-
公开(公告)号：CN113537483A
公开(公告)日：2021-10-22
申请号：CN202010290532.9
申请日：2020-04-14
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/08
Abstract: 本申请实施例提供了一种域适配方法、装置及电子设备。其中，所述方法包括：利用第一神经网络模型执行预设任务，所述第一神经网络模型为基于预设样本集训练得到的，并且模型复杂度低于预设复杂度阈值；将所述第一神经网络模型执行所述预设任务时的输入对象输入第二神经网络模型，得到所述第二神经网络模型的输出，所述第二神经网络模型为基于所述预设样本集训练得到的，并且模型复杂度高于所述第一神经网络模型；以该输出作为所述输入对象的真值，对所述第一神经网络模型进行训练，得到第三神经网络模型；利用所述第三神经网络模型继续执行所述预设任务。可以提高训练得到的第三神经网络模型执行预设任务时输出的结果的准确性。
-
公开(公告)号：CN112784691A
公开(公告)日：2021-05-11
申请号：CN202011625231.3
申请日：2020-12-31
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种目标检测模型训练方法、目标检测方法和装置，获取当前检测场景的未标注标签的第一样本图像；基于基线检测模型对第一样本图像进行检测，确定第一样本图像中置信度大于第一预设阈值的目标图像区域；基于第一样本图像中目标图像区域的图像特征，对第一样本图像中的目标图像区域进行聚类，得到多个图像区域集合；针对每一图像区域集合，基于该图像区域集合包含的目标图像区域的置信度，计算该图像区域集合的置信度，作为该图像区域集合包含的目标图像区域的软标签；针对第一样本图像中的每一目标图像区域，根据该目标图像区域的软标签，对基线检测模型进行模型训练，得到目标检测模型，能够降低检测的成本，提高检测的效率。
-
公开(公告)号：CN107784654B
公开(公告)日：2020-09-25
申请号：CN201610734168.4
申请日：2016-08-26
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明实施例提供了一种图像分割方法、装置及全卷积网络系统。其中，所述方法包括：获得待处理的目标图像；获得目标图像的图像特征数据；将图像特征数据输入至预先训练得到的用于图像分割的目标网络中，得到输出结果；目标网络为包括混合上下文网络结构的全卷积网络，所述混合上下文网络结构用于将自身所提取的多个具有预定尺度范围的参考特征融合为目标特征，目标特征为与所分割图像中目标对象的尺度范围相匹配的特征；目标网络通过具有不同尺度范围的目标对象的样本图像训练而成；基于输出结果，得到目标图像所对应的图像分割结果。通过本方案可以在保证大的感受野的前提下，提升对图像中不同尺度范围的目标对象的分割有效性。
-
公开(公告)号：CN107844734B
公开(公告)日：2020-07-07
申请号：CN201610831083.8
申请日：2016-09-19
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明实施例提供了一种监控目标确定方法及装置、视频监控方法及装置。该监控目标确定方法包括：根据用户在观看第一监控视频时的眼球运动，获取用户在第一监控视频中每一帧图像的关注焦点；根据预先设置的物体特征，识别第一监控视频中每一帧图像的待选目标；针对第一监控视频中的每一帧图像，根据帧图像中的待选目标与帧图像中的关注焦点之间的距离，从帧图像的待选目标中选取种子目标；针对每个种子目标，判断已保存的正样本库中是否存在与种子目标匹配的正样本，如果是，则将所述种子目标确定为所述第一监控视频的监控目标；如果否，则将所述种子目标作为正样本保存至所述正样本库。本实施例能够更准确地从监控视频中确定出用户的监控目标。
-
公开(公告)号：CN110874635A
公开(公告)日：2020-03-10
申请号：CN201811015359.0
申请日：2018-08-31
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种深度神经网络模型压缩方法及装置，深度神经网络模型压缩方法包括：获取待压缩深度神经网络模型中网络层的当前计算状态；根据当前计算状态，通过预先训练的计算模型，得到网络层的压缩量；基于压缩量，对网络层进行压缩；确定网络层压缩后的深度神经网络模型。通过本方案，可以保证深度神经网络模型的输出性能。
