-
公开(公告)号:CN108898168A
公开(公告)日:2018-11-27
申请号:CN201810628418.5
申请日:2018-06-19
Applicant: 清华大学
Abstract: 本发明实施例提供用于目标检测的卷积神经网络模型的压缩方法和系统。其中,方法包括:获取未经训练的用于目标检测的卷积神经网络模型,并将卷积神经网络模型中的特征提取网络的网络结构进行简化,获取简化网络;根据知识蒸馏方法对网络结构简化前后的特征提取网络进行联合训练,确定简化网络的参数;将卷积神经网络模型中的特征提取网络替换为确定参数后的简化网络,并根据样本图像对卷积神经网络模型进行训练,获取压缩后的用于目标检测的卷积神经网络模型。本发明实施例提供的用于目标检测的卷积神经网络模型的压缩方法和系统,具有较高的准确率并能减少模型的参数,使得压缩后的模型能运行于计算资源受限的平台上。
-
公开(公告)号:CN106951826B
公开(公告)日:2019-09-20
申请号:CN201710079126.6
申请日:2017-02-14
Applicant: 清华大学
IPC: G06K9/00
Abstract: 本发明提供一种人脸检测方法及装置,属于图像识别技术领域。该方法包括:获取原始图像中人脸校正候选区域的位置响应特征图;对位置响应特征图进行划分,得到相应数量的方格,并按照每一方格所处的位置,区分所有方格的方格类型;按照每种方格类型对应的人脸检测贡献程度,确定每种方格类型对应的权重;基于每一方格对应的特征向量及权重,计算人脸校正候选区域对应的区域特征向量;基于区域特征向量,输出原始图像中最终包含人脸的区域。由于为位置响应特征图中不同方格类型引入了不同人脸部位的权重,从而能够减少复杂场景下外在条件对对检测结果的影响。因此,人脸检测的准确率较高,且提高了人脸检测的适用性。
-
公开(公告)号:CN118261195A
公开(公告)日:2024-06-28
申请号:CN202211694260.4
申请日:2022-12-28
IPC: G06N3/042 , G06N3/0464 , G06N3/086 , G06N3/09
Abstract: 本申请提供一种网络架构搜索方法,基于主动学习选择NAS中用于训练预测器的子网络架构,包括:随机采样搜索空间中子网络架构;确定训练集;确定预测器,预测器用于对子网络架构的性能进行评分;基于软排序的损失函数和训练集迭代训练预测器,得到优化的预测器;获得第二子网络架构;第二子网络架构为子网络架构的后代;基于优化的预测器对第二子网络架构评分,将评分满足阈值要求的第二子网络架构加入训练集;评分满足阈值要求的第二子网络架构的数量为k;得到满足预测器的训练要求的训练集,训练集中子网络架构包括每次迭代后加入的第二子网络架构。能够提高预测器在搜索算法中的性能,识别出低性能的子网络架构,准确地预测高性能子网络架构。
-
公开(公告)号:CN108898168B
公开(公告)日:2021-06-01
申请号:CN201810628418.5
申请日:2018-06-19
Applicant: 清华大学
Abstract: 本发明实施例提供用于目标检测的卷积神经网络模型的压缩方法和系统。其中,方法包括:获取未经训练的用于目标检测的卷积神经网络模型,并将卷积神经网络模型中的特征提取网络的网络结构进行简化,获取简化网络;根据知识蒸馏方法对网络结构简化前后的特征提取网络进行联合训练,确定简化网络的参数;将卷积神经网络模型中的特征提取网络替换为确定参数后的简化网络,并根据样本图像对卷积神经网络模型进行训练,获取压缩后的用于目标检测的卷积神经网络模型。本发明实施例提供的用于目标检测的卷积神经网络模型的压缩方法和系统,具有较高的准确率并能减少模型的参数,使得压缩后的模型能运行于计算资源受限的平台上。
-
公开(公告)号:CN106951826A
公开(公告)日:2017-07-14
申请号:CN201710079126.6
申请日:2017-02-14
Applicant: 清华大学
IPC: G06K9/00
Abstract: 本发明提供一种人脸检测方法及装置,属于图像识别技术领域。该方法包括:获取原始图像中人脸校正候选区域的位置响应特征图;对位置响应特征图进行划分,得到相应数量的方格,并按照每一方格所处的位置,区分所有方格的方格类型;按照每种方格类型对应的人脸检测贡献程度,确定每种方格类型对应的权重;基于每一方格对应的特征向量及权重,计算人脸校正候选区域对应的区域特征向量;基于区域特征向量,输出原始图像中最终包含人脸的区域。由于为位置响应特征图中不同方格类型引入了不同人脸部位的权重,从而能够减少复杂场景下外在条件对对检测结果的影响。因此,人脸检测的准确率较高,且提高了人脸检测的适用性。
-
-
-
-