CN107247944A - 基于深度学习的人脸检测速度优化方法及装置 - Google Patents
基于深度学习的人脸检测速度优化方法及装置 Download PDFInfo
- Publication number
- CN107247944A CN107247944A CN201710508939.2A CN201710508939A CN107247944A CN 107247944 A CN107247944 A CN 107247944A CN 201710508939 A CN201710508939 A CN 201710508939A CN 107247944 A CN107247944 A CN 107247944A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- target frame
- fixed
- point
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 230000001815 facial effect Effects 0.000 claims abstract description 32
- 238000007667 floating Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100285899 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SSE2 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学***行运算；重复平行运算的步骤，直到整个深度学***行运算可以减少总体运算次数，提高效率和节省时间，达到降低硬件成本和提升人脸检测速度的效果。
Description
技术领域
本发明涉及人脸检测领域，特别地，涉及一种基于深度学习的人脸检测速度优化方法及装置。
背景技术
人脸识别检测研究，主要包括人脸检测技术和人脸识别技术的研究。人脸识别检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是，则返回人脸的位置、大小和姿态，接着对人脸进行识别。它是一个复杂的具有挑战性的模式检测问题。同时，人脸检测要走向实际应用，精度和速度是亟需解决的两个关健问题，自20世纪90年代以来，人脸检测的精度得到了大幅度的提高，但是速度却一直达不到应用***用户满意的程度，为此研究者们付出艰辛的努力。
深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。
深度学习与传统模式识别方法的最大不同在于它所采用的特征是从大数据中自动学习得到，而非采用手工设计。好的特征可以提高模式识别***的性能。过去几十年，在模式识别的各种应用中，手工设计的特征一直处于统治地位。手工设计主要依靠设计者的先验知识，很难利用大数据的优势。由于依赖手工调参数，因此特征的设计中所允许出现的参数数量十分有限。深度学习可以从大数据中自动学习特征的表示，可以包含成千上万的参数。
采用手工设计出有效的特征往往需要五到十年时间，而深度学习可以针对新的应用从训练数据中很快学习到新的有效的特征表示。
一个模式识别***包括特征和分类器两部分。在传统方法中，特征和分类器的优化是分开的。而在神经网络的框架下，特征表示和分类器是联合优化的，可以最大程度地发挥二者联合协作的性能。
深度学习采用了与传统神经网络相似的分层结构，***由包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic regression模型；这种分层结构，比较接近人类大脑结构。
深度学习由于计算量大，计算复杂，所以基于深度学习的人脸检测速度上与传统方法比较起来，具有一定劣势。针对深度学习人脸检测速度优化，存在很多的方案，如改***件条件，使用高性能硬件GPU，采用快速加速软件ATBLAS、Openblas、NNPACK等。这些现有的技术方案，都需要硬件具备相应的支持单位，如果没有相应的支持单位，速度提升就会存在相应的瓶颈；另外在低端CPU上，支持效果达不到理想情况。
发明内容
本发明提供了一种基于深度学习的人脸检测速度优化方法及装置，以解决现有方案硬件成本高、无法在低端CPU上实现速度提升的技术问题。
本发明采用的技术方案如下：
根据本发明的一方面，提供了一种基于深度学***行运算；重复平行运算的步骤，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；将人脸目标框校正信息还原成相应的浮点数据；将人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合，对人脸目标框进行调整，最终获得人脸真正目标框位置。
进一步地，将深度学习模型中的浮点数据定点化的步骤包括：读取深度学习模型；将深度学习模型中的浮点数据转换为第一定点数据；将第一定点数据存储为第一short类型数据。
可选地，第一定点数据的数据范围为-255到+255。
进一步地，将人脸图像的数据定点化的步骤包括：读取人脸图像；对人脸图像进行预处理；将预处理后的数据转换成第二定点数据；将第二定点数据存储为第二short类型数据。
可选地，第二定点数据的数据范围为-255到+255。
进一步地，平行运算的步骤包括：加载第一short类型数据和第二short类型数据；对加载后的第一short类型数据和第二short类型数据进行平行乘加运算。
根据本发明的另一方面，还提供了一种基于深度学***行运算模块，用于重复对深度学***行运算，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；还原模块，用于将人脸目标框校正信息还原成相应的浮点数据；调整模块，用于将人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合以对人脸目标框进行调整，并最终获得人脸真正目标框位置。
进一步地，第一定点化模块包括：第一读取子模块，用于读取深度学习模型；第一转换子模块，用于将深度学习模型中的浮点数据转换为第一定点数据；第一存储子模块，用于将第一定点数据存储为第一short类型数据。
