-
公开(公告)号：CN111104553B
公开(公告)日：2023-12-12
申请号：CN202010012178.3
申请日：2020-01-07
Applicant: 中国科学院自动化研究所
IPC: G06F16/75 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种高效运动互补神经网络系统，包括视频读取单元、视频类别单元和神经网络补充单元；所述视频读取单元对输入的视频进行读取，同时对视频的描述信息等文字辅助信息进行提取；所述视频类别单元根据网络等视频提取源对视频的描述信息对视频的类别进行初步判定，并将视频划分到神经网络中已有的类别分区中；所述神经网络补充单元分成两个模块，对视频分类的方法进行优化，缩短视频分类的时间。本发明针对双流法和3D卷积法分别做出提高计算光流效率和缩小网络计算量的优化方法，提升了视频提取和分类的速度。
-
公开(公告)号：CN110717403B
公开(公告)日：2023-10-24
申请号：CN201910870443.9
申请日：2019-09-16
Applicant: 国网江西省电力有限公司电力科学研究院 , 国家电网有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提供一种人脸多目标跟踪方法，所述方法包括：获取在当前帧图像中检测到的各目标对应的检测框位置；基于上一帧图像中各目标对应的检测框位置，根据各目标对应的检测框位置、各目标在当前帧的预测位置、和各追踪器的信息收集，利用匈牙利算法对各目标对应的检测框与追踪器进行级联匹配；计算未级联匹配上的检测框和待匹配的追踪器间的IOU关系矩阵，并基于IOU关系矩阵，利用匈牙利算法进行检测框与追踪器间的IOU匹配，获得最终匹配集合，人脸检测算法快速准确，多目标跟踪器的初始化切实可行，针对特定场景下的人脸多目标跟踪，避免了采用过多计算量的深度学习算法，整体算法计算量少，可靠性高，速度快。
-
公开(公告)号：CN113326930A
公开(公告)日：2021-08-31
申请号：CN202010134455.8
申请日：2020-02-29
Applicant: 华为技术有限公司 , 中国科学院自动化研究所
Abstract: 本申请提供了一种数据处理方法、神经网络的训练方法及相关装置、设备，方法应用于训练设备，方法包括：将神经网络的模型参数设置为浮点数进行训练，直到训练设备训练第一神经网络达到收敛状态；确定训练后的第一神经网络中第l个卷积层包含的各个卷积核之间的相关度；其中，卷积核对应的相关度越大，训练设备在进行计算时产生的冗余计算越多；将M个卷积核进行量化训练，直至训练设备训练第一神经网络达到收敛状态，得到量化后的第二神经网络；其中，其中，M为大于0的正整数；M个卷积核为相关度较高的前M个卷积核。实施本申请，可以在提高神经网络的运算效率的同时，尽可能地保持神经网络的运算精度。
-
公开(公告)号：CN112200720A
公开(公告)日：2021-01-08
申请号：CN202011070223.7
申请日：2020-09-29
Applicant: 中科方寸知微(南京)科技有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提出了一种基于滤波器融合的超分辨率图像重建方法及系统，包括以下步骤：首先，对高分辨率图像进行下采样，得到不同的低分辨率图像并对得到的低分辨率图像进行重叠采样，得到重叠的低分辨率图像块；其次，对相应的高分辨率图像进行相同的重叠采样，得到重叠的高分辨率标签图像；再次，对其他的高分辨率图像进行同样的高、低重叠采样，并将获取的结果作为模型训练的测试集；从次，将获取的测试集放入构建的训练网络进行训练，学习低分辨率到高分辨率图像的映射；最后，将学习到的模型中的滤波器进行融合得到新的部署阶段的模型，从而利用形成的模型达到低分辨率图重建为高分辨率图像。
-
公开(公告)号：CN112184585A
公开(公告)日：2021-01-05
申请号：CN202011049723.2
申请日：2020-09-29
Applicant: 中科方寸知微(南京)科技有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提出了一种基于语义边缘融合的图像补全方法及系统，包括以下步骤：步骤1、针对原始输入图像生成语义边缘图；步骤2、分别建立边缘模型和补全模型；步骤3、联合训练步骤2中建立的边缘模型和补全模型；步骤4、将需要修复的破损图像输入至步骤3中训练后的边缘模型和补全模型中重新构建。采用用于图像修复的语义边缘融合模型，该模型通过先产生边缘纹理，再对内容进行着色的方式，替换传统的直接恢复方法，这样可以使得恢复的图像具有更多的细节和更少的噪声；提出了一种端到端可训练网络，该网络结合了边缘生成和图像修补功能以恢复丢失的区域。
