-
公开(公告)号：CN107979778B
公开(公告)日：2020-04-17
申请号：CN201610940794.9
申请日：2016-10-25
Applicant: 杭州海康威视数字技术股份有限公司
IPC: H04N21/44
Abstract: 本发明实施例提供了一种视频分析方法、装置及系统，所述方法包括：获取目标视频，从所述目标视频中确定出至少两帧目标图片帧；针对所确定的目标图片帧，生成至少一个帧分析指令；将各个目标图片帧和所述帧分析指令，发送给至少两个异构处理器组，以供各个异构处理器组根据接收到的帧分析指令，对所接收到的目标图片帧进行特征分析，得到分析结果；其中，任意两个异构处理器组所执行特征分析的目标图片帧不同。应用本发明实施例，实现对视频进行快速分析。
-
公开(公告)号：CN119323609A
公开(公告)日：2025-01-17
申请号：CN202411346095.2
申请日：2024-09-25
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06T9/00 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0499 , G06N3/0455 , G06N3/084
Abstract: 本申请实施例提供一种图像存储方法、装置、电子设备及存储介质，应用于图像技术领域。本申请实施例的方法，可以通过深度学习模型的编码器对待存储图像进行编码，分类器对编码后的第一图像特征进行分类，解码器对采样后的第一潜在空间特征进行解码，得到第一解码图像。根据第一解码图像与待存储图像计算第二损失值，根据第一分类结果与提取码计算第一损失值；通过损失值调整深度学习模型的参数，实现深度学习模型的训练。本申请是通过对深度学习模型的训练来实现对待存储图像的存储，将待存储图像编码后的第一编码信息存储在潜在空间，存储设备无法直接观看到待存储图像，且需要提取码才可读取到图像，从而提高图像存储的安全性。
-
公开(公告)号：CN118519653A
公开(公告)日：2024-08-20
申请号：CN202410593400.1
申请日：2024-05-13
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种推理引擎的适配方法、装置、设备及存储介质，涉及人工智能技术领域，通过将推理引擎的功能进行重构定义，以模块化的方式进行分解，在模型发生更新后，端侧仅更新推理引擎中对应的功能模块即可，以降低推理引擎的更新难度与更新成本。该方法包括：接收模型发布侧设备发送的初始模型更新后的模型数据包；在模块更新信息指示当前功能模块发生更新的情况下，基于当前功能模块更新推理引擎中的初始功能模块，以及，在模块更新信息指示当前计算模块发生更新的情况下，基于当前计算模块更新推理引擎中的初始计算模块；通过更新后的推理引擎运行更新后的初始模型，执行更新后模型对应的推理任务。
-
公开(公告)号：CN118261193A
公开(公告)日：2024-06-28
申请号：CN202211695658.X
申请日：2022-12-28
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部署方法及装置，涉及人工智能技术领域，包括：获得经过原平台训练得到的原始网络模型；检测所述原始网络模型中不属于预设转换格式中基础算子的目标算子；针对各所述目标算子，获取与所述目标算子实现相同运算且由所述基础算子组成的算子，作为所述目标算子对应的私有算子；将所述原始网络模型中的各所述目标算子替换为所述目标算子对应的所述私有算子，得到待转换网络模型；将所述待转换网络模型转换为所述预设转换格式，得到中间网络模型；将所述中间网络模型转换为目标平台所支持的网络格式，得到目标网络模型，并将所述目标网络模型部署于所述目标平台。应用上述方案可以提高模型部署效率。
-
公开(公告)号：CN113704687B
公开(公告)日：2024-04-05
申请号：CN202010437327.0
申请日：2020-05-21
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F17/16
Abstract: 本发明实施例提供了一种张量计算运行方法、装置及运算系统。其中，所述方法包括：生成多个计算指令，所述计算指令用于表示张量计算方式；针对每个所述计算指令，将所述多个设备端中一个设备端确定为该计算指令对应的设备端；针对每个计算指令，以该计算指令所对应的设备端的预设运行环境能够解析的封装方式，封装所述计算指令，得到该设备端对应的任务信息；针对每个所述任务信息，向该任务信息所对应的设备端发送该任务信息，以使得所述多个设备端按照所述多个计算指令所表示的张量计算方式并行地进行张量计算。可以通过并行计算的方式充分利用大规模运算的优势，加速张量计算，能够有效提高张量计算的效率。
