-
公开(公告)号：CN119854541A
公开(公告)日：2025-04-18
申请号：CN202510228758.9
申请日：2025-02-28
Applicant: 湘江实验室
IPC: H04N21/234 , H04N21/2343 , H04N21/44 , H04N21/4402 , G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T5/60 , G06T7/73
Abstract: 本发明公开了一种人物视频生成方法、装置、计算机设备及存储介质，包括：对原始人物视频进行解码，得到若干图像帧，并将每个图像帧映射到二维图像上，得到初始人物姿态序列图；获取初始人物姿态序列图中的每个图像帧确定时间位置信息，得到时间位置编码向量，并将初始人物姿态序列图与时间位置编码向量进行拼接融合，得到目标人物姿态序列图；基于目标人物姿态序列图中每个图像帧，确定噪音特征；将噪音特征输入到快速去噪扩散模型，生成图像帧对应的新的人物图像特征，作为目标图像特征；对得到的每个目标图像特征进行解码，得到目标人物视频。采用本发明提高生成人物视频的清晰流畅度。
-
公开(公告)号：CN118551864B
公开(公告)日：2024-11-01
申请号：CN202410993593.X
申请日：2024-07-24
Applicant: 湘江实验室
Abstract: 本申请公开了一种基于边缘设备的联邦学习方法、装置、服务器及介质，该方法包括：获取集群中边缘设备的选中个数、计算功耗和传输功耗，根据选中个数、计算功耗、传输功耗以及预设的总功耗生成模型，生成集群对应的总功耗；将最小的总功耗对应的集群标记为目标集群；向目标集群的多个边缘设备发送上传指令；获取边缘设备基于上传指令返回的本地模型参数，将多个本地模型参数进行聚合，得到更新参数，将第一全局模型的初始参数修改为更新参数，将使用更新参数的第一全局模型设置为第二全局模型；当损失值小于预设值时，将第二全局模型设置为电力系统的电量预测模型，生成电量预测模型的整体评估值。本申请有利于提高电量预测模型的预测效率。
-
公开(公告)号：CN118364898B
公开(公告)日：2024-09-03
申请号：CN202410783397.X
申请日：2024-06-18
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种基于相互知识转移的联邦学习优化方法，属于计算技术领域，具体包括：存储大模型对应的数据集；在中央服务器通过知识蒸馏将大模型的知识迁移至蒸馏后的学生模型上；将学生模型下发给联邦系统的本地客户端；得到本轮训练后的一代本地模型；通过相互知识转移技术得到该本地客户端本轮训练的二代本地模型；服务器将本地客户端上传的模型进行模型聚合，得到本轮训练的全局模型；将上一轮训练后的全局模型再次下发给联邦系统的各个本地客户端，本地客户端再次利用本地数据集训练本轮的本地模型，进行迭代训练，直至最后一轮训练完成后的全局模型收敛，结束训练过程。通过本发明的方案，提高了模型性能、泛化能力和安全性。
-
公开(公告)号：CN119151015B
公开(公告)日：2025-03-04
申请号：CN202411614725.X
申请日：2024-11-13
Applicant: 湘江实验室
IPC: G06N20/00 , G06F18/213 , G06F18/25
Abstract: 本申请涉及多模态数据技术领域，提供了一种弥补模态缺失的多模态联邦学习方法及相关设备，该方法包括：从所有目标客户端中确定出缺失客户端；对缺失客户端的模态的数据进行特征提取，得到数据特征，对所有数据特征进行融合得到最终融合特征，并提取缺失客户端的模态的数据的时间特征，对所有时间特征进行融合得到最终时间特征，基于最终融合特征和最终时间特征，获取缺失模态的数据；将目标客户端和获取缺失模态的数据后的缺失客户端均作为最终客户端，利用最终客户端的所有模态的数据对每个模态模型进行训练，得到训练后的模态模型；将所有训练后的模态模型进行整合得到多模态模型。本申请的方法能够提高多模态模型的质量。
-
公开(公告)号：CN118972667B
公开(公告)日：2024-12-13
申请号：CN202411432446.1
申请日：2024-10-14
Applicant: 湘江实验室
IPC: H04N21/4402 , G06N20/00 , H04N7/01
Abstract: 本发明实施例中提供了一种基于深度强化学习的视频插帧任务调度方法，属于数据处理技术领域，具体包括：步骤1，对视频数据进行解码得到不同视频帧组并进行插帧算法类型划分，得到视频帧组特征信息向量；步骤2，获得算力设备性能指标向量；步骤3，基于视频帧组特征信息向量和算力设备性能指标向量，采用强化学习对不同视频帧组分配算力设备；步骤4，从各算力设备得到插帧结果，将插帧结果插入视频帧之间，得到完整插帧视频组，对其进行编码操作，得到插帧视频数据。通过本发明的方案，提高了任务调度的效率、精准度和适应性。
-
Patent Agency Ranking
公开(公告)号：CN119003479A
公开(公告)日：2024-11-22
申请号：CN202411481240.8
申请日：2024-10-23
Applicant: 湘江实验室