-
Patent Agency Ranking
公开(公告)号：CN111612137A
公开(公告)日：2020-09-01
申请号：CN202010456560.3
申请日：2020-05-26
Applicant: 中国科学院自动化研究所
IPC: G06N3/04
Abstract: 本发明属于数据处理领域，具体涉及一种基于软阈值三值化参数的卷积神经网络优化方法、系统，旨在为了解决卷积神经网络的优化加速问题。本发明方法包括：将卷积神经网络的卷积层拆分为两个并列的相同大小的卷积层；在具有相等尺度系数的约束条件下对两个卷积层分别进行二值化后，将其对应相加得到三值化参数。本发明可以实现深度卷积神经网络的优化加速与压缩。
-
公开(公告)号：CN111210192A
公开(公告)日：2020-05-29
申请号：CN201911367651.3
申请日：2019-12-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于多模态特征分析的智能考勤系统，属于智能电子考勤技术领域。一种基于多模态特征分析的智能考勤系统，包括站立装置和考勤机，所述考勤机外壁依次连接有采集区和显示屏，所述采集区包括指纹采集区和人脸图像采集区，所述考勤机内集成有指纹数据库、人脸图像数据库、指纹采集器、摄像装置、计时器、语音器、第二NFC芯片和单片机，所述指纹数据库、人脸图像数据库、指纹采集器、摄像装置、计时器、语音器、第二NFC芯片和显示屏均与单片机电性相连，所述人脸图像采集区内连接有定位系统；本发明通过对使用者进行定位，再控制摄像头对准使用者的脸部，提高考勤的准确性，避免影响使用者的考勤情况。
-
公开(公告)号：CN109766756A
公开(公告)日：2019-05-17
申请号：CN201811506552.4
申请日：2018-12-10
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本申请涉及一种闯红灯数据处理方法、装置、计算机设备和存储介质，所述方法通过将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。通过对行人进行识别和管理，能够更好的规范交通，从而更好的保护人的安全。
-
公开(公告)号：CN109325530A
公开(公告)日：2019-02-12
申请号：CN201811046300.8
申请日：2018-09-07
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于深度神经网络技术领域，具体涉及一种基于少量无标签数据的深度卷积神经网络的压缩方法，旨在解决在已有全精度网络模型基础上，对深度卷积神经网络所有层进行压缩，且不进行基于原始有标注训练数据进行再训练时，性能损失较大的问题，包括：获取原始深度卷积神经网络；对原始深度卷积神经网络中各层的权值张量进行稀疏化操作，得到多个含有较多0元素的权值张量；在已压缩的权值张量基础之上，通过少量无标注数据对压缩后的深度卷积神经网络中的批数据归一化层中的统计量进行更新，获得新的深度卷积神经网络。通过本发明实施例，实现了在仅依赖于少量无标注数据的大型深度卷积神经网络的压缩，降低了性能损失。
-
公开(公告)号：CN108334945A
公开(公告)日：2018-07-27
申请号：CN201810088723.X
申请日：2018-01-30
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于神经网络技术领域，具体涉及一种深度神经网络的加速与压缩方法及装置。旨在解决现有技术对深度神经网络进行压缩和加速占用大量内存并且精度下降的问题。本发明提供深度神经网络的加速与压缩方法，包括获取原始深度神经网络中各层的输入数据与参数矩阵；基于输入数据与参数矩阵，计算原始深度神经网络中各层的二值矩阵与浮点系数；将二值矩阵替换原始深度神经网络各层的参数矩阵，并在原始深度神经网络中构建尺度因子层，基于浮点系数初始化尺度因子层的参数，得到新的深度神经网络。本发明的方案能够将神经网络的网络参数二值化，占用更少的内存且提升精度。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.074 seconds)
