-
公开(公告)号：CN117114157A
公开(公告)日：2023-11-24
申请号：CN202210531827.X
申请日：2022-05-13
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06Q10/04 , G06F16/901 , G06F17/18 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/08 , G06N5/04 , G06Q50/00 , G06Q50/26
Abstract: 本公开提供了一种链接的预测方法、链接预测模型的训练方法和装置，涉及人工智能领域，具体涉及图神经网络和深度学习技术领域，可应用于智慧城市和智能交通等场景下。链接的预测方法的具体实现方案为：根据历史时刻下针对目标对象的完整图的第一图信息，确定针对历史时刻的隐式信息；隐式信息表征针对目标对象的完整图的时间依赖信息；根据隐式信息和当前时刻下针对目标对象的参考图的第二图信息，确定当前时刻下属于目标对象的多个第一对象的第一嵌入信息的后验分布信息；以及根据后验分布信息和第二图信息，确定多个第一对象彼此之间的第一完整链接信息。
-
公开(公告)号：CN109086670B
公开(公告)日：2019-10-11
申请号：CN201810717792.2
申请日：2018-07-03
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06K9/00
Abstract: 本发明实施例提供一种人脸识别方法、装置及设备，该方法包括：对第一缓存中的第一人脸图像进行图像格式转换处理，并将图像格式转换处理后的第一人脸图像存储在第二缓存；对第二缓存中的第二人脸图像进行人脸信息提取处理，并将通过人脸信息提取处理得到的第一人脸信息存储到第三缓存，第一人脸信息包括第二人脸图像对应的抠图图像和抠图图像的质量值；根据第三缓存中的至少一个人脸信息，对至少一个人脸信息中质量值最高的抠图图像进行人脸识别处理；其中，图像格式转换处理、人脸信息提取处理、人脸识别处理并行执行。用于扩大人脸识别的应用范围。
-
公开(公告)号：CN108985451A
公开(公告)日：2018-12-11
申请号：CN201810712195.0
申请日：2018-06-29
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本发明提供一种基于AI芯片的数据处理方法及设备，本发明的方法，通过将AI芯片数据处理流水线分为以下三个阶段的处理：数据采集和预处理，神经网络模型处理，神经网络模型后处理；该三个阶段的处理为并行流水线结构；AI芯片至少包括第一处理器，第二处理器和第三处理器，第一处理器用于数据采集和预处理，第三处理器用于神经网络模型处理，第二处理器用于神经网络模型后处理；第一处理器，第二处理器和第三处理器同时进行该三个阶段的处理，减少了处理器相互等待时间，最大化地实现了各个处理器的并行计算，提高了AI芯片数据处理的效率，从而可以提高AI芯片的帧率。
-
公开(公告)号：CN110674918B
公开(公告)日：2023-05-23
申请号：CN201810710542.6
申请日：2018-07-02
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06N3/0464 , H04L67/10 , G06N3/045 , G06V40/10
Abstract: 本发明实施例提供一种信息处理方法、设备、系统及存储介质。该信息处理方法包括：AI相机获取无人零售场景下的实时数据，并基于神经网络模型，对实时数据进行前端处理，该前端处理包括以下任一种或多种：商品识别和人体监测，之后将前端处理后的结果发送给服务器，该前端处理后的结果用于触发服务器根据该前端处理后的结果进行人脸识别和/或确定商品的流向。本发明实施例考虑到端上获取实时数据的及时性以及便利性，引入AI相机作为前端的基础算子，结合服务器的后端处理，使得在无人零售场景下，引入分布式计算思想，降低整个无人零售分布式系统的成本，减少数据传输的带宽压力，有效提高系统扩展性及无人零售解决方案的性能。
-
公开(公告)号：CN115186047A
公开(公告)日：2022-10-14
申请号：CN202210837366.9
申请日：2022-07-15
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本公开提供了一种交通流量动态图重构方法、相关装置及计算机程序产品，涉及深度学习、动态图重构、变分推断等人工智能技术领域。该方法包括：获取构成目标动态图的各时刻快照，该目标动态图用于记录交通流量信息，各时刻快照中包括存在部分节点信息缺失的目标快照；根据各时刻快照分别生成每个节点的吸引流量隐式表征和发出流量隐式表征；融合吸引流量隐式表征和发出流量隐式表征的非线性特征，得到融合特征；利用多层感知机处理每个节点的融合特征，得到起点终点流量估计矩阵；基于起点终点流量估计矩阵中任意起点终点对的交通流量信息，重构目标快照所缺失的部分节点信息。应用该方法可准确的补全动态图中缺失的部分节点信息。