进一步地，第二定点化模块包括：第二读取子模块，用于读取人脸图像；预处理子模块，用于对第二读取模块读取的人脸图像进行预处理；第二转换子模块，用于将预处理后的数据转换成第二定点数据；第二存储子模块，用于将第二定点数据存储为第二short类型数据。
进一步地，平行运算模块包括：加载子模块，用于加载第一short类型数据和第二short类型数据；平行乘加子模块，用于对加载后的第一short类型数据和第二short类型数据进行平行乘加运算。
本发明的基于深度学***行运算，可以节省数据占用空间，避免对浮点数据运算过程中耗费大量的运算资源和运算时间，对定点数据的运算可以提高处理数据的效率，且平行运算处理可以一次执行多个数据的多次运算，减少总体运算次数，提高运算效率和节省时间，达到降低硬件成本和提升人脸检测速度的效果，有利于低端CPU上实现人脸检测速度提升。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于深度学习的人脸检测速度优化方法的流程图；
图2是本发明优选实施例的将深度学习模型中的浮点数据定点化的具体流程图；
图3是本发明优选实施例的将人脸图像的数据定点化的具体流程图；
图4是本发明优选实施例的基于深度学习的人脸检测速度优化装置的原理框图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明主要根据深度学习训练得到的网络结构及训练得到的数据，针对性的进行优化，下边将详细阐述发明过程。
参照图1，本发明的优选实施例提供了一种基于深度学习的人脸检测速度优化方法，该方法包括：
步骤S100，将深度学习模型中的浮点数据定点化；
步骤S200，将人脸图像中的数据定点化；
步骤S300，对深度学***行运算；
重复平行运算的步骤S300，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；
步骤S400，将人脸目标框校正信息还原成相应的浮点数据；
步骤S500，将人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合，对人脸目标框进行调整，最终获得人脸真正目标框位置。
进一步地，参照图2，将深度学习模型中的浮点数据定点化的步骤S100包括：
步骤S110，读取深度学习模型；
本优选实施例中，主要采用基于开源发型的跨平台计算机视觉库opencv、深度学习框架caffe、以及caffe所依赖的软件来读取深度学习模型文件。
步骤S120，将深度学习模型中的浮点数据转换为第一定点数据；本优选实施例中，将浮点数据进行-255到+255定点化，即第一定点数据的数据范围为-255到+255。
步骤S130，将第一定点数据存储为第一short类型数据。对深度学***行运算(乘法、加法、累加)后的结果数据越界，本发明将定点化后的数据保存成short类型定点数据，因为short类型定点数据占用数据空间16字节，要比浮点(float)数据占用空间少一半，这样能在存储上节省空间；同时，在后续平行运算步骤中加载数据的时候，一次可以加载更多的数据。
进一步地，参照图3，将人脸图像的数据定点化的步骤S200包括：
步骤S210，读取人脸图像；
步骤S220，对人脸图像进行预处理；
步骤S230，将预处理后的数据转换成第二定点数据；同样可选地，第二定点数据的数据范围为-255到+255。
步骤S240，将第二定点数据存储为第二short类型数据。与步骤S130同样的道理，此步骤能够节省存储空间和便于后续高效读取数据，有利于后续高效的平行运算处理。
进一步地，平行运算的步骤S300包括：
步骤S310，加载第一short类型数据和第二short类型数据；
本优选实施例中，利用CPU计算单元进行数据加载，一次加载256字节数据(256字节数据可以表示8个short类型数据)，将深度学习模型定点化后的8个第一short类型数据和人脸图像定点化后的8个第二short类型数据加载完。
步骤S320，对加载后的第一short类型数据和第二short类型数据进行平行乘加运算。
本优选实施例中，对加载完的数据利用CPU数据单位AVX2并行乘加运算逻辑单元，进行平行乘加运算，如函数_mm256_hadd_epi32()，一次可完成多次乘法及多次加法，从运算过程上，这样一次运算可代表以前的多次运算，这样处理的好处同样节省运算时间，提升工作效率。当然，在其它实施例中，也可以使用其它的CPU数据单位例如SSE、SSE2、AVX等进行平行运算。这种一次一条指令做多个操作的运算方式，能增加缓存命中，减少内存访问。
从硬件成本考量，GPU和FPGA由于价格及功耗过高，限制了应用的场景，基本上在普通消费级产品中不会使用。而本发明的方法，可以降低硬件的条件，使得深度学习在普通消费级产品上得以实现，有利于低端CPU上实现人脸检测速度提升。
根据本发明的另一方面，还提供了一种基于深度学习的人脸检测速度优化装置，参照图4，该装置包括：
第一定点化模块100，用于将深度学习模型中的浮点数据定点化；
第二定点化模块200，用于将人脸图像进行预处理后的数据定点化；
平行运算模块300，用于重复对深度学***行运算，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；
还原模块400，用于将人脸目标框校正信息还原成相应的浮点数据；
调整模块500，用于将人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合以对人脸目标框进行调整，并最终获得人脸真正目标框位置。
进一步地，第一定点化模块100包括：
第一读取子模块110，用于读取深度学习模型；
第一转换子模块120，用于将深度学习模型中的浮点数据转换为第一定点数据；
第一存储子模块130，用于将第一定点数据存储为第一short类型数据。
进一步地，第二定点化模块200包括：
第二读取子模块210，用于读取人脸图像；
预处理子模块220，用于对第二读取模块读取的人脸图像进行预处理；
第二转换子模块230，用于将预处理后的数据转换成第二定点数据；
第二存储子模块240，用于将第二定点数据存储为第二short类型数据。
进一步地，平行运算模块300包括：
加载子模块310，用于加载第一short类型数据和第二short类型数据；
平行乘加子模块320，用于对加载后的第一short类型数据和第二short类型数据进行平行乘加运算。
