-
公开(公告)号：CN110782021B
公开(公告)日：2023-07-14
申请号：CN201911041052.2
申请日：2019-10-25
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种图像分类方法，包括：接收待分类图像信息；利用通过对比裁剪量化误差和max量化误差选取得到的量化阈值进行权重参数量化后的深度神经网络模型，对待分类图像信息进行分类操作，得到图像分类结果；其中，裁剪量化误差为基于深度神经网络模型的原权重参数计算得到的裁剪阈值进行权重参数量化得到，max量化误差为基于深度神经网络模型的原权重参数计算得到的最大绝对值权重阈值进行权重参数量化得到；输出图像分类结果。本发明缩小了图像分类设备中深度神经网络模型，保证了模型精度，降低了计算量，提高了图像分类效果。本发明还公开了一种图像分类装置、设备及存储介质，具有相应技术效果。
-
公开(公告)号：CN119718696A
公开(公告)日：2025-03-28
申请号：CN202510245683.5
申请日：2025-03-04
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种强化学习并行处理加速器、加速方法及电子设备，涉及加速器技术领域，包括：控制器将当前视图特征，至少两组批次历史视图特征和指令序列分别写入对应存储器；指令加载分发部件读取、译码指令序列并分发参数和开启计算指令给计算部件；数据加载控制部件按每个计算层的参数从存储器中选择所需的特征数据并加载至对应的特征缓存；计算部件在接收到开启计算指令后，同时读取多种视图特征数据并结合参数并行处理，可以大大提升数据处理效率。通过上述各部件的相互配合能够深度分析强化学习模型的特点，根据不同强化学习任务和数据特点，灵活调整参数和处理流程，提高强化学习模型处理效率，同时降低加速器的资源使用率，响应速度快。
-
公开(公告)号：CN117115626B
公开(公告)日：2025-03-21
申请号：CN202310452166.6
申请日：2023-04-21
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V20/00 , G06V10/26 , G06V10/44 , G06V10/74 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/084
Abstract: 本申请公开了一种协同显著性物体检测方法、系统、电子设备及存储介质，所属的技术领域为图像处理技术。所述协同显著性物体检测方法包括：对第一图像组和第二图像组中的图像进行图像块划分，得到#imgabs0#和#imgabs1#利用T2T结构对#imgabs2#和#imgabs3#进行降维处理并融合局部信息，得到#imgabs4#和#imgabs5#在#imgabs6#和#imgabs7#中分别插入对应的类别图元，并利用Transformer结构对#imgabs8#和#imgabs9#进行特征融合操作、深度特征提取操作和全局信息融合操作；去除深层次融合特征中的类别图元，得到#imgabs10#和#imgabs11#利用相似度损失和第一交叉熵损失调整所述双分支协同显著性检测模型的模型参数；利用双分支协同显著性检测模型检测协同显著性物体。本申请能够提高对协同显著性物体的检测精度。
-
公开(公告)号：CN110533165B
公开(公告)日：2022-05-17
申请号：CN201910760134.6
申请日：2019-08-16
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种图像处理方法，由于本发明中对于通过饱和映射法得到的第一量化阈值以及通过非饱和映射法得到的第二量化阈值进行了加权计算，相当于对两个量化阈值进行了融合，得到的最佳量化阈值可以适用于大多数的激活输出层，因此也就能够更加有效的保留激活输出层的有效信息，并用于后续的图像处理工作，提高了量化后的深度神经网络在低位宽硬件平台上，进行推理计算的精度。本发明还公开了一种图像处理装置及设备，具有如上图像处理方法相同的有益效果。
-
公开(公告)号：CN111881757A
公开(公告)日：2020-11-03
申请号：CN202010605966.3
申请日：2020-06-29
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种行人重识别方法、装置、设备及介质，包括：利用第一行人重识别模型提取原始训练集的特征；其中，所述原始训练集包括行人样本图像和对应的标签信息；根据所述原始数据集的特征空间分布特性，进行聚类；根据聚类结果筛选出困难样本；将所述困难样本添加至所述原始训练集，得到目标训练集；利用所述目标训练集对所述第一行人重识别模型进行训练，得到第二行人重识别模型；当获取到待识别行人图像，则利用所述第二行人重识别模型输出对应的识别结果。这样，挖掘出困难样本，通过挖掘出的困难样本改变原始数据集中的样本空间分布，能够增加对困难样本的关注度，从而提升行人重识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN111857723A