-
Patent Agency Ranking
公开(公告)号：CN108985451B
公开(公告)日：2020-08-04
申请号：CN201810712195.0
申请日：2018-06-29
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本发明提供一种基于AI芯片的数据处理方法及设备，本发明的方法，通过将AI芯片数据处理流水线分为以下三个阶段的处理：数据采集和预处理，神经网络模型处理，神经网络模型后处理；该三个阶段的处理为并行流水线结构；AI芯片至少包括第一处理器，第二处理器和第三处理器，第一处理器用于数据采集和预处理，第三处理器用于神经网络模型处理，第二处理器用于神经网络模型后处理；第一处理器，第二处理器和第三处理器同时进行该三个阶段的处理，减少了处理器相互等待时间，最大化地实现了各个处理器的并行计算，提高了AI芯片数据处理的效率，从而可以提高AI芯片的帧率。
-
公开(公告)号：CN109086670A
公开(公告)日：2018-12-25
申请号：CN201810717792.2
申请日：2018-07-03
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06K9/00
Abstract: 本发明实施例提供一种人脸识别方法、装置及设备，该方法包括：对第一缓存中的第一人脸图像进行图像格式转换处理，并将图像格式转换处理后的第一人脸图像存储在第二缓存；对第二缓存中的第二人脸图像进行人脸信息提取处理，并将通过人脸信息提取处理得到的第一人脸信息存储到第三缓存，第一人脸信息包括第二人脸图像对应的抠图图像和抠图图像的质量值；根据第三缓存中的至少一个人脸信息，对至少一个人脸信息中质量值最高的抠图图像进行人脸识别处理；其中，图像格式转换处理、人脸信息提取处理、人脸识别处理并行执行。用于扩大人脸识别的应用范围。
-
公开(公告)号：CN109033985A
公开(公告)日：2018-12-18
申请号：CN201810701271.8
申请日：2018-06-29
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06K9/00
Abstract: 本申请提供一种商品识别的处理方法、装置、设备、系统及存储介质，该方法包括：接收摄像装置发送的图像信息及摄像装置对应的距离传感器发送的距离信号；根据图像信息及距离信号，确定用户取货行为的起始帧和结束帧；根据用户取货行为的起始帧和结束帧，确定用户所取的商品信息。通过对用户取货行为的起始帧和结束帧进行商品识别，确定用户所取的商品信息，有效提高了商品识别效率。并且结合摄像装置拍摄的图像信息及距离传感器探测的距离信号共同确定用户取货行为的起始帧和结束帧，可以避免对用户取货行为的误判断，提高用户取货行为判断的准确性。
-
公开(公告)号：CN110674918A
公开(公告)日：2020-01-10
申请号：CN201810710542.6
申请日：2018-07-02
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06N3/04 , G06K9/62 , H04L12/801 , H04L29/08
Abstract: 本发明实施例提供一种信息处理方法、设备、系统及存储介质。该信息处理方法包括：AI相机获取无人零售场景下的实时数据，并基于神经网络模型，对实时数据进行前端处理，该前端处理包括以下任一种或多种：商品识别和人体监测，之后将前端处理后的结果发送给服务器，该前端处理后的结果用于触发服务器根据该前端处理后的结果进行人脸识别和/或确定商品的流向。本发明实施例考虑到端上获取实时数据的及时性以及便利性，引入AI相机作为前端的基础算子，结合服务器的后端处理，使得在无人零售场景下，引入分布式计算思想，降低整个无人零售分布式系统的成本，减少数据传输的带宽压力，有效提高系统扩展性及无人零售解决方案的性能。
-
公开(公告)号：CN108958938A
公开(公告)日：2018-12-07
申请号：CN201810700318.9
申请日：2018-06-29
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本发明提供一种数据处理方法、装置及设备。本发明的方法，通过将所有计算核分为至少两组，每组计算核用于共同执行一个数据帧的深度模型计算任务；CPU调度所述至少两组计算核并行地执行至少两帧数据的深度模型计算任务，实现了在进行一次深度模型计算的过程中，多组计算核并行地执行多帧数据的深度模型计算任务；对于每一组计算核，在对深度模型中不适于多个计算核完成该层计算的层进行计算时，该组内一个计算核负责该层的计算，该组内其他计算核空闲，而其他组的计算核同时在对其他帧数据进行深度模型计算，而不是空闲等待，减少了空闲计算核的数量，提高了计算核的单核利用率，从而提高了AI芯片的整体处理帧率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.032 seconds)
