-
公开(公告)号：CN109919010A
公开(公告)日：2019-06-21
申请号：CN201910069268.3
申请日：2019-01-24
Applicant: 北京三快在线科技有限公司
Abstract: 本发明提供了一种图像处理方法及装置，所述方法包括：获取第一图像样本；识别所述第一图像样本中的人脸区域；第二图像样本生成模块，用于以所述人脸区域为基准确定多个目标区域得到多个第二图像样本，其中所述目标区域为以所述人脸区域为基准朝向预设方向进行扩展形成的。可以以人脸区域为基准扩展形成目标区域，得到第二图像样本，使得生成的第二图像样本一定包括人脸区域，有助于提高模型识别人脸的准确性。
-
公开(公告)号：CN114972909B
公开(公告)日：2024-10-25
申请号：CN202210530127.9
申请日：2022-05-16
Applicant: 北京三快在线科技有限公司
IPC: G06V10/774 , G06V10/75 , G06V10/40 , G06T9/00 , G09B29/00
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。
-
公开(公告)号：CN115034386A
公开(公告)日：2022-09-09
申请号：CN202210713986.1
申请日：2022-06-22
Applicant: 北京三快在线科技有限公司
Abstract: 本说明书公开了一种业务执行的方法、装置、存储介质及电子设备，该业务执行的方法包括：获取待处理模型，所述待处理模型中包含有骨干网络和头部网络，对所述待处理模型中包含的骨干网络进行剪枝处理，得到压缩后骨干网络，将所述压缩后骨干网络以及所述头部网络进行拼接，得到压缩后模型，针对同一样本数据，以最小化所述压缩后模型中位于所述头部网络之前的指定网络层输出的特征，与所述待处理模型中位于所述头部网络之前的所述指定网络层输出的特征之间的偏差为优化目标，对所述压缩后模型进行优化，得到优化后模型并部署。
-
公开(公告)号：CN114492602A
公开(公告)日：2022-05-13
申请号：CN202210023563.7
申请日：2022-01-10
Applicant: 北京三快在线科技有限公司
IPC: G06K9/62
Abstract: 本申请提供了一种样本处理方法、装置、电子设备及存储介质，涉及数据处理技术领域，旨在确定无标注样本是分布内样本或者是离群样本。所述方法包括：对样本池中多个无标注样本进行聚类，得到多个无标注样本簇，并确定多个无标注样本簇各自的聚类中心；根据多个有标注样本各自的特征表示，确定多个标注标签各自的特征表示中心；根据多个无标注样本簇各自的聚类中心与多个标注标签各自的特征表示中心的距离，从多个无标注样本簇各自的聚类中心中确定出分布内聚类中心，以及离群聚类中心；将分布内聚类中心对应的无标注样本簇内的各个无标注样本，确定为分布内样本，以及将离群聚类中心对应的无标注样本簇内的各个无标注样本，确定为离群样本。
-
公开(公告)号：CN114419363A
公开(公告)日：2022-04-29
申请号：CN202111591966.3
申请日：2021-12-23
Applicant: 北京三快在线科技有限公司 , 中山大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于无标注样本数据的目标分类模型训练方法及装置。其中，该方法包括：基于第一分类模型对样本数据集中的无标注样本集进行标注，以得到伪标签样本集，其中，第一分类模型是基于有标注样本集对目标分类模型训练得到的；根据多模态匹配模型以及伪标签样本集筛除样本数据集中的离群样本，以得到非离群样本集，其中，多模态匹配模型是基于有标注样本集训练得到的；基于非离群样本集对目标分类模型进行训练，直至模型收敛。本发明解决了由于相关技术中半监督学习中有标注数据的稀缺以及离群样本检测准确性差，而导致基于开集半监督学习的模型训练难度大的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN112686394A
公开(公告)日：2021-04-20
申请号：CN202110008202.0
申请日：2021-01-05
Applicant: 北京三快在线科技有限公司
IPC: G06N20/00
