-
公开(公告)号：CN111914997B
公开(公告)日：2024-04-02
申请号：CN202010616988.X
申请日：2020-06-30
申请人： 华为技术有限公司
IPC分类号： G06N3/0464 , G06N3/044 , G06N3/048 , G06N3/084 , G06T3/4053 , G06T3/4015 , G06T3/4046 , G06T5/70 , G06T5/73
摘要： 本申请涉及人工智能领域中计算机视觉领域的图像处理技术，提供了一种训练神经网络的方法、图像处理方法及装置。该方法涉及人工智能领域，具体涉及计算机视觉领域，该方法包括：获取训练图像的输入特征图；使用神经网络的特征提取核，对所述输入特征图进行特征提取处理，得到第一候选特征图；将所述第一候选特征图与第二候选特征图相加，得到输出特征图，所述第二候选特征图为所述输入特征图中的每个元素对应的数值扩大N倍后得到的特征图，N大于0；根据所述输出特征图确定所述训练图像的图像处理结果；根据所述图像处理结果，调整所述神经网络的参数，该方法可以在不影响图像处理效果的同时，有效降低神经网络模型的能耗。
-
公开(公告)号：CN111950700A
公开(公告)日：2020-11-17
申请号：CN202010650726.5
申请日：2020-07-06
申请人： 华为技术有限公司
摘要： 本申请实施例公开了一种神经网络的优化方法及相关设备，可应用于人工智能领域中的计算机视觉领域(如，图像超分辨重建)等，该方法包括：通过一种新的量化模型对神经网络的权重矩阵/特征表示(或称特征图、激活值)进行二值化，具体地，第一量化模型用于根据神经网络第1层至第m层的m个第一权重矩阵得到神经网络第m层的第二权重矩阵，第二量化模型用于根据第1层至第m层的m个第一特征表示得到神经网络第m层的第二特征表示，这种优化方式使得各层权重矩阵/特征表示的取值不仅和自身相关，也与其他层的权重矩阵/特征表示相关，降低了量化误差，使神经网络的训练和使用更加高效，同时，相比现有二值神经网络，提高了图像信息处理的精度。
-
公开(公告)号：CN111914997A
公开(公告)日：2020-11-10
申请号：CN202010616988.X
申请日：2020-06-30
申请人： 华为技术有限公司
摘要： 本申请涉及人工智能领域中计算机视觉领域的图像处理技术，提供了一种训练神经网络的方法、图像处理方法及装置。该方法涉及人工智能领域，具体涉及计算机视觉领域，该方法包括：获取训练图像的输入特征图；使用神经网络的特征提取核，对所述输入特征图进行特征提取处理，得到第一候选特征图；将所述第一候选特征图与第二候选特征图相加，得到输出特征图，所述第二候选特征图为所述输入特征图中的每个元素对应的数值扩大N倍后得到的特征图，N大于0；根据所述输出特征图确定所述训练图像的图像处理结果；根据所述图像处理结果，调整所述神经网络的参数，该方法可以在不影响图像处理效果的同时，有效降低神经网络模型的能耗。
-
公开(公告)号：CN112308200B
公开(公告)日：2024-04-26
申请号：CN201910695706.7
申请日：2019-07-30
申请人： 华为技术有限公司
IPC分类号： G06N3/0464 , G06T3/4053 , G06N3/084 , G06N3/086
摘要： 本申请公开了人工智能领域中计算机视觉领域的一种神经网络的搜索方法及装置。该搜索方法包括：构建基本单元，该基本单元是通过神经网络的基本操作将基本模块进行连接得到的一种网络结构，该基本模块包括第一模块，该第一模块用于对第一输入特征图进行降维操作和残差连接操作，该降维操作用于将该第一输入特征图的尺度从原始的第一尺度变换至第二尺度，该第二尺度小于该第一尺度，该残差连接操作用于将该第一输入特征图与经过该第一模块处理后的特征图进行特征相加处理；根据该基本单元和网络结构参数构建搜索空间；在所述搜索空间中进行网络结构搜索确定目标图像超分辨率网络。本申请能够在计算性能一定的情况下，提高超分辨率网络的精度。
-
公开(公告)号：CN113065997B
公开(公告)日：2023-11-17
申请号：CN202110221909.X
申请日：2021-02-27
申请人： 华为技术有限公司
摘要： 本申请实施例公开一种图像处理方法、神经网络的训练方法以及相关设备，该方法可用于人工智能领域的图像处理领域中，第一神经网络模块包括计算量不同的M个分支，方法包括：从第一图像中获取第一区域的图像，第一图像被分为N个区域，第一区域为N个区域中的一个区域；将第一区域的图像输入第一神经网络模块的目标分支中，得到目标分支生成的处理结果，目标分支为M个分支中与第一区域对应的一个分支；将与N个区域对应的处理结果进行融合，以得到第一神经网络模块生成的处理结果；通过计算量小的分支对图像中部分区域进行处理，以降低处理图像中部分区域的计算功耗，不仅降低整个神经网络的计算功耗，且提高了图像处理过程的灵活性。
-
公开(公告)号：CN113065997A
公开(公告)日：2021-07-02
申请号：CN202110221909.X
申请日：2021-02-27
申请人： 华为技术有限公司
摘要： 本申请实施例公开一种图像处理方法、神经网络的训练方法以及相关设备，该方法可用于人工智能领域的图像处理领域中，第一神经网络模块包括计算量不同的M个分支，方法包括：从第一图像中获取第一区域的图像，第一图像被分为N个区域，第一区域为N个区域中的一个区域；将第一区域的图像输入第一神经网络模块的目标分支中，得到目标分支生成的处理结果，目标分支为M个分支中与第一区域对应的一个分支；将与N个区域对应的处理结果进行融合，以得到第一神经网络模块生成的处理结果；通过计算量小的分支对图像中部分区域进行处理，以降低处理图像中部分区域的计算功耗，不仅降低整个神经网络的计算功耗，且提高了图像处理过程的灵活性。
-
公开(公告)号：CN112308200A
公开(公告)日：2021-02-02
申请号：CN201910695706.7
申请日：2019-07-30
申请人： 华为技术有限公司
摘要： 本申请公开了人工智能领域中计算机视觉领域的一种神经网络的搜索方法及装置。该搜索方法包括：构建基本单元，该基本单元是通过神经网络的基本操作将基本模块进行连接得到的一种网络结构，该基本模块包括第一模块，该第一模块用于对第一输入特征图进行降维操作和残差连接操作，该降维操作用于将该第一输入特征图的尺度从原始的第一尺度变换至第二尺度，该第二尺度小于该第一尺度，该残差连接操作用于将该第一输入特征图与经过该第一模块处理后的特征图进行特征相加处理；根据该基本单元和网络结构参数构建搜索空间；在所述搜索空间中进行网络结构搜索确定目标图像超分辨率网络。本申请能够在计算性能一定的情况下，提高超分辨率网络的精度。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.057 秒)
