公开(公告)号：CN112668366B

公开(公告)日：2024-04-26

申请号：CN201910980310.7

申请日：2019-10-15

Applicant: 华为云计算技术有限公司

Inventor： 严锐 ,  谢凌曦 ,  田奇

IPC: G06V40/20 ,  G06V20/40 ,  G06V10/80

Abstract: 本申请提供了一种图像识别方法、装置、计算机可读存储介质及芯片，涉及人工智能领域，具体涉及计算机视觉领域。该方法包括：提取待处理图像的图像特征，确定待处理图像中的多个人物中每个人物在待处理图像中多帧图像中的每帧图像的时序特征和空间特征，根据上述时序特征和空间特征确定其动作特征，并根据上述动作特征识别该待处理图像中的多个人物的群体动作。该方法通过确定所提取的待处理图像的多个人物中每个人物的动作在时间上的关联关系，及其与其他人物的动作的关联关系，从而更好地识别出待处理图像中的多个人物的群体动作。

公开(公告)号：CN111931764B

公开(公告)日：2024-04-16

申请号：CN202010615011.6

申请日：2020-06-30

Applicant: 华为云计算技术有限公司

Inventor： 何建忠 ,  段凯文 ,  谢凌曦 ,  田奇

IPC: G06V40/10 ,  G06V10/25 ,  G06V10/26 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本申请实施例公开了一种目标检测方法、目标检测框架及相关设备，可应用于人工智能领域中的计算机视觉领域，该方法包括：首先对输入图像提取角点特征，生成角热点图，并基于角热点图得到角点对，再基于角点对构建目标框，这种构建方法由于不考虑生成目标框的质量，过程简单快速，为下一步高质量目标框的筛选奠定基础。之后通过对各目标框包括的图像信息抠取内部特征(如通过RoIAlign)，实现对枚举生成的目标框的进一步筛选，选出其中质量较高的目标框，去除质量低的目标框及错误目标框，本申请与基于锚框(anchor)的目标检测方法相比，增加了目标框构建的灵活性和目标框尺寸的多样性，同时充分利用了目标框包括的图像的内部信息，使目标框的判断更准确。

公开(公告)号：CN117688984A

公开(公告)日：2024-03-12

申请号：CN202211026784.6

申请日：2022-08-25

Applicant: 华为云计算技术有限公司

Inventor： 田奇 ,  尹浩然 ,  彭君然 ,  谢凌曦 ,  张兆翔

IPC: G06N3/0464 ,  G06N3/084 ,  G06F16/903

Abstract: 本申请涉及人工智能领域，尤其涉及一种神经网络结构搜索方法、装置及存储介质。该方法包括：获取目标约束条件，目标约束条件指示目标实例为运行神经网络模型所限定的模型规模；根据搜索空间获取预先训练完成的多个第一神经网络模型，搜索空间指示多个模型规模与多个第一神经网络模型之间的对应关系，多个第一神经网络模型各自的模型结构参数是不同的，模型结构参数指示第一神经网络模型的至少两个神经网络结构之间的比例；在多个第一神经网络模型中筛选出符合目标约束条件的目标神经网络模型。本申请实施例提供的方案可以在限定模型规模的目标约束条件下自动搜索到理想的混合神经网络结构，提高了神经网络结构搜索的效果。

公开(公告)号：CN117496513A

公开(公告)日：2024-02-02

申请号：CN202210861228.4

申请日：2022-07-20

Applicant: 华为云计算技术有限公司

Inventor： 蒋东生 ,  岑家仲 ,  谢凌曦 ,  沈为 ,  田奇

IPC: G06V20/70 ,  G06V20/56 ,  G06V10/26 ,  G06V10/44 ,  G06V10/52 ,  G06V10/764 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0895 ,  G06N3/09

Abstract: 本申请涉及计算机视觉领域，尤其涉及一种语义分割中的图像异常检测方法、装置及存储介质。所述方法包括：将目标图像输入至语义分割模型中输出得到第一中间层特征，并将目标图像输入至辅助共识模型中输出得到第二中间层特征；根据第一中间层特征和第二中间层特征确定第一异常参数，第一异常参数指示第一中间层特征和第二中间层特征之间的差异程度；根据第一异常参数确定异常检测结果。本申请实施例通过提供一种共识机制，在训练样本集上训练一个模拟语义分割模型的辅助共识模型，使得辅助共识模型可以在分布内的难样本上与语义分割模型达成共识，极大地排除了难样本的影响，大大降低了假阳性，保证了语义分割中的图像异常检测的准确性。

公开(公告)号：CN117273116A

公开(公告)日：2023-12-22

申请号：CN202210663455.6

申请日：2022-06-13

Applicant: 华为云计算技术有限公司

Inventor： 杨明锟 ,  廖明辉 ,  卢普 ,  王晶 ,  朱声高 ,  罗华霖 ,  田奇 ,  白翔 ,  楼燚航

IPC: G06N3/0895 ,  G06N3/10

Abstract: 本申请提供了一种模型训练方法，包括：获取原始数据及待训练的特征提取网络模型；根据该原始数据，生成扩增样本以及掩码样本，扩增样本通过对原始数据进行扩增得到，掩码样本通过在原始数据中添加掩码得到，从而利用扩增样本对特征提取网络模型进行自监督的对比式学习，并利用掩码样本对特征提取网络模型进行自监督的生成式学习，即可得到目标模型。如此，不仅可以有效减少训练特征网络提起模型所需的人力成本、提高模型训练的整体效率。而且，通过结合生成式学习以及对比式学习，能够提取出训练样本内的上下文依赖关系以及重要的区分性特征，从而可以提高目标模型提取特征的准确性。此外，本申请还提供了对应的装置、设备及存储介质。

