CN110443310A - 比对分析系统的更新方法、服务器及计算机存储介质 - Google Patents
比对分析系统的更新方法、服务器及计算机存储介质 Download PDFInfo
- Publication number
- CN110443310A CN110443310A CN201910726589.6A CN201910726589A CN110443310A CN 110443310 A CN110443310 A CN 110443310A CN 201910726589 A CN201910726589 A CN 201910726589A CN 110443310 A CN110443310 A CN 110443310A
- Authority
- CN
- China
- Prior art keywords
- algorithm model
- image data
- algorithm
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种比对分析系统的更新方法、服务器及计算机存储介质。该比对分析系统包括训练分析节点和非训练分析节点,该更新方法包括:训练分析节点获取第一图像数据,并根据第一算法模型对图像数据进行特征提取;训练分析节点根据第一图像数据对第一算法模型进行训练,以获得第二算法模型;非训练分析节点加载第二算法模型;非训练分析节点获取第二图像数据,并根据第二算法模型对第二图像数据进行特征提取和比对分析。本申请比对分析系统的更新方法能够实现算法模型自动升级和提升图像数据比对分析的准确率的效果。
Description
技术领域
本申请涉及数据处理分析技术领域,特别是涉及一种比对分析系统的更新方法、服务器及计算机存储介质
背景技术
特征比对在智能交通领域和智慧公安领域中是一种很重要的应用手段,在公安等司法部门进行犯罪车辆追踪和轨迹分析时,需要借助某一特定车辆图片来进行相应的特征比对和检索。
现有技术中的分析系统需要根据预设规则获取参考特征,利用参考特征筛选特征库;该方法需要人工参与设置规则,需要多次尝试设置规则从而达到预设的准确率,并且很容易把准确的库成员给过滤掉,最终影响结果准确率。
发明内容
本申请提供了一种比对分析系统的更新方法、服务器及计算机存储介质,主要解决的技术问题是如何实现算法模型自动升级和提升图像数据比对分析的准确率。
为解决上述技术问题,本申请提供了一种比对分析系统的更新方法,所述比对分析系统包括训练分析节点和非训练分析节点;所述更新方法包括:
所述训练分析节点获取第一图像数据,并根据第一算法模型对所述图像数据进行特征提取;
所述训练分析节点根据所述第一图像数据对所述第一算法模型进行训练,以获得第二算法模型;
所述非训练分析节点加载所述第二算法模型;
所述非训练分析节点获取第二图像数据,并根据所述第二算法模型对所述第二图像数据进行特征提取和比对分析。
为解决上述技术问题,本申请还提供了一种服务器,所述服务器至少包括算法调度集群模块,所述算法调度集群模块包括多个特征比对单元模块、多个分析单元模块以及对应的模型训练模块;
其中,所述分析单元模块用于获取第一图像数据,并根据第一算法模型对所述第一图像数据进行特征提取;
所述模型训练模块用于根据所述第一图像数据对所述第一算法模型进行训练,以获得第二算法模型;
所述特征比对单元模块用于加载所述第二算法模型;
所述特征比对单元模块还用于获取第二图像数据,并根据所述第二算法模型对所述第二图像数据进行特征提取和比对分析。
为解决上述技术问题,本申请还提供了另一种服务器,所述服务器包括存储器和处理器,其中,所述存储器与所述处理器耦接;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的比对分析系统的更新方法。
为解决上述技术问题,本申请还提供了一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如上述的比对分析系统的更新方法。
与现有技术相比,本申请的有益效果是:训练分析节点获取第一图像数据,并根据第一算法模型对第一图像数据进行特征提取;训练分析节点根据第一图像数据对第一算法模型进行训练,以获得第二算法模型;非训练分析节点加载第二算法模型;非训练分析节点获取第二图像数据,并根据第二算法模型对第二图像数据进行特征提取和比对分析;训练分析节点根据原有的算法模型对第一图像数据进行特征提取,并基于提取的特征值对原有的算法模型进行训练,以升级原有的算法模型;非训练分析节点则基于升级的算法模型对第二图像数据进行特征提取和比对分析,以提升图像数据比对分析的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的比对分析系统的更新方法第一实施例的流程示意图;
图2是本申请提供的比对分析系统的更新方法第二实施例的流程示意图;
图3是本申请提供的比对分析系统的更新方法第三实施例的流程示意图;
图4是本申请提供的服务器一实施例的结构示意图;
图5是本申请提供的服务器另一实施例的结构示意图;
图6是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为解决上述技术问题,本申请提出了一种比对分析系统的更新方法,具体请参阅图1,图1是本申请提供的比对分析系统的更新方法第一实施例的流程示意图。
