一种模型压缩方法及装置
    21.
    发明授权

    公开(公告)号:CN113887719B

    公开(公告)日:2023-04-28

    申请号:CN202111067265.X

    申请日:2021-09-13

    Abstract: 本说明书公开了一种模型压缩方法及装置,可先获取已训练完成的神经网络模型,并针对该神经网络模型中的每个嵌入层,确定该嵌入层的嵌入矩阵以及该嵌入层的基准矩阵。之后,以该嵌入矩阵的行数与基准矩阵的行数为约束,构建索引矩阵,并基于该嵌入层的索引矩阵与基准矩阵,确定该嵌入层的重构矩阵。最后,以最小化该嵌入层的嵌入矩阵与重构矩阵之间的差异为目标,调整基准矩阵与索引矩阵中的参数,并基于调整后的各基准矩阵与各索引矩阵,确定压缩后的神经网络模型,用于部署至终端中执行业务。以模型中各嵌入层的嵌入矩阵与重构矩阵之间的差异为优化目标,得到各嵌入层压缩后的基准矩阵与索引矩阵,极大降低了模型压缩的数据量。

    一种图像采集的方法以及装置
    22.
    发明公开

    公开(公告)号:CN115392281A

    公开(公告)日:2022-11-25

    申请号:CN202211001334.1

    申请日:2022-08-19

    Abstract: 本说明书公开了一种图像采集的方法以及装置。首先,响应于用户的业务操作,获取用户在当前执行业务时的参考信息以及用户执行业务所使用的移动终端的设备信息。其次,将参考信息以及设备信息输入到预设的判别模型中,确定判别结果,判别结果用于表示用户当前所在位置的周围环境和/或当前时间下的光照是否会提供满足预设图像采集条件的光强度。最后,若通过判别结果确定用户当前所在位置的周围环境和/或当前时间下的光照不能提供满足预设图像采集条件的光强度,开启移动终端上设置的闪光灯,并在闪光灯发出的光线的补偿下通过移动终端进行图像采集。从而,提高了用户的扫描二维码的效率,进而,提高用户扫描二维码的体验。

    一种模型训练的方法、构建地图的方法及装置

    公开(公告)号:CN114972909A

    公开(公告)日:2022-08-30

    申请号:CN202210530127.9

    申请日:2022-05-16

    Abstract: 本说明书公开了一种模型训练的方法、构建地图的方法及装置,服务器获取到第一图像和第二图像,并确定出第一图像和第二图像中包含的各图像特征点之间的匹配关系。在获取到第一图像和第二图像后,服务器将第一图像和第二图像输入到待训练的匹配模型中,以将第一图像和第二图像中包含的每个图像特征点的原始描述特征进行压缩,并针对第一图像中包含的每个图像特征点,确定该图像特征点的压缩描述特征,和在第二图像中与该图像特征点具有匹配关系的图像特征点的压缩描述特征之间的匹配度,作为第一匹配度。以最大化第一匹配度为优化目标,对匹配模型进行训练。

    图像补全方法和装置、存储介质和电子设备

    公开(公告)号:CN114764748A

    公开(公告)日:2022-07-19

    申请号:CN202011611826.3

    申请日:2020-12-30

    Abstract: 本公开涉及一种图像补全方法和装置、存储介质和电子设备,所述方法包括:确定待补全图像上的待补全位置信息;将所述待补全图像和所述待补全位置信息输入图像补全模型;获取所述图像补全模型生成的完整图像;其中,所述图像补全模型包括图像编码器和融合模块,所述图像补全模型生成所述完整图像的步骤包括:通过所述图像编码器基于所述待补全图像和所述待补全位置信息生成图像编码;通过所述融合模块基于所述图像编码生成通道特征,并基于所述待补全图像和所述待补全位置信息生成空间特征,并基于所述通道特征和所述空间特征生成所述完整图像。本公开可以基于缺失的图像生成自然的补全图像。

    一种图像生成方法、装置、存储介质及电子设备

    公开(公告)号:CN112950732B

    公开(公告)日:2022-04-01

    申请号:CN202110203197.9

    申请日:2021-02-23

    Abstract: 本说明书公开了一种图像生成方法、装置、存储介质及电子设备,本说明书实施例将获取到的指定非可见光人脸图像和指定可见光人脸图像输入预先训练的图像生成模型中,通过图像生成模型的第一模型提取指定非可见人脸图像的人脸语义特征,通过第二模型的环境特征编码器提取指定可见光人脸图像的环境特征。然后,通过第二模型的图像生成器,将人脸语义特征与环境特征进行融合,得到目标可见光人脸图像。在此方法中,可将人脸图像的特征分离成人脸语义特征和环境特征,然后,在根据所需人脸语义特征和所需环境特征生成指定人脸图像时,可以避免处于同一人脸图像中的这两种特征相互影响,从而提高了指定人脸图像的图像质量。