-
Patent Agency Ranking
公开(公告)号：CN113127181B
公开(公告)日：2024-02-20
申请号：CN201911396930.2
申请日：2019-12-30
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F9/50
Abstract: 本申请公开了一种内存管理方法、装置及存储介质，属于深度学习技术领域。在本申请中，可以先确定深度学习网络的多个计算层组和每个计算层组对应的复用内存值。在深度学习网络运行的过程中，可以通过对比当前待运算的目标计算层所属的目标计算层组的复用内存值与参考内存阈值，来决定是从预先未分配给该深度学习网络的内存中为目标计算层动态分配复用内存，还是从预先为该深度学习网络分配的内存池中为目标计算层分配复用内存。也即，本申请可以根据计算层所需内存大小来采用不同的方式合理为其分配内存，这样，相较于一直采用动态分配内存的方式来进行分配，能够减少申请和释放内存的次数，有效控制内存碎片化，提高内存的使用效率。
-
公开(公告)号：CN112148419B
公开(公告)日：2024-01-02
申请号：CN201910578752.9
申请日：2019-06-28
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云平台中镜像管理方法、装置、系统及存储介质，该方法包括：当获取到当前账户针对指定公有镜像的任务请求时，利用指定公有镜像启动目标容器；在目标容器的环境变量中写入当前账户的标识；获取当前账户的调试信息，利用调试信息对目标容器中的数据进行调试及开发；在获取到当前账户针对目标容器的打包请求时，创建目标容器的镜像，得到当前账户的私有镜像，其中，当前账户的私有镜像中包括当前账户的标识。在本申请实施例的云平台中镜像管理方法中，私有镜像中包括账户的标
-
公开(公告)号：CN117215635A
公开(公告)日：2023-12-12
申请号：CN202311125854.8
申请日：2019-06-28
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请公开了一种任务处理方法及装置，属于深度学习领域。在本申请中，客户端可以将接收到的任务处理命令直接发送至第一服务器上的shell容器，shell容器可以向后端服务模块发送任务处理命令，后端服务模块可以将任务处理命令发送至第二服务器，由第二服务器来处理该任务处理命令，并返回处理结果。后端服务模块可以接收该处理结果，并将该处理结果发送至shell容器。由此可见，在本申请实施例中，可以直接在shell容器内触发任务，这样，当开发人员完成代码编辑、编译等工作之后，在linux环境下可以直接通过shell容器触发任务，而不必再切换至web页面通过点击相应按钮来触发任务，操作更为方便。
-
公开(公告)号：CN116824342A
公开(公告)日：2023-09-29
申请号：CN202210260514.5
申请日：2022-03-16
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图像处理方法和装置，涉及深度学习技术领域，方法包括：当需要对图像进行处理时，调用预设模型库文件；其中，预设模型库文件包括：多个预设图像维度信息各自对应的目标深度学习模型的目标模型文件；目标模型文件包含目标深度学习模型的权重参数；按照目标深度学习模型处理最大的预设图像维度信息的图像所需的内存大小，分配用于对各待处理图像进行处理的目标内存空间；针对每一待处理图像，从预设模型库文件中，确定与该待处理图像相匹配的预设图像维度信息对应的目标模型文件；基于确定出的目标模型文件，以及目标内存空间，对该待处理图像进行处理。如此，能够提高图像处理的效率。
-
公开(公告)号：CN113743598B
公开(公告)日：2023-08-04
申请号：CN202010462971.3
申请日：2020-05-27
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/063 , G06N3/0464
Abstract: 本申请实施例提供了一种AI芯片的运行方式的确定方法和装置，方法包括：获得目标神经网络模型；获得AI芯片支持的运行方式的不同组合，每种组合包括：目标神经网络模型中的各个网络层的运行方式；使得AI芯片基于不同组合，用目标神经网络模型对第一预设测试数据进行多次处理；获得AI芯片每次对第一预设测试数据处理完成所用的第一处理时长；选择第一处理时长最短的组合中包括的运行方式，确定为基于目标神经网络模型对数据进行处理时，AI芯片的运行方式，基于上述处理，能够提高基于神经网络模型进行数据处理的效率。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.067 seconds)