-
Patent Agency Ranking
公开(公告)号：CN108932697B
公开(公告)日：2020-01-17
申请号：CN201710395423.1
申请日：2017-05-26
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06T5/00
Abstract: 本发明实施例提供了一种失真图像的去失真方法、装置及电子设备，包括：生成失真图像对应的边信息分量，其中，失真图像为对原始图像进行图像处理得到的，边信息分量表示失真图像相对原始图像的失真特征；将失真图像的失真图像颜色分量以及所述边信息分量，输入预先建立的卷积神经网络模型进行卷积滤波处理，得到去失真图像颜色分量；其中，卷积神经网络模型为基于预设训练集进行训练得到的，预设训练集包括原始样本图像，以及原始样本图像对应的多个失真图像的失真图像颜色分量，以及每个失真图像对应的边信息分量。从而实现了使用一种不同于现有技术的卷积神经网络模型对失真图像进行去失真处理。
-
公开(公告)号：CN110660067A
公开(公告)日：2020-01-07
申请号：CN201810690561.7
申请日：2018-06-28
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种目标检测方法及其装置，该方法包括：对待标注图像进行目标检测，以得到所述待标注图像中的目标对应的第一矩形框；对所述第一矩形框进行外扩处理，以得到所述第一矩形框对应的第二矩形框；基于所述第二矩形框，利用第一深度学习算法对所述待标注图像进行矩形框标注，以得到所述待标注图像中的目标对应的第三矩形框。该方法可以在保证矩形框标注准确性的情况下，提高矩形框标注的效率。
-
公开(公告)号：CN110570434A
公开(公告)日：2019-12-13
申请号：CN201810576571.8
申请日：2018-06-06
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供一种图像分割标注方法和装置，该方法包括：从待分割图像中截取图像块，所述图像块中包含一个待分割的目标对象；使用训练好的分割模型对所述图像块进行分割，得到所述目标对象的分割结果；所述分割模型用于预测不同类别的物体的分割结果并为不同类别的物体的分割结果赋予相同的真值；接收标注指令，将所述目标对象的分割结果的真值设置成所述标注指令所指定的真值。本申请实施例提供了一种半自动化的分割标注工具，在保证和人工标注相同精度的情况下，能够减少标注时间和人力成本。
-
公开(公告)号：CN109919296A
公开(公告)日：2019-06-21
申请号：CN201711319390.9
申请日：2017-12-12
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明实施例提供了一种深度神经网络训练方法、装置及计算机设备，其中，深度神经网络训练方法包括：针对树状网络拓扑结构中的当前网络层，获取当前网络层中各节点的任务属性，其中，树状网络拓扑结构中的各节点为对应于不同任务的神经网络，树状网络拓扑结构中的叶节点为针对指定任务已完成训练的神经网络；基于当前网络层中各节点的任务属性，对当前网络层中各节点进行聚类分析，提取同一类别中多个节点的任务属性的共性部分，作为多个节点的父节点的任务属性；基于各父节点的任务属性，训练各父节点的网络参数；在对各网络层中各节点完成训练后，确定树状网络拓扑结构对应的深度神经网络训练结束。通过本方案可以提高深度学习的运算效率。
-
公开(公告)号：CN108985131A
公开(公告)日：2018-12-11
申请号：CN201710400035.8
申请日：2017-05-31
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明实施例公开了一种目标识别方法及图像处理设备，在本方案中，将多张图像输入至深度卷积神经网络，通过训练得到深度特征网络，利用该深度特征网络，识别视频帧图像中目标的特征，再结合预先存储的特征与身份的对应关系，识别该目标的身份；由此可见，一方面，本方案中，并不需要利用各台摄像机之间的标定信息，即使摄像机的位置发生变化，也不会影响目标识别的准确度，另一方面，本方案中，基于深度特征网络进行目标识别，深度特征网络基于大量图像训练得到，携带的信息更丰富，识别准确度更高。
-
-
-
-
-
-
-
-
-
Search Results
226
records
(took 0.063 seconds)