如图1所示,本实施例的更新方法具体包括以下步骤:
S101:训练分析节点获取第一图像数据,并根据第一算法模型对第一图像数据进行特征提取。
其中,本申请的比对分析系统包括多个训练分析节点和多个非训练分析节点,训练分析节点可以用于进行算法模型的自动升级,非训练分析节点可以用于根据算法模型对图像数据进行特征提取和比对分析。进一步地,训练分析节点自动升级的算法模型可以共享给非训练分析节点,用于对图像数据进行特征提取。
具体地,训练分析节点获取第一图像数据,其中,第一图像数据中包括过人数据和/或过车数据。训练分析节点根据系统预先存储的第一算法模型对第一图像数据进行特征提取,以获取第一图像数据的多个特征值。
其中,比对分析系统可以与外部摄像装置建立通信连接,而摄像装置可以安装在一些需要视频监控的场所上,例如银行、医院、学校等公众活动和聚集场所。摄像装置实时对视频监控场所的信息进行采集和录制,将采集到的信息作为监控图像或将采集到的信息合成为监控图像并发送给比对分析系统。
另外,比对分析系统也可以接入外部存储设备,外部存储设备可以为移动硬盘、软盘驱动器、U盘或光盘驱动器等;其中,外部存储设备中存储有监控图像,比对分析系统可以直接从外部存储设备获取监控图像,并从监控图像中获取第一图像数据。
S102:训练分析节点根据第一图像数据对第一算法模型进行训练,以获得第二算法模型。
其中,训练分析节点根据第一图像数据的多个特征值对预先存储的第一算法模型进行训练,以获得升级后的第二算法模型。
进一步地,由于输入比对分析系统中的每个训练分析节点的图像数据可以不同,每个训练分析节点可以分别根据不同的特征值进行算法模型训练,然后将训练后的算法模型共享给其它训练分析节点以及非训练分析节点,以通过集群的方式实现比对分析系统算法模型的不断升级。
S103:非训练分析节点加载第二算法模型。
其中,非训练分析节点接收并加载升级后的第二算法模型,以更新非训练分析节点存储的算法模型数量以及内容。
S104:非训练分析节点获取第二图像数据,并根据第二算法模型对第二图像数据进行特征提取和比对分析。
其中,当非训练分析节点输入包括过人数据和/或过车数据的第二图像数据时,非训练分析节点根据存储的算法模型对第二图像数据进行特征提取,以获取多个特征值,并对多个特征值进行比对分析。
具体地,非训练分析节点循环加载存储的所有算法模型,根据每个算法模型对第二图像数据进行特征提取,以获取对应的多个特征值。非训练分析节点获取存储的预设特征值,并分别将多个特征值与预设特征值进行比对,以获取与预设特征值最接近的一个特征值,作为此次特征比对的输出结果。
在本实施例中,训练分析节点获取第一图像数据,并根据第一算法模型对第一图像数据进行特征提取;训练分析节点根据第一图像数据对第一算法模型进行训练,以获得第二算法模型;非训练分析节点加载第二算法模型;非训练分析节点获取第二图像数据,并根据第二算法模型对第二图像数据进行特征提取和比对分析;训练分析节点根据原有的算法模型对第一图像数据进行特征提取,并基于提取的特征值对原有的算法模型进行训练,以升级原有的算法模型;非训练分析节点则基于升级的算法模型对第二图像数据进行特征提取和比对分析,以提升图像数据比对分析的准确率。
对于图1所示实施例中的步骤S102之后,本申请进一步提出了另一种具体的方法。具体请参阅图2,图2是本申请提供的比对分析系统的更新方法第二实施例的流程示意图。
如图2所示,本实施例的更新方法具体包括以下步骤:
S201:训练分析节点判断第二算法模型与第一算法模型是否相同。
其中,在模型训练过程中,训练分析节点根据多个特征点对第一算法模型进行训练。若用于训练的特征点在以前的训练过程中已经出现,则训练分析节点无法基于第一图像数据的特征点对第一算法模型进行升级。
此时,训练分析节点需要判断获得的第二算法模型与第一算法模型是否相同;若第二算法模型与第一算法模型不同,则说明训练分析节点成功升级第一算法模型,训练分析节点存储第二算法模型,并将第二算法模型共享给其它训练分析节点以及非训练分析节点。若第二算法模型与第一算法模型相同,则进入步骤S202。
S202:重新执行动作:训练分析节点获取第一图像数据。
其中,当第二算法模型与第一算法模型相同时,训练分析节点为节省存储空间,直接舍弃第二算法模型,并重新执行动作:训练分析节点获取第一图像数据,以不断对算法模型进行训练以及自动升级。
在本实施例中,训练分析节点在获得第二算法模型时,可以判断第二算法模型与第一算法模型是否相同,从而判断是否成功升级第一算法模型;若升级失败,则直接舍弃第二算法模型,可以有效节省存储空间。
对于图1所示实施例中的步骤S103之后,本申请进一步提出了另一种具体的方法。具体请参阅图3,图3是本申请提供的比对分析系统的更新方法第三实施例的流程示意图。
如图3所示,本实施例的更新方法具体包括以下步骤:
S301:非训练分析节点判断非训练分析节点的第三算法模型与第二算法模型的算法类型是否匹配。
其中,获取升级后的第二算法模型后,非训练分析节点可以先判断非训练分析节点预先存储的第三算法模型与第二算法模型的算法类型是否匹配。
具体地,算法类型可以包括检人算法模型和检车算法模型。假设某一非训练分析节点预存的第三算法模型为检人算法模型,当非训练分析节点获取的第二算法模型同样为检人算法模型时,则进入步骤S302;当非训练分析节点获取的第二算法模型为检车算法模型时,则进入步骤S303。
