-
公开(公告)号：CN116563572A
公开(公告)日：2023-08-08
申请号：CN202210095035.2
申请日：2022-01-26
Applicant: 华为云计算技术有限公司
IPC: G06V10/70 , G06V10/764 , G06V10/82 , G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/042 , G06N3/0895 , G06N5/04 , G16H50/20
Abstract: 本申请实施例涉及一种推理模型训练方法，方法可以包括：根据已标注病理图片训练得到推理模型。然后，可以根据未标注病理图片、第一病理文本以及已标注病理图片，更新推理模型。其中，推理模型用于对输入的待检测病理图片进行推理，得到待检测病理图片对应的病理结果。第一病理文本为未标注病理图片相关联的病理文本。本申请通过结合未标注病理图片、第一病理文本和已标注病理图片对推理模型进行更新，使得模型融入了更多领域经验知识，从而大大提升了推理模型对病理图片的预测准确率。
-
公开(公告)号：CN119646500A
公开(公告)日：2025-03-18
申请号：CN202311196358.1
申请日：2023-09-15
Applicant: 华为云计算技术有限公司
IPC: G06F18/214 , G06N3/0985 , G06N3/0495 , G06N5/04
Abstract: 本申请提供了模型训练方法、装置及计算机存储介质。方法包括获取预训练好的模型；预训练好的模型包括第一模型参数的第一参数值(通过第一比特宽度存储)；对预训练好的模型进行量化，得到量化模型；量化模型包括第一模型参数的第二参数值(通过小于第一比特宽度的第二比特宽度存储)和量化参数，第二参数值为通过量化尺度(共享量化参数的参数值数目)对第一参数值量化得到；将样本作为量化模型的输入，基于量化尺度对样本进行聚合后的结果作为目标模型的输入，基于量化模型和目标模型的输出进行标签预测的预测结果、样本的标签训练目标模型；基于训练好的目标模型修正量化参数。修正后的量化模型可以直接进行低比特推理，可以提高部署效率。
-
公开(公告)号：CN111402278B
公开(公告)日：2023-10-27
申请号：CN202010110477.0
申请日：2020-02-21
Applicant: 华为云计算技术有限公司
IPC: G06T7/12 , G06N3/006 , G06N3/0464
Abstract: 本发明公开了人工智能领域的一种分割模型训练方法，包括：获取第一样本集S和第二样本集R，其中，第一样本集S包括多张第一图像及多张第一图像中每张第一图像的目标标签，第二样本集R包括多张第二图像；根据第一样本集S中的多张第一图像及其目标标签和第二样本集R中的多张第二图像对初始分割模型进行ATSO训练，以得到目标分割模型，初始分割模型是根据第一样本集S对原始模型进行训练得到的。采用本发明实施例训练得到的分割模型可克服对于图像可用标注数量较少，标注成本昂贵的问题。
-
公开(公告)号：CN111292331B
公开(公告)日：2023-09-12
申请号：CN202010110152.2
申请日：2020-02-23
Applicant: 华为云计算技术有限公司
IPC: G06T7/10
Abstract: 本申请提供一种图像处理的方法与装置。涉及人工智能领域，具体涉及计算机视觉领域。该方法包括：基于第一种图像处理任务的原始特征数据获取第一空间特征信息；根据第二种图像处理任务的原始特征数据与第一空间特征信息，获取第二特征数据；对第二特征数据进行第二种图像处理，获得第二种图像处理任务的处理结果；第一种图像处理任务与第二种图像处理任务分别为目标检测任务与实例分割任务中的一种与另一种。通过目标检测与实例分割中一方给另一方提供空间特征信息，目标检测和/或实例分割的特征数据可以得到校正，可以提高实例分割任务的预测准确度。
-
公开(公告)号：CN117827418A
公开(公告)日：2024-04-05
申请号：CN202211194263.1
申请日：2022-09-28
Applicant: 华为云计算技术有限公司
Abstract: 本公开涉及一种神经网络模型的数据处理方法、装置、系统、介质以及程序产品，神经网络模型包括P个专家模块并且部署于多个节点中，其中第一节点包括第一计算单元，第一计算单元包括神经网络模型中的Q个专家模块，其中Q≤P，该方法包括：第一计算单元获取待处理数据，其中待处理数据包括Q个专家模块的输入数据；将待处理数据分别发送给第一处理资源和第二处理资源；第一处理资源对待处理数据进行切分，得到由第一处理资源上的专家模块进行处理的数据；以及第二处理资源对待处理数据进行切分，得到由第二处理资源上的专家模块进行处理的数据。根据本公开的实施例的数据处理方案，显著减少了处理资源或混合专家系统中数据分发和收集的通信开销和参数冗余，提高了处理效率。
-
Patent Agency Ranking
