缩点处理，得到缩点图；基于缩点图对单向无环图进行切分，得到多个第一子计算图。通过本申请实施例提供的技术方案，使得切分得到的各子计算图间的依赖关系较低，以及切分得到的子计算图的数量较少，从而提高网络模型的处理效率。
-
公开(公告)号：CN112905181B
公开(公告)日：2023-10-10
申请号：CN201911226498.2
申请日：2019-12-04
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种模型编译、运行方法及装置，涉及人工智能技术领域，方法包括：获得待编译模型的输入数据的多个尺寸；基于多个尺寸对待编译模型进行编译，获得待编译模型处理多个尺寸中每一尺寸的输入数据使用的模型参数和待编译模型处理每一尺寸的输入数据使用的计算指令；对各个尺寸对应的模型参数之间取值相同的参数进行合并，得到合并模型参数，并确定合并模型参数中各个参数与各个尺寸的对应关系；生成包含多个尺寸对应的计算指令、合并模型参数和对应关系的编译后模型。应用本申请实施例提供的方案对待编译模型进行编译，可以降低生成的编译后模型对存储资源和运行资源的需求。
-
公开(公告)号：CN112148468B
公开(公告)日：2023-10-10
申请号：CN201910578725.1
申请日：2019-06-28
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F9/50
Abstract: 本发明实施例提供了一种资源调度方法、装置、电子设备及存储介质。该方法应用于GPU服务器集群中的调度节点，GPU服务器集群中的各个GPU服务器被划分为第一类服务器和第二类GPU服务器；该资源调度方法包括：获取待处理任务，并根据待处理任务所需的目标GPU资源，确定待处理任务的类型；其中，类型包括：整机任务和碎片任务；当待处理任务的类型为整机任务时，基于目标GPU资源，确定待处理任务所需GPU服务器的数量，将待处理任务分配到数量个第一类服务器中；当待处理任务的类型为碎片任务时，将待处理任务分配到GPU资源满足目标GPU资源的第二类服务器中。应用本发明实施例提供的方案，能够提高待处理任务的处理效率。
-
公开(公告)号：CN112947899B
公开(公告)日：2023-09-26
申请号：CN201911267114.1
申请日：2019-12-11
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供一种深度学习模型转换方法、系统及装置，该方法包括：获取第一模型的中间表示格式，所述第一模型为在第一深度学习框架下可识别的模型，所述第一模型中包括公共层和自定义层，所述中间表示格式为多个深度学习框架下进行模型转换的统一表示格式，所述公共层为多个深度学习框架中均包括的层，即开源支持的层，所述自定义层为根据所述第一模型的功能进行配置得到的层，所述多个深度学习框架包括所述第一深度学习框架和第二深度学习框架；根据所述第一模型的中间表示格式和所述第二深度学习框架，得到第二模型，所述第二模型为在所述第二深度学习框架下可识别的模型。本申请实施例能够实现针对包括自定义层的深度学习模型的转换。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.06 seconds)