S302:加载第二算法模型。
其中,非训练分析节点加载第二算法模型。
S303:维持第三算法模型。
其中,非训练分析节点不加载第二算法模型,维持第三算法模型,以保证每一非训练分析节点加载的算法模型的算法类型均相同,提高数据分析的准确率。
在本实施例中,非训练分析节点在加载第二算法模型时,需要判断预存的第三算法模型的算法类型与第二算法模型的算法类型是否相同;当算法类型相同时,才能够加载第二算法模型,从而保证每一非训练分析节点的算法模型单一性,提高数据分析的准确率。
为实现上述实施例的比对分析系统的更新方法,本申请还提出了一种服务器,具体请参阅图4,图4是本申请提供的服务器一实施例的结构示意图。
服务器400至少包括算法调度集群模块41,算法调度集群模块41包括多个特征比对单元模块411、多个分析单元模块412以及对应的模型训练模块413。
其中,算法调度集群由算法集成调度管理节点414和算法集成调度子节点415组成,算法集成管理节点414管理算法集成调度子节点415,算法集成调度子节点415负责管理分析单元模块412以及特征比对单元模块411。
分析单元模块412负责对图像数据中的人脸、车辆等目标分析和特征提取。具有模型训练功能的分析单元模块412可同时进行模型训练提高自身算法模型和集群内其它分析单元模块412的准确度,并且可以将新的算法模型更新到多个特征比对单元模块411。
特征比对单元模块411负责对待比对图片分别进行不同算法模型特征提取,然后在分别与预存的特征值进行比对,保证算法模型升级后特征版本的兼容性;同时,特征比对单元模块411还负责当有新的算法模型更新时,下载新的算法模型并缓存到本地,以供下次特征提取使用。
具体地,分析单元模块412用于获取第一图像数据,并根据第一算法模型对第一图像数据进行特征提取。模型训练模块413用于根据第一图像数据对第一算法模型进行训练,以获得第二算法模型。特征比对单元模块411用于加载第二算法模型;还用于获取第二图像数据,并根据第二算法模型对第二图像数据进行特征提取和比对分析。
进一步地,服务器400还包括算法仓库模块42,算法仓库模块42负责对各种算法类型(如车辆分析、人脸分析)和算法模型版本(如图中的V1.0和V1.N等不同版本)进行分类管理,并将需要更新的算法模型同步到分析单元模块412和特征比对单元模块411,保证集群内各算法集成模块算法模型自动升级。
具体地,升级算法模型后,分析单元模块412通知算法集成调度子节点415新的算法模型信息。算法集成调度子节点415通知算法集成调度管理节点414算法模型升级,同时同步新的算法模型信息到算法仓库模块42。算法仓库模块42根据收到的算法模型信息进行新算法模型下载和算法模型归档,并通过算法集成调度子节点415和算法集成调度管理节点414向多个特征比对单元模块411和多个分析单元模块412广播新的算法模型信息。
特征比对单元模块411获取新的算法模型信息后,需要进行算法类型匹配;若新的算法模型与预存的算法模型的算法类型匹配,则加载新的算法模型;若新的算法模型与预存的算法模型的算法类型不匹配,则不进行新的算法模型加载。
在特征比对过程中,特征比对单元模块411输入带比对图片,遍历特征比对单元模块存储的所有版本的算法模型,并循环加载所有的算法模型对待比对图片进行特征提取,得到多个特征值;将每个特征值与预设特征值进行比对,以获取与预设特征值最接近的特征值。
在本实施例中,服务器400在集群中人流或者车流量比较大的场景下部署具有模型训练能力的分析单元模块412,提供分析和算法模型训练功能,达到算法模型自动升级和提升分析准确率的效果;进一步地,算法仓库模块42对不同版本算法模型进行管理,当算法模型升级上传至算法仓库模块42时,算法仓库模块42广播集群内的分析单元模块412和特征比对单元模块411,实现集群内相同算法类型的分析单元模块412和特征比对单元模块411自动升级;集群内还包括没有模型训练能力的分析单元模块412,该部分分析单元模块412可以动态加载最新算法模型,灵活地提升分析结果准确率。
为实现上述实施例的比对分析系统的更新方法,本申请还提出了另一种服务器,具体请参阅图5,图5是本申请提供的服务器另一实施例的结构示意图。
服务器500包括存储器51和处理器52,其中,存储器51和处理器52耦接。
存储器51用于存储程序数据,处理器52用于执行程序数据以实现上述实施例的空间绘制方法和/或目标检测方法。
在本实施例中,处理器52还可以称为CPU(Central Processing Unit,中央处理单元)。处理器52可能是一种集成电路芯片,具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器52也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,如图6所示,计算机存储介质600用于存储程序数据,程序数据在被处理器执行时,用以实现如本申请方法实施例中所述的比对分析系统的更新方法。
本申请比对分析系统的更新方法实施例中所涉及到的方法,在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时,可以存储在装置中,例如一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种比对分析系统的更新方法,其特征在于,所述比对分析系统包括训练分析节点和非训练分析节点;所述更新方法包括:
所述训练分析节点获取第一图像数据,并根据第一算法模型对所述第一图像数据进行特征提取;
所述训练分析节点根据所述第一图像数据对所述第一算法模型进行训练,以获得第二算法模型;
所述非训练分析节点加载所述第二算法模型;
所述非训练分析节点获取第二图像数据,并根据所述第二算法模型对所述第二图像数据进行特征提取和比对分析。
2.根据权利要求1所述的更新方法,其特征在于,所述训练分析节点根据所述第一图像数据对所述第一算法模型进行训练,以获得第二算法模型的步骤之后,进一步包括:
所述训练分析节点判断所述第二算法模型与所述第一算法模型是否相同;
若是,则重新执行动作:所述训练分析节点获取第一图像数据;
其中,所述第一图像数据为过人数据或过车数据。
3.根据权利要求1所述的更新方法,其特征在于,所述非训练分析节点加载所述第二算法模型的步骤,进一步包括:
所述非训练分析节点判断所述非训练分析节点的第三算法模型与所述第二算法模型的算法类型是否匹配;
若匹配,则加载所述第二算法模型;
若不匹配,则维持所述第三算法模型。
4.根据权利要求1所述的更新方法,其特征在于,所述根据所述第二算法模型对所述第二图像数据进行特征提取和比对分析的步骤,进一步包括:
获取所述第二图像数据;
循环加载所有算法模型对所述第二图像数据进行特征提取,以获得多个特征值;
将多个所述特征值与预设特征值进行比对,以获取与所述预设特征值最接近的特征值。
5.一种服务器,其特征在于,所述服务器至少包括算法调度集群模块,所述算法调度集群模块包括多个特征比对单元模块、多个分析单元模块以及对应的模型训练模块;
其中,所述分析单元模块用于获取第一图像数据,并根据第一算法模型对所述第一图像数据进行特征提取;
所述模型训练模块用于根据所述第一图像数据对所述第一算法模型进行训练,以获得第二算法模型;
所述特征比对单元模块用于加载所述第二算法模型;
所述特征比对单元模块还用于获取第二图像数据,并根据所述第二算法模型对所述第二图像数据进行特征提取和比对分析。
6.根据权利要求5所述的服务器,其特征在于,所述服务器还包括算法仓库模块,所述算法调度集群模块还包括多个与所述分析单元对应的算法模型模块;
所述算法模型模块用于存储所述第一算法模型;
所述分析单元用于从所述算法模型提取所述第一算法模型,并根据所述第一算法模型对所述第一图像数据进行特征提取;
所述分析单元模块还用于将所述第二算法模型上传到所述算法仓库模块;
所述算法仓库模块用于对所述第二算法模型进行模型下载和模型信息存储,并广播所述第二算法模型。
7.根据权利要求5所述的服务器,其特征在于,所述分析单元模块还用于判断所述第二算法模型与所述第一算法模型是否相同;
若是,则所述分析单元模块重新执行动作:获取第一图像数据;
其中,所述第一图像数据为过人数据或过车数据;
所述特征比对单元模块判断存储的第三算法模块与所述第二算法模型的算法类型是否匹配;
若匹配,则加载所述第二算法模型;
若不匹配,则维持所述第三算法模型。
8.根据权利要求5所述的服务器,其特征在于,所述特征比对单元模块进一步用于:
获取所述第二图像数据;
循环加载所有算法模型对所述第二图像数据进行特征提取,以获得多个特征值;
将多个所述特征值与预设特征值进行比对,以获取与所述预设特征值最接近的特征值。
9.一种服务器,其特征在于,所述服务器包括存储器和处理器,其中,所述存储器与所述处理器耦接;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~4中任一项所述的比对分析系统的更新方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如权利要求1~4中任一项所述的比对分析系统的更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726589.6A CN110443310B (zh) | 2019-08-07 | 2019-08-07 | 比对分析系统的更新方法、服务器及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726589.6A CN110443310B (zh) | 2019-08-07 | 2019-08-07 | 比对分析系统的更新方法、服务器及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443310A true CN110443310A (zh) | 2019-11-12 |
CN110443310B CN110443310B (zh) | 2022-08-09 |
Family
ID=68433760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726589.6A Active CN110443310B (zh) | 2019-08-07 | 2019-08-07 | 比对分析系统的更新方法、服务器及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443310B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026896A (zh) * | 2019-11-15 | 2020-04-17 | 浙江大华技术股份有限公司 | 特征值存储、处理方法、设备及存储装置 |