本发明的方法和装置具备检测速度快的优点，同时能降低硬件的存储空间，为后期硬件平台(ARM、DSP等)移植优化奠定基础。本发明通过将深度学***行运算，可以节省数据占用空间，避免对浮点数据运算过程中耗费大量的运算资源和运算时间，对定点数据的运算可以提高处理数据的效率，且平行运算处理可以一次执行多个数据的多次运算，减少总体运算次数，提高运算效率和节省时间，达到降低硬件成本和提升人脸检测速度的效果。同时，将定点化后的数据存储为short类型数据，能够防止平行运算后的结果数据越界。一次一条指令做多个操作的平行运算方式，能增加缓存命中，减少内存访问。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的人脸检测速度优化方法，其特征在于，包括：
将深度学习模型中的浮点数据定点化；
将人脸图像中的数据定点化；
对深度学***行运算；
重复所述平行运算的步骤，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；
将所述人脸目标框校正信息还原成相应的浮点数据；
将所述人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合，对人脸目标框进行调整，最终获得人脸真正目标框位置。
2.根据权利要求1所述的基于深度学习的人脸检测速度优化方法，其特征在于，所述将深度学习模型中的浮点数据定点化的步骤包括：
读取所述深度学习模型；
将所述深度学习模型中的浮点数据转换为第一定点数据；
将第一定点数据存储为第一short类型数据。
3.根据权利要求2所述的基于深度学习的人脸检测速度优化方法，其特征在于，所述第一定点数据的数据范围为-255到+255。
4.根据权利要求2所述的基于深度学习的人脸检测速度优化方法，其特征在于，所述将人脸图像的数据定点化的步骤包括：
读取所述人脸图像；
对所述人脸图像进行预处理；
将预处理后的数据转换成所述第二定点数据；
将所述第二定点数据存储为第二short类型数据。
5.根据权利要求4所述的基于深度学习的人脸检测速度优化方法，其特征在于，所述第二定点数据的数据范围为-255到+255。
6.根据权利要求4所述的基于深度学***行运算的步骤包括：
加载所述第一short类型数据和所述第二short类型数据；
对加载后的所述第一short类型数据和所述第二short类型数据进行平行乘加运算。
7.一种基于深度学习的人脸检测速度优化装置，其特征在于，包括：
第一定点化模块，用于将深度学习模型中的浮点数据定点化；
第二定点化模块，用于将人脸图像进行预处理后的数据定点化；
平行运算模块，用于重复对深度学***行运算，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；
还原模块，用于将所述人脸目标框校正信息还原成相应的浮点数据；
调整模块，用于将所述人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合以对人脸目标框进行调整，并最终获得人脸真正目标框位置。
8.根据权利要求7所述的基于深度学习的人脸检测速度优化装置，其特征在于，所述第一定点化模块包括：
第一读取子模块，用于读取所述深度学习模型；
第一转换子模块，用于将所述深度学习模型中的浮点数据转换为所述第一定点数据；
第一存储子模块，用于将所述第一定点数据存储为第一short类型数据。
9.根据权利要求8所述的基于深度学习的人脸检测速度优化装置，其特征在于，所述第二定点化模块包括：
第二读取子模块，用于读取人脸图像；
预处理子模块，用于对所述第二读取模块读取的所述人脸图像进行预处理；
第二转换子模块，用于将预处理后的数据转换成第二定点数据；
第二存储子模块，用于将所述第二定点数据存储为第二short类型数据。
10.根据权利要求9所述的基于深度学***行运算模块包括：
加载子模块，用于加载所述第一short类型数据和所述第二short类型数据；
平行乘加子模块，用于对加载后的所述第一short类型数据和所述第二short类型数据进行平行乘加运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710508939.2A CN107247944B (zh) | 2017-06-28 | 2017-06-28 | 基于深度学习的人脸检测速度优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710508939.2A CN107247944B (zh) | 2017-06-28 | 2017-06-28 | 基于深度学习的人脸检测速度优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247944A true CN107247944A (zh) | 2017-10-13 |
| CN107247944B CN107247944B (zh) | 2020-11-10 |
Family
ID=60013649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710508939.2A Active CN107247944B (zh) | 2017-06-28 | 2017-06-28 | 基于深度学习的人脸检测速度优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247944B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753951A (zh) * | 2019-03-29 | 2020-10-09 | 富士通株式会社 | 信息处理器、信息处理方法和存储介质 |
| CN113298244A (zh) * | 2021-04-21 | 2021-08-24 | 上海安路信息科技股份有限公司 | 目标检测中神经网络后处理实现方法、装置、终端及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485230A (zh) * | 2016-10-18 | 2017-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于神经网络的人脸检测模型的训练、人脸检测方法及*** |