Abstract: 本说明书公开了一种模型训练的方法及装置，可以获取若干训练样本，并从获取到的若干训练样本中选取至少两个训练样本，得到样本集，将该样本集中包含的各训练样本进行数据混合，得到混合样本，通过待训练模型，确定该样本集中每个训练样本对应的输出结果，以及混合样本对应的输出结果，进而根据该样本集中每个训练样本对应的输出结果，以及混合样本对应的输出结果，对待训练模型进行训练。由于在模型训练过程中，加入了将构建出的样本集中包含的每个训练样本进行数据混合的混合样本，并最终参考混合样本对应的第三输出结果，对待训练模型进行训练，这样可以保证训练后的模型在输出结果上的准确性。
-
公开(公告)号：CN111814566A
公开(公告)日：2020-10-23
申请号：CN202010529860.X
申请日：2020-06-11
Applicant: 北京三快在线科技有限公司 , 中国科学院自动化研究所
Abstract: 本申请实施例公开了一种图像编辑方法、装置、电子设备及存储介质，该方法包括：获取待编辑人脸图像和与待编辑人脸图像中的目标属性区域对应的掩码图，并获取参考图像；根据掩码图，将待编辑人脸图像处理为缺失目标属性区域的缺失图像；通过第一编码器对缺失图像进行图像编码，得到缺失图像对应的缺失特征；通过第二编码器对参考图像进行图像编码，得到参考图像对应的参考特征；根据所述掩码图，通过注意力模型对所述缺失特征和参考特征进行融合，得到融合特征；通过解码器对所述融合特征进行图像解码，得到所述待编辑人脸图像和参考图像对应的目标图像。本申请实施例提高了人脸属性编辑的多样性，避免了对目标属性区域外无关区域的影响。
-
公开(公告)号：CN111738090A
公开(公告)日：2020-10-02
申请号：CN202010464193.1
申请日：2020-05-27
Applicant: 北京三快在线科技有限公司
Abstract: 本申请公开了一种行人重识别模型训练方法、装置及行人重识别方法、装置，所述行人重识别模型训练方法包括：利用行人重识别模型的卷积网络对行人图像进行特征提取，得到行人图像的原始特征；利用行人重识别模型的注意力模块对原始特征进行处理，得到多个行人局部特征；利用行人重识别模型的图神经网络，确定各行人局部特征之间的相似性矩阵，并根据相似性矩阵对各行人局部特征进行调整；基于调整后的行人局部特征确定行人识别结果及行人重识别模型的训练损失，根据训练损失对模型参数进行优化。通过本申请，在无需引入额外标注信息的情况下，能够自动抽取图像中重要的行人局部特征，使得最后的行人局部特征更具有判别力，模型识别性能也得到提升。
-
公开(公告)号：CN111738069A
公开(公告)日：2020-10-02
申请号：CN202010404206.6
申请日：2020-05-13
Applicant: 北京三快在线科技有限公司
Abstract: 本申请公开了人脸检测方法、装置、电子设备及存储介质，该方法通过生成人脸检测图像的特征图，特征图包括多个尺度的原始特征图和与各原始特征图对应的融合特征图；根据原始特征图确定人脸位置偏移；根据人脸位置偏移对各融合特征图进行可变卷积，得到各融合特征图的可变卷积特征图；基于可变卷积特征图确定人脸检测结果。本申请的有益效果在于，本申请基于可变卷积，根据多尺度原始特征图得出的人脸位置偏移对融合特征图像中的人脸特征表达能力进行改善，显著提高了人脸检测的准确度，提升了人脸检测模型的性能，且计算方法简单、计算量小、计算效率高，极大的扩展了人脸检测的应用场景，尤其适用于多目标人脸检测。
-
公开(公告)号：CN109816092B
公开(公告)日：2020-06-05
申请号：CN201811528375.X
申请日：2018-12-13
Applicant: 北京三快在线科技有限公司
Abstract: 本申请公开了一种深度神经网络训练方法，属于计算机技术领域，用于解决现有技术中训练的神经网络在复杂场景下性能较低的问题。所述方法包括：获取设置有预设类别标签的若干训练样本，基于所述若干训练样本，训练神经网络模型；其中，所述神经网络模型的损失函数用于根据与各所述训练样本的区分难度成正比的第一权值进行加权运算，确定所述神经网络模型的损失值。本申请实施例公开的深度神经网络训练方法，通过自适应提升区分难度较大的训练样本在训练样本中的重要性，避免区分难度较大的样本被训练得到的神经网络错误分类，有助于提升所述神经网络的性能。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.033 seconds)
