-
公开(公告)号：CN117274637A
公开(公告)日：2023-12-22
申请号：CN202311298432.0
申请日：2023-10-08
Abstract: 本申请涉及一种行人轨迹预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取多个时间步的多行人轨迹序列数据，并提取所述多行人轨迹序列数据中所述多个时间步的第一隐藏状态特征；分别对所述多个时间步的第一隐藏状态特征进行局部行人交互特征以及全局行人交互特征提取，得到多个时间步的局部行人交互特征以及全局行人交互特征；将所述多个时间步的局部交互行人特征和全局行人交互特征进行融合，得到多个时间步的目标行人交互特征；根据所述多个时间步的第一隐藏状态特征和所述多个时间步的目标行人交互特征，预测下一时间步的多行人轨迹。这样预测得到下一时间步的多行人轨迹可以更精确。
-
公开(公告)号：CN114283051B
公开(公告)日：2024-11-26
申请号：CN202111500426.X
申请日：2021-12-09
IPC: G06T3/04 , G06N3/0464 , G06N3/0455 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本申请涉及一种上述人脸图像处理方法、装置、计算机设备、存储介质和计算机程序产品，获取原始图片以及与所述原始图片对应的化妆目标图片；将所述原始图片输入至预设已训练的第一网络模型，得到彩色图片；将所述彩色图片以及化妆目标图片输入至预设已训练的第二网络模型，得到面部化妆迁移后的彩色图片。整个过程中，采用第一网络模型(老化模型)和第二网络模型(化妆模型)来分别进行彩色图片的获取以及面部化妆迁移后的彩色图片获取，无需依赖人工标注，可以实现高效的面部化妆迁移。
-
公开(公告)号：CN118227975A
公开(公告)日：2024-06-21
申请号：CN202410331578.9
申请日：2024-03-22
IPC: G06F18/15 , G06F18/213 , G06F18/2321 , G06N3/045 , G06F18/25
Abstract: 本申请涉及一种历史轨迹缺失的补全方法、装置、设备和存储介质。所述方法包括：获取场景视频中各运动对象的历史轨迹，将各运动对象的历史轨迹输入已建立的神经网络模型，获得神经网络模型输出的各运动对象的运动特征；基于各运动对象的历史轨迹，确定缺失轨迹的目标运动对象和目标运动对象在轨迹缺失时刻的邻居运动对象；根据邻居运动对象的运动特征和邻居运动对象的历史轨迹，计算邻居运动对象在轨迹缺失时刻对于目标运动对象的关联影响特征；根据轨迹缺失时刻的关联影响特征和目标运动对象的运动特征，采用神经网络模型进行处理，得到目标运动对象补全轨迹之后的历史轨迹并存储。采用本申请，可以提高轨迹补全的准确性。
-
公开(公告)号：CN118132911A
公开(公告)日：2024-06-04
申请号：CN202410089206.X
申请日：2024-01-23
IPC: G06F17/16 , G06F18/2136 , G06F18/2113 , G06F18/20 , G06F18/214 , G06F18/21 , G06F18/2431 , G06N5/01
Abstract: 本申请涉及一种图计算中稀疏矩阵向量乘的自适应方法与装置，其中，方法包括：获取图计算中稀疏矩阵，并提取稀疏矩阵的稀疏特征；获取输入的稀疏向量，提取稀疏向量特征；根据稀疏矩阵以及稀疏向量特征，采用预设决策树模型进行最优算法选择；根据稀疏矩阵以及稀疏向量特征，并采用选择的最优算法进行计算，迭代返回获取图计算中稀疏矩阵，并提取稀疏矩阵的稀疏特征的步骤，直至满足预设迭代结束条件；决策树模型在训练时构建稀疏矩阵向量乘候选计算内核列表，在图算法的迭代过程中，选择最优算法，同时针对输入的稀疏矩阵分别获取稀疏特征和稀疏向量特征，确保预设决策树模型准确预测，因此，整个方案可以实现图计算中稀疏矩阵向量乘的自适应处理。
-
公开(公告)号：CN117933414A
公开(公告)日：2024-04-26
申请号：CN202311858926.X
申请日：2023-12-30
IPC: G06N20/00 , G06F18/2433 , G06F21/12
Abstract: 本申请涉及一种应对拜占庭节点的联邦学习方法。所述方法包括：将待训练的分类模型传递至目标学习节点，以指示目标学习节点根据医疗样本数据确定梯度信息；接收目标学习节点反馈的梯度信息，并根据梯度信息对目标学习节点进行分类，得到节点类型；若节点类型为恶意节点，则对所述目标学习节点进行标识，并将邻接学习节点作为下一目标学习节点，返回执行将待训练的分类模型传递至目标学习节点的步骤；若节点类型为正常节点，则接收目标学习节点更新的分类模型，将邻接学习节点作为下一目标学习节点，并基于更新的分类模型返回执行将待训练的分类模型传递至目标学习节点的步骤，直至完成所述分类模型的训练。采用本方法能够提高分类模型的学习准确率。
