-
公开(公告)号：CN119903891A
公开(公告)日：2025-04-29
申请号：CN202311396379.8
申请日：2023-10-25
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/084 , G06N3/045 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N5/046 , G06T3/4046 , G06T3/4053
Abstract: 本说明书实施例公开了图像超分辨率重建模型的训练方法、系统及存储介质，属于图像处理技术领域，可以在同等计算能力的设备上实现图像超分辨率重建模型的计算资源消耗突破，以及改善算法设备实现成本。所述方法包括：将原始图像的图像块作为训练样本，分别输入至教师模型和学生模型，以获得基准特征和输出特征；将输出特征输入至跳出模型，以获得各层网络模块对应的跳出得分；基于输出特征与基准特征之间的第一差异值，以及目标层的下一层网络模块的输出特征与基准特征的第二差异值，确定与跳出得分对应的跳出模型的损失值和与图像块对应的标记；基于联合损失值，调整学生模型的模型参数和跳出模型的模型参数。
-
公开(公告)号：CN119728879A
公开(公告)日：2025-03-28
申请号：CN202311254018.X
申请日：2023-09-26
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视频降噪方法、装置、电子设备以及存储介质，涉及图像处理技术领域，特别是涉及一种视频降噪方法、装置、电子设备以及存储介质。具体实现方案为：获得视频中目标视频帧的第一特征图、以及目标视频帧的预设数量个相邻帧的第二特征图；将每一第一特征子图中的每一图像块与该第一特征子图的尺度相同的各第二特征子图中确定的该图像块的相似图像块融合，得到融合图像块；按照每一第一特征子图中各图像块的位置，对所得到的融合图像块进行排布，得到该第一特征子图的尺度下的融合特征图；基于所得到的融合特征图获得对目标视频帧进行去噪后的视频帧。应用本申请实施例提供的方案可以减少视频降噪消耗的计算资源。
-
公开(公告)号：CN112446461B
公开(公告)日：2024-11-19
申请号：CN201910808066.6
申请日：2019-08-29
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神经网络模型训练方法及装置，获取训练样本，利用训练样本，对神经网络模型进行训练。在进行神经网络模型训练时，对输入每个网络层的第一激活量和每个网络层的网络权值进行整型定点编码，编码后的第一激活量和网络权值为具有指定位宽的整型定点数据，则在进行运算时，所涉及到的矩阵乘法、矩阵加法等运算都采用整型定点格式，整型定点数据的位宽明显少于单精度浮点数据的位宽，因此，可以大幅地降低运行神经网络模型需要的硬件资源开销。
-
公开(公告)号：CN112800813B
公开(公告)日：2024-06-07
申请号：CN201911108141.4
申请日：2019-11-13
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V40/16 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请实施例提供了一种目标识别方法及装置，获取待识别图片，将待识别图片输入预先训练的目标深度学习模型，得到待识别图片中的目标特征，将该目标特征与预先标定的目标特征进行比较，得到待识别图片的目标识别结果。其中，目标深度学习模型在对输入的待识别图片进行运算时，针对目标深度学习模型中的每一个网络层，将输入该网络层的输入特征、该网络层的网络权重和该网络层输出的输出特征中的至少一项量化为位宽小于16比特的低比特整型数据。对于每个网络层，参与运算的是位宽较低的低比特整型数据，降低了参与运算的数据的位宽和数据量，能够提升目标深度学习模型进行目标识别的运算速率，从而提高了目标识别的效率。
-
公开(公告)号：CN117994627A
公开(公告)日：2024-05-07
申请号：CN202211418306.X
申请日：2022-11-14
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脉冲神经网络训练方法、装置、电子设备及存储介质，所述方法包括：获取已训练的人工神经网络中的网络参数；将已训练的人工神经网络中的网络参数转换为待训练脉冲神经网络的参数，得到已训练的目标脉冲神经网络。由于已训练的人工神经网络中的激活函数是根据脉冲神经网络中的神经元的输出脉冲速率函数，以及神经元的输出脉冲速率与激活函数的输出激活值之间的映射关系得到的，所以在将该已训练的人工神经网络中的参数映射到待训练脉冲神经网络中时，消除了转换误差，提高了脉冲神经网络的应用效率，可以以最小的时间步长实现人工神经网络至脉冲神经网络的无损转换。