CN111522570A (zh) * | 2020-06-19 | 2020-08-11 | 杭州海康威视数字技术股份有限公司 | 目标库更新方法、装置、电子设备及机器可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593954A (zh) * | 2012-03-01 | 2012-07-18 | 宁波电业局 | 基于配网自动化系统的电网模型构建、更新方法及装置 |
CN106295617A (zh) * | 2016-08-25 | 2017-01-04 | 广东云海云计算科技有限公司 | 基于深度学习的人脸识别服务器集群 |
CN108197668A (zh) * | 2018-01-31 | 2018-06-22 | 达闼科技(北京)有限公司 | 模型数据集的建立方法及云系统 |
CN108388834A (zh) * | 2017-01-24 | 2018-08-10 | 福特全球技术公司 | 利用循环神经网络和级联特征映射的对象检测 |
CN108509921A (zh) * | 2018-04-04 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108629743A (zh) * | 2018-04-04 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN108674413A (zh) * | 2018-05-18 | 2018-10-19 | 广州小鹏汽车科技有限公司 | 车辆行人碰撞预防方法及系统 |
CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
CN109376844A (zh) * | 2018-10-30 | 2019-02-22 | 银河水滴科技(北京)有限公司 | 基于云平台和模型推荐的神经网络自动训练方法和装置 |
CN109726764A (zh) * | 2018-12-29 | 2019-05-07 | 北京航天数据股份有限公司 | 一种模型选择方法、装置、设备和介质 |
CN109993125A (zh) * | 2019-04-03 | 2019-07-09 | 腾讯科技(深圳)有限公司 | 模型训练方法、人脸识别方法、装置、设备及存储介质 |
CN109996107A (zh) * | 2017-12-29 | 2019-07-09 | 百度在线网络技术(北京)有限公司 | 视频生成方法、装置和系统 |
CN110084371A (zh) * | 2019-03-27 | 2019-08-02 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的模型迭代更新方法、装置和计算机设备 |
CN110097188A (zh) * | 2019-04-30 | 2019-08-06 | 科大讯飞股份有限公司 | 一种模型训练方法、工作节点及参数更新服务器 |
-
2019
- 2019-08-07 CN CN201910726589.6A patent/CN110443310B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593954A (zh) * | 2012-03-01 | 2012-07-18 | 宁波电业局 | 基于配网自动化系统的电网模型构建、更新方法及装置 |
CN106295617A (zh) * | 2016-08-25 | 2017-01-04 | 广东云海云计算科技有限公司 | 基于深度学习的人脸识别服务器集群 |
CN108388834A (zh) * | 2017-01-24 | 2018-08-10 | 福特全球技术公司 | 利用循环神经网络和级联特征映射的对象检测 |
CN109996107A (zh) * | 2017-12-29 | 2019-07-09 | 百度在线网络技术(北京)有限公司 | 视频生成方法、装置和系统 |
CN108197668A (zh) * | 2018-01-31 | 2018-06-22 | 达闼科技(北京)有限公司 | 模型数据集的建立方法及云系统 |
CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
CN108509921A (zh) * | 2018-04-04 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108629743A (zh) * | 2018-04-04 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN108674413A (zh) * | 2018-05-18 | 2018-10-19 | 广州小鹏汽车科技有限公司 | 车辆行人碰撞预防方法及系统 |