-
Patent Agency Ranking
公开(公告)号：CN117576653A
公开(公告)日：2024-02-20
申请号：CN202311320925.X
申请日：2023-10-12
Abstract: 本申请涉及一种目标追踪方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取二维场景图像处理结果和场景点云处理结果二维场景图像处理结果包括已检测出的多个运动目标的边界框坐标；基于同一运动目标的边界框坐标和投影二维坐标、以及预构建的高斯函数，得到目标拟合关系；查找出二维场景图像中未检测出的漏检运动目标，并基于漏检运动目标的投影二维坐标和目标拟合关系，确定漏检运动目标在二维场景图像中的边界框坐标；根据漏检运动目标在所述二维场景图像中的边界框坐标，更新二维场景图像处理结果；基于更新后的二维场景图像处理结果，追踪多个运动目标的运动轨迹。采用本方法能够提高目标追踪的准确度。
-
公开(公告)号：CN114283051A
公开(公告)日：2022-04-05
申请号：CN202111500426.X
申请日：2021-12-09
Abstract: 本申请涉及一种上述人脸图像处理方法、装置、计算机设备、存储介质和计算机程序产品，获取原始图片以及与所述原始图片对应的化妆目标图片；将所述原始图片输入至预设已训练的第一网络模型，得到彩色图片；将所述彩色图片以及化妆目标图片输入至预设已训练的第二网络模型，得到面部化妆迁移后的彩色图片。整个过程中，采用第一网络模型(老化模型)和第二网络模型(化妆模型)来分别进行彩色图片的获取以及面部化妆迁移后的彩色图片获取，无需依赖人工标注，可以实现高效的面部化妆迁移。
-
公开(公告)号：CN117971472A
公开(公告)日：2024-05-03
申请号：CN202410120605.8
申请日：2024-01-29
Abstract: 本申请涉及一种基于ARM处理器的SpMV并行加速处理方法与系统，其中，方法包括：加载稀疏矩阵；若当前ARM处理器支持NUMA，则获取最大NUMA节点数目m，并将已加载的所述稀疏矩阵基于m进行行划分；将划分好的所述稀疏矩阵根据NUMA策略分配到各个节点上，并将每个节点上的子矩阵再根据线程数再次划分；将每个线程中需要处理的子矩阵按照列的相似度进行重排，并将对应的向量也重新排序；将排序后的子矩阵转换为对齐的CSR格式，并且每个线程将对齐的CSR格式的子矩阵与对应的向量进行SpMV处理；将每个节点上的SpMV相乘结果合并得到计算结果。整个过程中，通过列重排显著减少对齐的CSR格式中的向量对，可以显著加速SpMV操作，实现高效的基于ARM处理器的SpMV并行加速处理。
-
公开(公告)号：CN119670748A
公开(公告)日：2025-03-21
申请号：CN202411691714.1
申请日：2024-11-25
IPC: G06F40/295 , G06F40/126 , G06N3/045 , G06N3/048 , G06N3/0464 , G06F17/16 , G06F40/30
Abstract: 本申请实施例提供了一种实体关系联合抽取方法和装置。该方法包括：首先识别文本中的所有可能主语；之后设定阈值K，抽取文本中最可能出现的K个关系；然后对每个主语应用关系特定标记器，同时识别这K个关系所对应的宾语，最后构建出完整的三元组。本申请实施例的方法和装置，能够提高模型的准确性和鲁棒性。
-
公开(公告)号：CN118245206A
公开(公告)日：2024-06-25
申请号：CN202410089254.9
申请日：2024-01-23
Abstract: 本申请涉及一种稀疏稠密矩阵数据的并行处理方法与系统，其中，方法包括：获取待划分的稀疏矩阵，并根据GPU的线程块参数计算密集矩阵划分的边界值；对所述稀疏矩阵的长行进行行细分；将行细分后所述稀疏矩阵中第一存储格式的数组压缩形成第二存储格式的数组；根据所述边界值将所述第二存储格式的数组划分为多个矩阵块，并将所述多个矩阵块分配给GPU中不同的线程块和线程，由所述线程块循环执行直至所有矩阵块完成计算。整个过程中，针对待划分的稀疏矩阵进行行细分和数据压缩处理，再利用GPU对划分得到的矩阵块进行并行处理，可以显著提升数据处理效率，最终实现高效的稀疏稠密矩阵数据的并行处理。
-
-
-
-
-
-
-
-
-
Search Results
194
records
(took 0.023 seconds)
