-
公开(公告)号：CN113191479B
公开(公告)日：2024-09-24
申请号：CN202010038486.3
申请日：2020-01-14
Applicant: 华为技术有限公司
Abstract: 本申请提供了人工智能领域中的一种联合学习的方法，应用于联合学习系统，所述联合学习系统包括一个或者多个计算节点以及一个或多个中心节点，所述方法包括：计算节点接收由中心节点发送的第一初级模型，其中，所述第一初级模型是所述中心节点根据中心节点的中心数据库对神经网络进行训练后得到的；所述计算节点使用所述计算节点的本地数据库对所述第一初级模型进行增量学习从而获得第一中级模型；所述计算节点向所述中心节点发送所述第一中级模型，使得所述中心节点对接收到的多个所述第一中级模型进行模型融合从而获得第一高级模型。
-
公开(公告)号：CN109949255B
公开(公告)日：2023-07-28
申请号：CN201711387428.6
申请日：2017-12-20
Applicant: 华为技术有限公司
IPC: G06T5/50
Abstract: 本申请实施例提供一种图像重建方法及设备，该方法包括：将第一图像输入新建的超分辨率模型以得到重建的第二图像，第二图像的分辨率高于第一图像；新建的超分辨率模型是使用误差损失对初始的超分辨率模型进行训练得到的；误差损失包括像素均方差和图像特征均方差；图像特征包含纹理特征、形状特征、空间关系特征和图像高层语义特征中的至少一项。实施本申请实施例，可以提高重建图像的质量。
-
公开(公告)号：CN111985265B
公开(公告)日：2024-04-12
申请号：CN201910421550.3
申请日：2019-05-21
Applicant: 华为技术有限公司
IPC: G06V40/16 , G06V10/82 , G06N3/0464
Abstract: 本申请实施例提供一种图像处理方法和装置。本申请的图像处理方法，包括：获取人脸图像；根据人脸图像分别获取左脸图像和右脸图像；将左脸图像输入至第一目标关键点卷积神经网络模型，输出第一左脸关键点的坐标，第一目标关键点卷积神经网络模型为使用具有关键点信息的左脸图像对关键点卷积神经网络模型进行训练后获取的；将右脸图像输入至第二目标关键点卷积神经网络模型，输出第一右脸关键点的坐标，第二目标关键点卷积神经网络模型为使用具有关键点信息的右脸图像对关键点卷积神经网络模型进行训练后获取的；根据第一左脸关键点的坐标和第一右脸关键点的坐标，获取人脸图像的人脸关键点的坐标。本申请实施例可以提升人脸关键点定位的精度。
-
公开(公告)号：CN109902546A
公开(公告)日：2019-06-18
申请号：CN201810523102.X
申请日：2018-05-28
Applicant: 华为技术有限公司 , 中国科学院自动化研究所
Abstract: 本发明实施例涉及人脸识别技术领域，公开了一种人脸识别方法、装置及计算机可读介质，该方法包括：将第一视频数据中包含的n帧图像输入到特征提取网络分别进行人脸特征提取，得到与上述n帧图像一一对应的n个人脸特征矩阵；融合上述n个人脸特征矩阵得到上述待识别人脸的目标人脸特征矩阵；通过上述目标人脸特征矩阵对上述待识别人脸进行人脸识别，得到人脸识别结果；其中2≤n。本申请中，利用从视频数据中提取出的多个人脸特征融合后的人脸特征进行人脸识别，可以提高人脸识别的准确率。
-
公开(公告)号：CN118982458A
公开(公告)日：2024-11-19
申请号：CN202410866996.8
申请日：2018-06-01
Applicant: 华为技术有限公司 , 中国科学院自动化研究所
IPC: G06T3/18 , G06T3/60 , G06T9/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06V40/16
Abstract: 本申请提供一种人脸旋转图像的生成方法及装置，涉及人工智能领域，具体涉及计算机视觉领域。本方法包括：根据获取的人脸图像中的两个或两个以上关键点对所述人脸图像进行姿态编码以获得姿态编码图；从训练数据集中获取包含人脸的训练图片，且所述训练图片中包含的人脸呈现的旋转角度为同一角度；采用前述类似方式根据目标人脸图像中的两个或两个以上关键点对所述目标人脸图像进行姿态编码以获得姿态编码图；其中,所述目标人脸图像是根据所述训练图片得到的；根据所述人脸图像和前述两种姿态编码图生成待输入信号；将所述待输入信号输入人脸旋转图像生成模型得到人脸旋转图像。
-
Patent Agency Ranking
公开(公告)号：CN111819568B
公开(公告)日：2024-07-09
申请号：CN201880090767.4
申请日：2018-06-01
Applicant: 华为技术有限公司 , 中国科学院自动化研究所
IPC: G06T3/18 , G06T9/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06V40/16
Abstract: 本申请提供一种人脸旋转图像的生成方法及装置，涉及人工智能领域，具体涉及计算机视觉领域。本方法包括：根据获取的人脸图像中的两个或两个以上关键点对所述人脸图像进行姿态编码以获得姿态编码图；从训练数据集中获取多张包含人脸的训练图片，且所述多张训练图片中包含的人脸呈现的旋转角度均为同一角度；采用前述类似方式根据目标人脸图像中的两个或两个以上关键点对所述目标人脸图像进行姿态编码以获得姿态编码图；其中，所述目标人脸图像是根据所述多张训练图片得到的；根据所述人脸图像和前述两种姿态编码图生成待输入信号；将所述待输入信号输入人脸旋转图像生成模型得到人脸旋转图像。通过本方法，可以提高姿态编码的连续性和准确性，从而提高人脸旋转图像的生成效率。
-
公开(公告)号：CN111985265A
公开(公告)日：2020-11-24
申请号：CN201910421550.3
申请日：2019-05-21
Applicant: 华为技术有限公司
Abstract: 本申请实施例提供一种图像处理方法和装置。本申请的图像处理方法，包括：获取人脸图像；根据人脸图像分别获取左脸图像和右脸图像；将左脸图像输入至第一目标关键点卷积神经网络模型，输出第一左脸关键点的坐标，第一目标关键点卷积神经网络模型为使用具有关键点信息的左脸图像对关键点卷积神经网络模型进行训练后获取的；将右脸图像输入至第二目标关键点卷积神经网络模型，输出第一右脸关键点的坐标，第二目标关键点卷积神经网络模型为使用具有关键点信息的右脸图像对关键点卷积神经网络模型进行训练后获取的；根据第一左脸关键点的坐标和第一右脸关键点的坐标，获取人脸图像的人脸关键点的坐标。本申请实施例可以提升人脸关键点定位的精度。
-
公开(公告)号：CN114187185A
公开(公告)日：2022-03-15
申请号：CN202010959989.4
申请日：2020-09-14
Applicant: 华为技术有限公司
Abstract: 本申请提供一种数据处理方法、系统及装置，涉及AI领域，该数据处理方法可通过服务器来执行，也可通过具有数据处理功能的设备来执行，在执行时，先获取参考数据；其中，参考数据包括：RGB图像数据、图像设备的设备参数，之后利用AutoML确定RGB图像数据转换成RAW数据所需的多个转换参数，最后根据多个转换参数将RGB图像数据处理成RAW数据；其中，RAW数据与图像设备的设备参数相匹配。由于本申请引入了AutoML来确定RGB图像数据转换成RAW数据所需的多个转换参数，并非基于人工经验来确定转换参数，该方式提高了数据处理的效率。
-
公开(公告)号：CN112912888A
公开(公告)日：2021-06-04
申请号：CN201880098842.1
申请日：2018-10-31
Applicant: 华为技术有限公司
IPC: G06K9/00
Abstract: 本发明实施例涉及视频中的动作识别。为此，本发明的一个实施例包括一种用于识别视频中的一个或多个活动的设备和方法，其中所述设备和方法使用深度学习网络。所述设备用于：接收所述视频；将所述视频分为RGB部分和光流(optical flow，OF)部分；使用所述深度学习网络的空间部分，基于所述RGB部分计算多个空间标签预测值；使用所述深度学习网络的时间部分，基于所述OF部分计算多个时间标签预测值；以及融合所述空间标签预测值和所述时间标签预测值以获得与所述视频中的活动相关联的标签。
-
公开(公告)号：CN109949255A
公开(公告)日：2019-06-28
申请号：CN201711387428.6
申请日：2017-12-20
Applicant: 华为技术有限公司
IPC: G06T5/50
Abstract: 本申请实施例提供一种图像重建方法及设备，该方法包括：将第一图像输入新建的超分辨率模型以得到重建的第二图像，第二图像的分辨率高于第一图像；新建的超分辨率模型是使用误差损失对初始的超分辨率模型进行训练得到的；误差损失包括像素均方差和图像特征均方差；图像特征包含纹理特征、形状特征、空间关系特征和图像高层语义特征中的至少一项。实施本申请实施例，可以提高重建图像的质量。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.026 seconds)