CN109376844A (zh) * | 2018-10-30 | 2019-02-22 | 银河水滴科技(北京)有限公司 | 基于云平台和模型推荐的神经网络自动训练方法和装置 |
CN109726764A (zh) * | 2018-12-29 | 2019-05-07 | 北京航天数据股份有限公司 | 一种模型选择方法、装置、设备和介质 |
CN110084371A (zh) * | 2019-03-27 | 2019-08-02 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的模型迭代更新方法、装置和计算机设备 |
CN109993125A (zh) * | 2019-04-03 | 2019-07-09 | 腾讯科技(深圳)有限公司 | 模型训练方法、人脸识别方法、装置、设备及存储介质 |
CN110097188A (zh) * | 2019-04-30 | 2019-08-06 | 科大讯飞股份有限公司 | 一种模型训练方法、工作节点及参数更新服务器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026896A (zh) * | 2019-11-15 | 2020-04-17 | 浙江大华技术股份有限公司 | 特征值存储、处理方法、设备及存储装置 |
CN111026896B (zh) * | 2019-11-15 | 2023-09-01 | 浙江大华技术股份有限公司 | 特征值存储、处理方法、设备及存储装置 |
CN111522570A (zh) * | 2020-06-19 | 2020-08-11 | 杭州海康威视数字技术股份有限公司 | 目标库更新方法、装置、电子设备及机器可读存储介质 |
CN111522570B (zh) * | 2020-06-19 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 目标库更新方法、装置、电子设备及机器可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110443310B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008640B (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
DE102018128581A1 (de) | Erkennung und klassifikfation von schadsoftware unter verwendung eines künstlichen neuronalen netzes | |
CN109801420B (zh) | 基于归类算法的多并发人脸识别门禁系统及其识别方法 | |
CN110443310A (zh) | 比对分析系统的更新方法、服务器及计算机存储介质 | |
CN110598110B (zh) | 业务推送方法和装置 | |
CN110135317A (zh) | 基于协同计算体系的行为监控和管理系统和方法 | |
CN111695594A (zh) | 图像类别识别方法、装置、计算机设备及介质 | |
CN109241139A (zh) | 数据处理方法、逻辑模型系统以及数据处理系统 | |
CN106650247A (zh) | 辅助医生开处方的系统和方法 | |
CN106599589A (zh) | 医疗信息化辅助开处方的系统和方法 | |
CN108549654B (zh) | 一种基于图像处理的大数据分析方法 | |
CN111062562A (zh) | 一种社区网格服务联动处置控制方法及系统 | |
CN111126264A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN109191185A (zh) | 一种客群分类方法及系统 | |
CN109409648A (zh) | 理赔风控方法、装置、计算机设备及存储介质 | |
CN103218298B (zh) | 搜索引擎的测试用例筛选、相关性策略测试方法和装置 | |
CN109710626A (zh) | 数据入库管理方法、装置、电子设备,及存储介质 | |
CN114334029A (zh) | 化合物活性预测方法、网络训练方法、装置、介质及设备 | |
CN107665577A (zh) | 一种交通警情处理方法和装置 | |
Singh et al. | Smart Security System Using IOT | |
Leonardi et al. | tidysdm: leveraging the flexibility of tidymodels for Species Distribution Modelling in R | |
CN113035294A (zh) | 一种临床试验管理方法、装置、可读介质及电子设备 | |
CN108345615B (zh) | 一种页面链接的投放和投放调整方法及系统 | |
CN113568630A (zh) | 算法更新的方法、系统及设备 | |
CN114637896B (zh) | 数据的审核方法和装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |