-
公开(公告)号：CN117409361A
公开(公告)日：2024-01-16
申请号：CN202311213600.1
申请日：2023-09-19
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V20/52 , G06V10/74 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本申请实施例提供了一种模型训练方法及装置，可以通过各目标域数据之间的相似度，将目标域数据划分成不同多层样本簇，然后从最底层样本簇，即第二层样本簇中选取多个样本簇进行标注，分别针对多个第二层样本簇，根据其中目标域数据的标注结果，为第二层样本簇添加用于表示所述标注结果的确信标签，最后按照预设扩散条件，将满足预设扩散条件的样本簇中非确信数据的标注结果确定为目标确信标签所表示的标注结果。本实施例中，选取部分第二层样本簇的目标域数据进行标注，然后将其进行扩散，使得大大降低按照高置信度标注方法标注的数据量，进而可以提高模型训练效率。
-
公开(公告)号：CN117036865A
公开(公告)日：2023-11-10
申请号：CN202311077668.1
申请日：2023-08-24
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/776 , G06V10/74 , G06V10/762 , G06V10/772
Abstract: 本发明公开了一种图像识别的自学习方法、装置、设备及存储介质，属于智能监控技术领域。本发明通过确定自学习系统中预先设定的学习任务，并将所述学习任务解耦成多个学习任务；获取图像数据，并利用通识模型对所述图像数据进行特征提取，所述图像数据由本地数据和现场数据构成；判断各个学习任务是否满足自学条件；控制满足所述自学习条件的学习任务对应的任务模型基于提到的特征数据进行自学习训练，通过各个完成自学习训练的任务模型进行图像识别，通过上述方式实现多任务之间完全解耦，判断各学习任务是否进行自学习，缓解任务间数据不平衡、小样本以及无效训练等带来的影响，提升了自学习系统的灵活性。
-
公开(公告)号：CN111353349B
公开(公告)日：2023-10-17
申请号：CN201811581382.6
申请日：2018-12-24
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人体关键点检测方法、装置、电子设备及存储介质，该方法包括：获取待检测图像；通过预设神经网络的特征提取部分对待检测图像进行分析，得到待检测图像的多个层级特征；通过预设神经网络的人体检测部分对各层级特征进行分析，确定各层级特征中的人体区域；对各层级特征中的人体区域进行区域特征映射，得到各实例特征；通过预设神经网络的关键点检测部分对各实例特征进行分析，得到各人体关键点。本申请实施例的人体关键点检测方法，实现了人体关键点的自动检测；并且将人体检测与关键点检测统一在一个网络框架内，仅通过单个神经网络就完成多人场景下的人体关键点检测，且无需复杂的后处理过程，实用价值高。
-
公开(公告)号：CN115526310A
公开(公告)日：2022-12-27
申请号：CN202211177115.9
申请日：2022-09-26
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种网络模型的量化方法、装置及设备，该方法包括：将第一精度浮点型输入特征输入给待量化网络层得到第一输出特征；基于超参组合确定第一精度浮点型参数值对应的第二精度浮点型参数值、第一精度浮点型输入特征对应的第二精度浮点型输入特征；确定待量化网络层对应的量化后网络层，量化后网络层采用第二精度浮点型参数值；将第二精度浮点型输入特征输入给量化后网络层得到超参组合对应的第二输出特征；基于第一输出特征与每个超参组合对应的第二输出特征的相似度，将最大相似度对应的超参组合对应的第二精度浮点型参数值更新为待量化网络层的目标参数值，得到待量化网络层对应的目标网络层。通过本申请方案，节省存储资源和计算资源。
-
公开(公告)号：CN114333050A
公开(公告)日：2022-04-12
申请号：CN202111521832.4
申请日：2021-12-13
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种多人姿态估计方法、装置、电子设备及机器可读存储介质，该多人姿态估计方法包括：确定输入图像中各人体的人体位置；依据各人体的人体位置，分别为所述输入图像中各人体生成对应的卷积核权重；依据所述输入图像中各人体对应的卷积核权重，通过卷积处理，得到所述输入图像中各人体的姿态点位置。该方法可以降低多人姿态估计的计算量。
-
Patent Agency Ranking
公开(公告)号：CN113537377A