-
Patent Agency Ranking
公开(公告)号：CN111160517B
公开(公告)日：2024-02-06
申请号：CN201811320675.9
申请日：2018-11-07
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/0464
Abstract: 本申请实施例提供了一种深度神经网络的卷积层量化方法及装置，其中，深度神经网络的卷积层量化方法包括：获取深度神经网络的卷积层参数，该卷积层参数包括：卷积层的四维张量权值以及卷积层中卷积滤波器的空间维度信息；根据空间维度信息，将四维张量权值中处于相同空间位置的权值划分为同一群组，得到多个群组；针对各群组，采用该群组对应的量化参数对该群组中的各权值进行量化，得到量化后的卷积层。通过本方案，可以减小量化误差。
-
公开(公告)号：CN110874625B
公开(公告)日：2023-10-27
申请号：CN201811012643.2
申请日：2018-08-31
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/04
Abstract: 本申请实施例提供了一种数据处理方法及装置，数据处理方法可以包括：获取深度神经网络中的待量化数据层，其中，待量化数据层包括参数层和/或激活量；根据待量化数据层中各待量化数据与预设阈值的大小关系，将待量化数据层划分为小值区域及大值区域，其中，小值区域中的各待量化数据小于大值区域中的各待量化数据；分别对小值区域中各待量化数据以及大值区域中各待量化数据进行量化，得到量化后的待量化数据层。通过本方案，可以实现同时满足高精度及高动态范围的需求，提高DNN的运算性能。
-
公开(公告)号：CN112733585B
公开(公告)日：2023-09-05
申请号：CN201911059779.3
申请日：2019-10-29
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V20/60 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本公开公开了一种图像识别方法，涉及神经网络技术领域；所述方法包括：获取待处理的第一神经网络模型，第一神经网络模型中包括多个第一卷积层，每个第一卷积层中包括K×K的第一卷积核，所述K为大于1的整数；根据稀疏化因子，对第一神经网络模型中的第一卷积核进行轻量化处理，得到第二神经网络模型，第二神经网络模型中包括多个第二卷积层，每个第二卷积层中包括K×K及M×M组合的第二卷积核，M为小于K的正整数；当进行图像识别时，通过所述第二神经网络模型，对待识别的目标图像进行识别。由于第二神经网络模型为轻量化的网络模型，因此，通过第二神经网络模型，对待识别的目标图像进行识别时，能够提高识别效率。
-
公开(公告)号：CN115034351A
公开(公告)日：2022-09-09
申请号：CN202110241125.3
申请日：2021-03-04
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数据处理方法、卷积神经网络训练方法、装置和FPGA，可以获取待处理图片并存储至预设存储空间，FPGA可以从预设存储空间获取待处理图片，通过卷积层运算核，基于目标卷积神经网络中每一卷积层对应的目标参数矩阵，对待处理图片进行处理，得到最终的特征图，存储至预设存储空间；目标卷积神经网络中每一卷积层对应的目标参数矩阵中的元素，与该卷积层中的卷积核一一对应；该卷积层中的卷积核包含：压缩卷积核和非压缩卷积核，且压缩卷积核的大小小于非压缩卷积核。进而，可以从预设存储空间获取最终的特征图。如此，能够提高基于卷积神经网络进行数据处理的效率。
-
公开(公告)号：CN113408715A
公开(公告)日：2021-09-17
申请号：CN202010186495.7
申请日：2020-03-17
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请公开了一种神经网络的定点化方法，对神经网络进行至少如下之一低比特量化：对神经网络中的卷积层输入激活值进行第一低比特量化，对卷积层中卷积核权值进行第二低比特量化，对神经网络中除了卷积层之外的非卷积功能层，将非卷积功能层的输入激活值进行第三低比特量化；在进行所述任意低比特量化之后，基于当前低比特量化后的神经网络，进行重训练，基于重训练后的神经网络中各低比特量化结果，进行定点化；其中，所述第一低比特、第二低比特、第三低比特均在1比特至8比特以内。本申请使得最终激活值和/或卷积核权值都用低比特定点化表示，可以方便移植到嵌入式平台、专用集成电路之中。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.045 seconds)
