视频数据处理方法、装置、电子设备及存储介质

    公开(公告)号:CN118138801B

    公开(公告)日:2024-07-19

    申请号:CN202410559070.4

    申请日:2024-05-08

    Abstract: 本申请实施例提出的视频数据处理方法、装置、电子设备及存储介质,该方法通过首先,获取目标任务的视频数据,对视频数据进行数据解码得到多个解码数据帧,目标任务包括任务帧率以及任务最低帧率;然后,获取目标设备中的算法消耗解码数据帧的处理参数,并基于所述处理参数确定抽帧速率,当抽帧速率不小于任务最低帧率时,根据抽帧速率从多个解码数据帧中选取至少一个解码数据帧发送至缓存区,逐一从缓存区中选取解码数据帧进行数据处理,得到目标输出数据;当抽帧速率小于任务最低帧率时,选取与目标任务匹配的协同处理设备进行数据处理,以提高处理目标任务的可靠性、实时性和平滑性。

    任务协同调度方法、装置、设备以及介质

    公开(公告)号:CN118245184A

    公开(公告)日:2024-06-25

    申请号:CN202410310666.0

    申请日:2024-03-14

    Abstract: 本申请涉及信息协同处理领域,提供了一种任务协同调度方法、装置、设备以及介质,任务协同调度方法应用于包括有多个节点的协同计算系统,方法首先基于目标任务的原始任务描述信息对目标任务进行拆分编排,得到多个子任务和子任务之间的任务逻辑拓扑关系,之后根据节点的节点信息从协同计算系统中为每个子任务分配对应的执行节点,生成子任务描述信息,最后下发子任务描述信息到执行节点,使得各个执行节点能够依据编排得到的逻辑拓扑关系完成所有子任务,得到目标任务的输出结果,能够覆盖多元化的任务协同调度场景和兼容不同能力的设备接入与调度,满足不同业务类型、规模的协同处理需求。

    分布式系统的数据融合方法、装置、电子设备及存储介质

    公开(公告)号:CN118132556A

    公开(公告)日:2024-06-04

    申请号:CN202410173542.2

    申请日:2024-02-06

    Abstract: 本申请公开了分布式系统的数据融合方法、装置、电子设备及存储介质,涉及计算机技术领域。获取边缘节点的至少一种模态数据,利用模态映射模型对每种模态数据进行映射得到模态映射数据。然后获取模态数据的数据原型并传输至中心节点,再获取中心节点对数据原型进行聚合操作得到的全局数据原型,有效保护了不同边缘节点的隐私数据。将模态映射数据与全局数据原型进行对比映射,得到池化模态数据并输入数据融合模型进行训练,得到融合参数。然后将融合参数发送至中心节点,并接收中心节点基于融合参数得到的优化参数,从而基于优化参数继续更新数据融合模型。有效解决了数据模态差异性大的问题,从而提高数据处理结果的准确性。

    图像回归器训练方法与相关方法、装置、设备及介质

    公开(公告)号:CN118115932A

    公开(公告)日:2024-05-31

    申请号:CN202311208964.0

    申请日:2023-09-18

    Abstract: 本申请提供了一种图像回归器训练方法与相关方法、装置、设备及介质。该图像回归器训练方法包括:获取图像样本并提取图像特征;通过分割器输出第一预测分割掩码,通过图像回归器输出第一预测密度图;将第一预测密度图与第一分割掩码结合输出目标分割掩码对分割器进行提示训练;基于提示训练后的分割器输出第二预测分割掩码;通过图像回归器输出第二预测密度图;更新目标分割掩码,并返回根据目标分割掩码对分割器进行提示训练的步骤继续进行迭代互相提示学习,直至满足迭代条件,得到训练后的图像回归器。以此,通过互相提示学习的方式进行图像回归器训练,以获取到人头位置的精确空间信息,减少点标签不确定性带来的影响,提升人群计数的准确性。

    图像去雾方法、装置、电子设备及存储介质

    公开(公告)号:CN118115392A

    公开(公告)日:2024-05-31

    申请号:CN202410525676.6

    申请日:2024-04-29

    Abstract: 本申请实施例提供了一种图像去雾方法、装置、电子设备及存储介质,属于图像处理技术领域。该方法包括:获取待处理的有雾图像,从有雾图像中提取得到多个不同尺度下的有雾图像特征;将多个有雾图像特征分别作为各尺度下的输入特征,输入至多阶段去雾网络的第一阶段去雾子网络中,得到各尺度下对应的编码特征;从最小尺度的编码特征中进行全局和局部特征提取,得到整合特征,在各尺度下基于整合特征对相应的编码特征进行解码处理,并输出各尺度下对应的解码特征;基于各尺度下的解码特征确定下一阶段的输入特征,将输入到下一阶段的去雾子网络中,根据最后一个去雾子网络的输出得到目标去雾图像。本申请能够提高最终得到的目标去雾图像的质量。