公开(公告)日：2021-10-22
申请号：CN202110859748.7
申请日：2021-07-28
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种网络模型裁剪方法、装置、电子设备及可读存储介质，该方法包括：对原始网络模型进行稀疏约束训练；依据同一训练过程中对所述原始网络模型进行不同轮数的稀疏约束训练的训练结果统计N1条裁剪参数‑优化目标量曲线，直至统计得到的裁剪参数‑优化目标量曲线满足预设停止规则；依据所述N1条裁剪参数‑优化目标量曲线，以及预设裁后优化目标量，确定第一目标裁剪参数；依据所述第一目标裁剪参数确定各层的裁剪比例；依据各层的裁剪比例，对所述原始网络模型进行变权重稀疏约束训练，得到原始网络模型对应的稀疏模型，并依据各层的裁剪比例对所述稀疏模型进行裁剪。该方法可以实现基于变权重稀疏约束的网络模型自动裁剪。
-
公开(公告)号：CN111860543A
公开(公告)日：2020-10-30
申请号：CN202010725910.1
申请日：2020-07-24
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例公开了一种图像处理方法、装置、设备及存储介质，属于图像处理技术领域。该方法应用于电子设备中，电子设备能够用于运行神经网络模型，神经网络模型包括卷积层和归一化层，归一化层位于卷积层之后，该方法包括：在对神经网络模型进行训练的过程中，确定归一化层的上一层所输出的多个第一特征图的通道数，多个第一特征图至少由卷积层经过卷积处理；基于通道数和多个第一特征图，确定多组第一数值，每组第一数值包括多个第一特征图在至少两个通道上的像素值，且各个组包括的通道互不相同；基于多组第一数值，对多个第一特征图进行归一化处理。本申请实施例可以保证归一化处理的数据统计量，使得精度较高，从而保证了图像处理效果。
-
公开(公告)号：CN111754544A
公开(公告)日：2020-10-09
申请号：CN201910251735.4
申请日：2019-03-29
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明实施例提供了一种视频帧融合方法、装置、电子设备，方法包括：获取待融合视频中的第一视频帧和第二视频帧，第一视频帧为待融合的视频帧，第二视频帧与第一视频帧相差帧数不超过预设帧数；基于第一视频帧和第二视频帧，确定目标物体的移动速度；根据移动速度，以及预设的移动速度与融合帧数的对应关系，确定与第一视频帧进行融合的视频帧的融合帧数；确定与第一视频帧相邻的融合帧数个第三视频帧；对第一视频帧和融合帧数个第三视频帧进行视频帧融合，得到融合后的第一视频帧。相比于现有的采用统一的融合帧数进行视频帧融合的方法，提高了融合后视频帧中目标物体的显示效果，便于后续的目标检测或目标分析等过程。
-
公开(公告)号：CN111753950A
公开(公告)日：2020-10-09
申请号：CN202010062768.7
申请日：2020-01-19
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/04
Abstract: 本申请提供一种前向耗时的确定方法、装置及设备，该方法包括：将待测神经网络划分为多个子网络；从多个子网络中选取至少一个子网络作为目标子网络；针对每个目标子网络，确定与所述目标子网络对应的子网络集合；子网络集合包括所述目标子网络和所述目标子网络的关联子网络，所述关联子网络为多个子网络中除所述目标子网络之外的子网络；根据子网络集合的信息获取所述目标子网络的耗时；根据每个目标子网络的耗时确定待测神经网络的前向耗时。通过本申请的技术方案，能够有效预测待测神经网络的前向耗时。
-
公开(公告)号：CN111353597A
公开(公告)日：2020-06-30
申请号：CN201811582168.2
申请日：2018-12-24
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目标检测神经网络训练方法和装置。其中，方法包括：利用所述特征提取子网络对样本视频中参考视频帧进行处理，以基于所述参考视频帧与关键视频帧之间的变换关系，计算所述关键视频帧的图像特征，得到预估图像特征，所述参考视频帧为所述样本视频中未经过标定的视频帧，所述样本视频为所述样本视频中经过标定的视频帧；利用所述检测子网络对所述预估图像特征进行处理，得到预测结果；基于所述预测结果与所述关键视频帧的标定结果之间的误差计算损失，对所述目标检测神经网络的网络参数进行调整。可以在不增加因标定带来的工作量的情况下，提高经过训练的目标检测神经网络的准确性。
-
-
-
-
-
-
-
-
-
Search Results
120
records
(took 0.042 seconds)