公开(公告)号：CN117171554A

公开(公告)日：2023-12-05

申请号：CN202210571345.7

申请日：2022-05-24

Applicant: 华为云计算技术有限公司

Inventor： 史佳欣 ,  尹伊淳 ,  田奇

IPC: G06F18/214 ,  G06N3/0455 ,  G06N3/088 ,  G06N3/096 ,  G06F40/242 ,  G06F40/216

Abstract: 本申请提供了一种模型训练方法，包括：获取第一基础模型的特征向量层参数，以及获取对齐矩阵，该第一基础模型为利用第一训练集预训练好的基础模型，然后根据第一基础模型的特征向量层参数和对齐矩阵，对第二基础模型的特征向量层参数进行初始化，接着利用第二训练集训练初始化后的第二基础模型。该方法通过对齐矩阵将第一基础模型的特征向量层参数迁移学习至第二基础模型的特征向量层进行初始化，由此可以加快训练进度，提高训练效率，提升训练效果。

公开(公告)号：CN111353076B

公开(公告)日：2023-10-10

申请号：CN202010108535.6

申请日：2020-02-21

Applicant: 华为云计算技术有限公司

Inventor： 杜泽伟 ,  胡恒通 ,  谢凌曦 ,  田奇

IPC: G06F16/903 ,  G06F16/907 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/088

Abstract: 本申请提供了训练跨模态检索模型的方法、跨模态检索的方法和相关装置。涉及人工智能领域。该方法包括利用无监督学习确定参考模型；基于该参考模型和训练数据进行知识蒸馏，得到训练数据的相似数据；利用训练数据的相似数据和训练数据，可以进行有监督学习，从而得到跨模态检索模型。本申请能够实现在不需要人工标注有监督学习使用的训练数据的标签的情况下，还能够保证训练出的跨模态检索模型的较高的准确率。

公开(公告)号：CN116187414A

公开(公告)日：2023-05-30

申请号：CN202111425818.4

申请日：2021-11-26

Applicant: 华为云计算技术有限公司

Inventor： 常建龙 ,  姜娜娜 ,  张震宇 ,  朴世豪 ,  史佳欣 ,  谢凌曦 ,  田奇

IPC: G06N3/082 ,  G06F21/60

Abstract: 本申请提供了一种神经网络模型加解密方法，应用于人工智能(AI)技术领域，包括：获取神经网络模型的结构信息和加密密钥，加密密钥用于指示待添加至神经网络模型的至少一个第二神经元的添加方式，然后根据神经网络模型的结构信息和加密密钥，向神经网络模型添加至少一个第二神经元，获得加密后的神经网络模型。当加密后的神经网络模型被交付给用户时，可以根据加密密钥，将加密后的神经网络模型中第二神经元的权重置零，从而实现模型解密。该方法通过在模型中添加具有混淆作用的第二神经元，使得模型的真实结构得到充分隐藏，实现了模型加密，然后在解密时，将第二神经元的权重置零，实现了模型解密，并且不泄露模型的真实结构和权重，保障了解密安全。

公开(公告)号：CN112561028B

公开(公告)日：2024-10-22

申请号：CN201910914033.X

申请日：2019-09-25

Applicant: 华为云计算技术有限公司

Inventor： 毕恺峰 ,  魏龙辉 ,  谢凌曦 ,  陈鑫 ,  田奇

IPC: G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

Abstract: 本申请属于人工智能领域的计算机视觉领域。本申请提供了一种训练神经网络模型的方法，包括：获取多个构建单元以及待训练数据；堆叠多个构建单元得到初始神经网络模型，初始神经网络模型的参数包括结构参数以及权重参数；将待训练数据输入初始神经网络模型，并根据第一损失函数对权重参数求二阶梯度得到的梯度值，对结构参数进行更新，以得到满足预设要求、用于识别多媒体数据的神经网络模型，第一损失函数用于对权重参数更新。本申请提供一种训练神经网络模型的方法、数据处理的方法及设备，目的在于提供一种精确识别多媒体数据的方法。

公开(公告)号：CN118628784A

公开(公告)日：2024-09-10

申请号：CN202310671260.0

申请日：2023-06-07

Applicant: 华为云计算技术有限公司

Inventor： 赵培森 ,  张晓鹏 ,  廖宁 ,  田奇

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/10

Abstract: 本申请提供了一种图像分类模型的训练方法、图像分类方法及相关装置。其中，上述图像分类模型的训练方法可以应用于训练装置。训练装置获取训练数据集，训练数据集包括多张训练图像。然后，训练装置为每张训练图像拼接提示向量和预训练模型的掩码向量，得到每张训练图像对应的目标输入向量，此处的预训练模型是通过掩码向量训练得到。之后，训练装置基于该预训练模型和每张训练图像对应的目标输入向量对上述提示向量进行优化，得到图像分类模型，该图像分类模型的参数包括预训练模型的参数(例如，掩码向量)和已优化的提示向量，该图像分类模型用于执行图像分类任务。通过上述方法可以提高图像分类模型的训练效率，降低图像分类模型的训练成本。