    计算机视觉CV模型训练方法、装置、电子设备和存储介质

    公开(公告)号:CN111738289A

    公开(公告)日:2020-10-02

    申请号:CN202010389080.X

    申请日:2020-05-09

    Inventor: 赖申其 柴振华

    Abstract: 本申请公开了一种计算机视觉CV模型训练方法、装置、电子设备和存储介质,所述方法包括:获取第一CV模型提取的训练图像的第一视觉特征,获取第二CV模型提取的训练图像的第二视觉特征;对各训练图像的第一视觉特征和第二视觉特征分别进行拆解,得到第一视觉特征的第一拆解特征和第二视觉特征的第二拆解特征;根据第一拆解特征生成表征训练图像间关系的监督信号,根据第二拆解特征生成表征图像间关系的学习信号;根据监督信号和学习信号确定第二CV模型的训练损失值,根据训练损失值对第二CV模型的参数进行优化。本申请可以得到更多监督信号,提高模型拟合效果,同时可以学到图像间更重要的关系,避免了一些不具有判别力的图像关系对模型精度的影响。

    人脸图像处理模型训练方法、装置、电子设备及存储介质

    公开(公告)号:CN111652049A

    公开(公告)日:2020-09-11

    申请号:CN202010308040.8

    申请日:2020-04-17

    Abstract: 本申请公开了一种人脸图像处理模型训练方法、装置、电子设备及存储介质,所述方法包括:利用所述人脸图像处理模型的编码器对第一人脸图像进行编码,得到第一人脸图像的第一特征向量;将所述第一特征向量拆分成多个子特征向量,所述子特征向量至少包括身份子特征向量和年龄子特征向量;根据各所述子特征向量确定待解码向量,并利用所述人脸图像处理模型的解码器对所述待解码向量进行解码,得到第二人脸图像;根据所述第一人脸图像与所述第二人脸图像的回归损失值,对所述人脸图像处理模型的参数进行优化。通过本申请训练得到的人脸图像处理模型降低了对数据分布的依赖性,对年龄不均衡的长尾数据更为鲁棒,且能够生成效果更好的面部老化图像。

    图形识别码的识别方法、装置、存储介质及电子设备

    公开(公告)号:CN111428707A

    公开(公告)日:2020-07-17

    申请号:CN202010509898.0

    申请日:2020-06-08

    Abstract: 本公开涉及一种图形识别码的识别方法、装置、存储介质及电子设备。该方法包括:获取包含所述图形识别码的第一图像;从所述第一图像中获取所述图形识别码的第二图像;确定所述图形识别码中的各个目标角点在所述第二图像中的位置信息,其中,所述目标角点包括所述图形识别码的各个顶点以及所述图形识别码的各个定位图案的除所述图形识别码的顶点外的其他顶点;根据所述第二图像以及各个目标角点在所述第二图像中的位置信息,对所述图形识别码进行识别。通过上述技术方案,根据目标角点在第二图像中的位置信息,可直接确定出各个定位图案的中心点位置,保证能够对图形识别码进行有效识别,并且提高识别成功率和识别准确度。

    动作检测方法、装置、电子设备及可读存储介质

    公开(公告)号:CN109598201B

    公开(公告)日:2020-07-10

    申请号:CN201811309282.8

    申请日:2018-11-05

    Abstract: 本发明公开了一种动作检测方法、装置、电子设备及可读存储介质。所述方法,包括:获取待检测的目标视频;依次获取待检测的目标视频中各目标视频帧的目标检测部位的部位特征;基于重新排序后的部位特征确定所述目标视频的特征向量,其中所述重新排序是基于所述部位特征的范数值实现的;基于所述特征向量,通过预设的动作检测模型,确定所述目标视频中所述目标检测部位的动作类型;其中,所述动作检测模型为根据已标记动作类型的样本视频训练得到。解决了现有的动作检测方法适应性以及稳定性不高的技术问题。取得了提高动作检测的适应性、稳定性的有益效果。

    人脸识别模型的训练方法、装置、电子设备和存储介质

    公开(公告)号:CN110717394A

    公开(公告)日:2020-01-21

    申请号:CN201910842783.0

    申请日:2019-09-06

    Abstract: 本申请公开了一种人脸识别模型的训练方法、装置、电子设备和存储介质。所述方法包括:预设人脸识别网络;通过多个训练阶段,以所述人脸识别网络为基础进行迭代训练,得到人脸识别模型;其中,所述多个训练阶段分别基于不同的训练控制条件实现,并且在后的训练阶段的训练控制条件是在在前的训练阶段的训练控制条件基础上叠加新的训练控制条件得到的,所述训练控制条件包括训练数据控制条件和/或损失函数控制条件。有益效果在于,通过控制训练条件进行逐步的迭代训练学习得到高性能的识别模型,可以有效的防止过拟合,提升人脸特征的辨别能力和鲁棒性,强化了识别模型对不同人脸的辨别力。

Patent Agency Ranking