公开(公告)日：2020-10-30
申请号：CN202010604992.4
申请日：2020-06-29
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F8/41
Abstract: 本发明实施例公开了一种参数编译方法、装置和介质，提取各模型文件所包含的网络参数；按照预先设定的参数规格，将各网络参数转换为对应的中间参数；依据各中间参数对应的尺寸信息、权重信息和上下文操作序号，为各中间参数分配对应的内存地址；将各中间参数及其对应的内存地址按照设定的方式存储至预设存储空间。通过对各模型文件的网络参数进行转换，可以将不同框架的模型文件转换成统一的、硬件友好的中间参数，解除了网络参数的各种操作运算与硬件的相关性，很好的解决了支持多种框架带来的软件代码冗余、依赖库冲突等问题。本申请在FPGA预处理阶段把数据写入硬件，就不再需要主机和FPGA的通信，不存在主机与FPGA的通信压力。
-
公开(公告)号：CN110533165A
公开(公告)日：2019-12-03
申请号：CN201910760134.6
申请日：2019-08-16
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种图像处理方法，由于本发明中对于通过饱和映射法得到的第一量化阈值以及通过非饱和映射法得到的第二量化阈值进行了加权计算，相当于对两个量化阈值进行了融合，得到的最佳量化阈值可以适用于大多数的激活输出层，因此也就能够更加有效的保留激活输出层的有效信息，并用于后续的图像处理工作，提高了量化后的深度神经网络在低位宽硬件平台上，进行推理计算的精度。本发明还公开了一种图像处理装置及设备，具有如上图像处理方法相同的有益效果。
-
公开(公告)号：CN119723114A
公开(公告)日：2025-03-28
申请号：CN202510229137.2
申请日：2025-02-28
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V10/46 , G06V30/148 , G06V10/82 , G06N3/045 , G06N3/09
Abstract: 本申请公开了一种协同显著性检测方法、产品、设备及存储介质，涉及计算机视觉领域，包括：获取当前待检测的至少两个目标图像，得到当前图像组；将当前图像组输入至训练后的协同显著性检测模型中，以基于预训练语言模型对与当前图像组中各目标图像之间的协同显著性相关的目标文本信息进行提取，并基于目标文本信息引导分割一切模型对当前图像组中的协同显著目标和背景进行分割，得到当前协同显著性检测结果。本申请能够提高对协同显著目标和干扰背景的识别能力，并提升了协同显著性检测的准确性。
-
公开(公告)号：CN119646525A
公开(公告)日：2025-03-18
申请号：CN202510162788.4
申请日：2025-02-14
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F18/214 , G06F18/25 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种应用于人工智能技术中的数据关联关系确定方法、系统、设备、介质及程序产品，方法包括将数据关联任务的待关联数据和关联数据信息中的各源数据作为节点特征，输入至关联关系识别模型。对关联关系识别模型进行图采样，基于目标多项式对各采样节点及其相邻邻居节点的特征信息进行聚合，并根据当前聚合特征确定当前图采样对应的各采样节点之间的关联关系识别结果；根据各关联关系识别结果，为待关联数据在关联数据信息中确定具有关联关系的目标数据。本发明可以解决相关技术任务精度和任务执行效率无法兼顾的问题，在提高数据关联关系确定任务执行效率的基础上，确保输出高精度的数据关联结果。
-
公开(公告)号：CN114970822A
公开(公告)日：2022-08-30
申请号：CN202210609520.7
申请日：2022-05-31
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种神经网络模型量化方法、系统、设备及计算机介质，用于对神经网络模型进行量化，包括获取待量化的目标神经网络模型中各网络层的权重值、超参数及位置序号；对权重值、超参数及位置序号进行线性嵌入，生成目标嵌入矩阵；基于预先训练好的Transformer模型对目标嵌入矩阵进行处理，得到目标神经网络模型中各网络层的量化bit数；基于量化bit数对目标神经网络模型进行量化，得到目标量化神经网络模型。本申请中，借助Transformer模型对目标嵌入矩阵进行处理，得到目标神经网络模型中各层的量化bit数，可以降低模型大小和内存占用，同时保留原网络的精度损失较小，此外可以大大减少运算量，局限性低。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.042 seconds)