公开(公告)号：CN117409266A
公开(公告)日：2024-01-16
申请号：CN202210800290.2
申请日：2022-07-08
Applicant: 华为云计算技术有限公司 , 中国科学院大学
IPC: G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本申请提供了一种模型训练方法、装置及相关设备，该方法包括以下步骤：获取第一模型，所述第一模型是使用第一样本集对第一神经网络进行训练后获得的，获取第二样本集，对所述第二样本集的样本分布进行校正，获得第三样本集，其中，所述第三样本集的样本分布的有偏程度低于所述第二样本集的样本分布的有偏程度，使用所述第三样本集对所述第一模型进行训练，获得训练好的第二模型，该第三样本集中的样本类型不仅包括新增的样本类型，还包括第一样本集中的旧样本类型，从而解决模型训练时的旧知识遗忘问题，同时，该第三样本集的样本分布不再是有偏分布，从而解决模型训练时的过拟合问题。
-
公开(公告)号：CN117333868A
公开(公告)日：2024-01-02
申请号：CN202210851482.6
申请日：2022-07-19
Applicant: 华为云计算技术有限公司
IPC: G06V20/70 , G06V10/22 , G06V10/774 , G06V10/94
Abstract: 本申请公开了一种识别对象的方法、装置及存储介质，属于计算机视觉领域。所述方法包括：获取待处理的视觉数据和待识别的至少一个目标对象的指示信息；基于所述至少一个目标对象的指示信息获取语义信息，所述语义信息是用于描述所述至少一个目标对象的语义；基于对象识别模型和所述语义信息，识别所述视觉数据中的所述目标对象。本申请能够提高识别对象的灵活性。
-
公开(公告)号：CN116310614A
公开(公告)日：2023-06-23
申请号：CN202111571041.2
申请日：2021-12-21
Applicant: 华为云计算技术有限公司
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/26 , G06V20/70
Abstract: 本申请涉及一种基于多数据集的预训练方法、装置及存储介质,其中，所述方法包括：对第一样本图像进行跨数据集混合，得到第一目标图像，第一样本图像为训练集中的任一样本图像，训练集由多个数据集合并而成,每个数据集包括多个具有像素级标注信息的样本图像；对第一样本图像进行数据增强，得到第二目标图像；根据第一目标图像及第二目标图像，对第一特征提取网络进行预训练，第一特征提取网络应用于语义分割任务。本申请实施例的预训练基于像素级分类，与下游的语义分割任务之间不存在任务差距，从而能够提高语义分割模型在预训练阶段的性能。
-
公开(公告)号：CN116030883A
公开(公告)日：2023-04-28
申请号：CN202111253270.X
申请日：2021-10-27
Applicant: 华为云计算技术有限公司 , 中国科学院上海药物研究所
Abstract: 本申请实施例提供了一种蛋白质结构预测方法、装置、设备及存储介质。该方法包括：对于待预测的蛋白质，在基于该蛋白质的氨基酸序列获取到多个多序列比对结果之后，利用蛋白质结构预测模型，得到与该多个多序列比对结果一一对应的多个结构信息，从中挑选出符合目标条件的结构信息。其中，多序列比对结果指示该氨基酸序列的多个同源氨基酸序列，由于同源的两个氨基酸序列对应的蛋白质的空间结构往往是接近的，因此根据多序列比对结果能够较为准确地预测出该蛋白质的空间结构。另外，上述方法利用了蛋白质结构预测模型的泛化能力，将蛋白质对应的多个多序列比对结果都参与到蛋白质结构的预测过程中，从而有效提高了蛋白质结构预测的准确率和效率。
-
公开(公告)号：CN115964632A
公开(公告)日：2023-04-14
申请号：CN202110977566.X
申请日：2021-08-24
Applicant: 华为云计算技术有限公司
IPC: G06F18/214 , G06N3/0464 , G06N5/04 , G06N20/00
Abstract: 本申请提供了一种构建人工智能(AI)集成模型的方法，包括：获取训练数据集、初始图网络模型和多个基模型，然后利用训练数据集中的训练数据和多个基模型，迭代训练初始图网络模型，获得图网络模型，接着将图网络模型和多个基模型构建为AI集成模型，其中，图网络模型的输入为由多个基模型的输出构成的图结构。由于图网络模型在对图结构进行处理时，会考虑图结构中各节点的邻居节点，因此，图网络模型在对多个基模型的输出进行融合时，充分考虑了各个基模型之间的差异性和相关性，由此根据AI集成模型中的多个基模型和图网络模型获得的特征在用于AI任务的处理时，可以提高AI任务的执行结果的精度。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.01 seconds)