IPC: G06F16/188 , G06F16/182 , G06F16/242 , G06F16/25
Abstract: 本发明公开了一种分布式数据虚拟化系统、方法、计算机设备及存储介质，包括：接收用户端发送的虚拟视图查询请求，并解析所述虚拟视图查询请求，得到虚拟视图SQL查询语句，将用户虚拟视图查询请求转发给网络中所有群组，在群组的每个节点中，对比SQL查询语句与缓存SQL，得到对比结果，若对比结果为未命中，则根据虚拟视图查询请求，将虚拟视图SQL查询语句转化为在各物理源上执行的SQL查询语句，在数据源上请求数据，并更新缓存，若对比结果为命中，则返回缓存，将查询结果返回请求节点，请求节点集合所有返回数据，形成虚拟视图返回用户。采用本发明提高了分布式数据的使用效率。
-
公开(公告)号：CN118364897B
公开(公告)日：2024-09-03
申请号：CN202410765183.X
申请日：2024-06-14
Applicant: 湘江实验室
IPC: G06N3/098 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N5/01 , G06V10/82
Abstract: 本发明提供了一种基于混合精度量化与模拟退火剪枝的联邦学习训练方法，通过中央服务器对原始全局模型进行初始化和量化处理后与训练任务同时下发至多个本地工业设备进行反量化处理并通过本地工业产品图像进行训练，得到本地模型；在每个本地工业设备对本地模型进行混合精度量化和剪枝，得到量化损失函数和剪枝后的损失函数；每个本地工业设备根据量化损失函数和剪枝后的损失函数计算综合损失对本地模型进行迭代更新后上传至中央服务器进行反量化处理并聚合得到是否满足预设训练条件的全局模型；若是，则训练结束；否则，将全局模型作为原始全局模型，并返回执行进行初始化和量化处理；有效提升了联邦学习整体的通信和数据传输效率。
-
公开(公告)号：CN118381771A
公开(公告)日：2024-07-23
申请号：CN202410809517.9
申请日：2024-06-21
Applicant: 湘江实验室
IPC: H04L49/25 , H04L47/125
Abstract: 本发明提供了一种基于交换机的RDMA数据流在网重排序方法，涉及数据中心无损网络负载均衡技术领域，与现有技术相比，在保障了多路径传输性能的同时，根据数据流在旧传输路径传输最后一个RDMA数据包的发送时间、旧传输路径的期望排队延迟、重排序队列的排空时间，让到达目的交换机的不同乱序数据流共享同一重排序队列，在同一重排序队列中按每条源RDMA数据流的编号依次对满足预设条件的RDMA数据包进行重排序，保障不同乱序数据流之间不互相阻塞转发，实现队列资源的充分利用，从而减少目的交换机的队列占用，降低了乱序包的重排序开销，且无需修改接收端网卡，避免了因接收端网卡硬件资源少导致无法大规模部署于交换机中的问题。
-
公开(公告)号：CN118364897A
公开(公告)日：2024-07-19
申请号：CN202410765183.X
申请日：2024-06-14
Applicant: 湘江实验室
IPC: G06N3/098 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N5/01 , G06V10/82
Abstract: 本发明提供了一种基于混合精度量化与模拟退火剪枝的联邦学习训练方法，通过中央服务器对原始全局模型进行初始化和量化处理后与训练任务同时下发至多个本地工业设备进行反量化处理并通过本地工业产品图像进行训练，得到本地模型；在每个本地工业设备对本地模型进行混合精度量化和剪枝，得到量化损失函数和剪枝后的损失函数；每个本地工业设备根据量化损失函数和剪枝后的损失函数计算综合损失对本地模型进行迭代更新后上传至中央服务器进行反量化处理并聚合得到是否满足预设训练条件的全局模型；若是，则训练结束；否则，将全局模型作为原始全局模型，并返回执行进行初始化和量化处理；有效提升了联邦学习整体的通信和数据传输效率。
-
公开(公告)号：CN117688193B
公开(公告)日：2024-05-31
申请号：CN202410139026.8
申请日：2024-02-01
Applicant: 湘江实验室
IPC: G06F16/51 , G06F16/30 , G06F16/35 , G06F16/383 , G06F16/55 , G06F16/583 , G06F18/22 , G06N3/045 , G06N3/082
Abstract: 本发明公开了一种图文统一编码方法、装置、计算机设备及介质，包括：构建基于双向生成网络的图文数据统一编码模型，其中，图文数据统一编码模型包括图像子网络和文本子网络，图像子网络包括图像向量生成器、文本生成器，文本子网络包括文本向量生成器、图像生成器；对图文数据集进行相关性标注，并根据相关性分组，得到图文数据分组；采用图文数据分组对图文统一编码模型进行训练，得到训练好的图文编码模型；采用训练好的图文编码模型对图文进行统一编码，实现基于双向生成网络的图文统一编码方法，能快速实现对图像和文本数据的统一编码表示，提高图文查询检索效率。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.022 seconds)