    视觉模型的预训练方法、装置、电子设备及存储介质

    公开(公告)号:CN117994617A

    公开(公告)日:2024-05-07

    申请号:CN202410103211.1

    申请日:2024-01-24

    Abstract: 本申请公开了视觉模型的预训练方法、装置、电子设备及存储介质,涉及人工智能技术领域。将获取的第一分辨率的实例图像转换为第二分辨率的掩码图像,将实例图像输入至代理模型提取实例级特征,将掩码图像输入至视觉模型提取图像级特征,并将实例级特征和图像级特征进行融合得到融合特征。利用代理模型根据融合特征进行目标检测得到检测结果,并计算目标检测损失。同时根据图像级特征对掩码图像进行重建得到重建图像,并计算重建损失。最后根据重建损失和目标检测损失更新视觉模型的视觉模型权重,直至得到预训练完成的视觉模型。可以高效地对视觉模型进行实例级预训练,有效提高视觉模型在下游精细化任务上的泛化性。

    物体定位方法、装置、设备及介质

    公开(公告)号:CN117975472A

    公开(公告)日:2024-05-03

    申请号:CN202410382411.5

    申请日:2024-04-01

    Abstract: 本申请实施例提供了物体定位方法、装置、设备及介质,通过在前向过程从层级的角度整合多层级的文本表征和图像表征,实现多模态自适应;在反向过程中,在冻结图像编码器深层的网络层组的权重矩阵的情况下,先更新浅层的网络层组的低秩矩阵并冻结浅层的网络层组的权重矩阵,逐步增加网络层组,在每次增加网络层组后重复更新低秩矩阵的过程;通过层级解耦,使图像编码器的学习率在不同适应阶段产生变化,保证图像编码器逐渐从浅层特征适应到深层特征,实现细粒度的跨模态特征的交互和对齐,通过逐步适应从浅层到深层的多层特征来逐步缩小预训练任务和定位任务的差距。

    服务编排方法、电子设备、计算机可读存储介质

    公开(公告)号:CN116560756B

    公开(公告)日:2024-04-16

    申请号:CN202310850867.5

    申请日:2023-07-12

    Abstract: 本申请涉及数据处理技术领域,尤其是涉及一种服务编排方法、电子设备、计算机可读存储介质。本申请的服务编排方法需要先获取服务配置信息与服务编码程序,再基于每一服务配置信息与对应的服务编码程序进行规范化封装处理,生成服务编码包。在生成服务编码包之后,获取服务接入信息。基于服务接入信息,从服务编码包中确定服务配置信息与服务接入信息对应的目标服务程序;基于目标服务程序,创建目标服务。获取服务编排指令,并基于服务编排指令对目标服务进行编排处理,得到应用服务程序。其中,由于服务编码包是基于每一服务配置信息与对应的服务编码程序进行规范化封装处理而生成,因此能够对可复用的服务能力进行更高效的对接。

    应用服务动态管理方法、系统、电子设备及存储介质

    公开(公告)号:CN116662020B

    公开(公告)日:2024-03-01

    申请号:CN202310953888.X

    申请日:2023-08-01

    Abstract: 本申请公开了应用服务动态管理方法、系统、电子设备及存储介质,涉及计算机应用技术领域,通过监测应用服务的调用信息判断是单端调用还是多端调用,若属于单端调用,则计算该应用服务的请求并发量是否达到预设的并发量阈值,如果达到并发量阈值则根据集群系统的系统资源动态分配服务资源,如果未达到并发量阈值则根据预设标准回收服务资源,若应用服务属于多端调用,则根据不同终端的请求量占比动态分配服务额度。由此通过监测应用服务的调用信息,根据设定的相关阈值和标准动态管理分配相应的服务资源和服务额度,使得不同的应用服务和终端设备能够充分利用资源,提高了服务效率和集群资源的利用率,保障了服务水平,提高系统稳定性。

    iTPN模型在MindSpore框架的适配方法及装置

    公开(公告)号:CN117057392A

    公开(公告)日:2023-11-14

    申请号:CN202310928096.7

    申请日:2023-07-26

    Abstract: 本申请公开了iTPN模型在MindSpore框架的适配方法、装置及存储介质,适配方法通过将训练数据转换成适于输入MindSpore框架的MindRecord文件并对转换后的数据进行数据增强,然后将iTPN模型中Pytorch的模型参数和模型函数映射到MindSpore框架中,并按照各层权重进行精度转换以适于MindSpore框架的计算精度,还设定逐层学习率,在实际训练过程中基于当前层的学习率进行优化,并实现数据并行、优化器并行和梯度合并处理,节省了GPU的计算负担,加快了适配到MindSpore框架后的计算效率,适配后的模型能够作为基础网络用于多种下游任务,从而提升下游任务的性能精度。

Patent Agency Ranking