| CN106502626A (zh) * | 2016-11-03 | 2017-03-15 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
| CN106570559A (zh) * | 2015-10-09 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种基于神经网络的数据处理方法和装置 |
| CN106874883A (zh) * | 2017-02-27 | 2017-06-20 | 中国石油大学(华东) | 一种基于深度学习的实时人脸检测方法及*** |
-
2017
- 2017-06-28 CN CN201710508939.2A patent/CN107247944B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570559A (zh) * | 2015-10-09 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种基于神经网络的数据处理方法和装置 |
| CN106485230A (zh) * | 2016-10-18 | 2017-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于神经网络的人脸检测模型的训练、人脸检测方法及*** |
| CN106502626A (zh) * | 2016-11-03 | 2017-03-15 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
| CN106874883A (zh) * | 2017-02-27 | 2017-06-20 | 中国石油大学(华东) | 一种基于深度学习的实时人脸检测方法及*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753951A (zh) * | 2019-03-29 | 2020-10-09 | 富士通株式会社 | 信息处理器、信息处理方法和存储介质 |
| CN113298244A (zh) * | 2021-04-21 | 2021-08-24 | 上海安路信息科技股份有限公司 | 目标检测中神经网络后处理实现方法、装置、终端及介质 |
| CN113298244B (zh) * | 2021-04-21 | 2023-11-24 | 上海安路信息科技股份有限公司 | 目标检测中神经网络后处理实现方法、装置、终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247944B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190318231A1 (en) | Method for acceleration of a neural network model of an electronic euqipment and a device thereof related appliction information | |
| CN111242844B (zh) | 图像处理方法、装置、服务器和存储介质 | |
| WO2021227726A1 (zh) | 面部检测、图像检测神经网络训练方法、装置和设备 | |
| Sheng et al. | Improving video temporal consistency via broad learning system | |
| WO2020073211A1 (zh) | 运算加速器、处理方法及相关设备 | |
| CN110175671A (zh) | 神经网络的构建方法、图像处理方法及装置 | |
| CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
| CN107239824A (zh) | 用于实现稀疏卷积神经网络加速器的装置和方法 | |
| CN110378338A (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
| WO2022111002A1 (zh) | 用于训练神经网络的方法、设备和计算机可读存储介质 | |
| CN113095254A (zh) | 一种人体部位关键点的定位方法及*** | |
| US20230143985A1 (en) | Data feature extraction method and related apparatus | |
| US20230153965A1 (en) | Image processing method and related device | |
| Zhang et al. | Summary of convolutional neural network compression technology | |
| CN107247944A (zh) | 基于深度学习的人脸检测速度优化方法及装置 | |
| US20230072445A1 (en) | Self-supervised video representation learning by exploring spatiotemporal continuity | |
| CN109685208A (zh) | 一种用于神经网络处理器数据稀梳化加速的方法及装置 | |
| US20220138528A1 (en) | Data processing method for neural network accelerator, device and storage medium | |
| WO2022127603A1 (zh) | 一种模型处理方法及相关装置 | |
| CN110826726B (zh) | 目标处理方法、目标处理装置、目标处理设备及介质 | |
| CN113449559B (zh) | 一种表格识别方法、装置、计算机设备和存储介质 | |
| CN110533749B (zh) | 一种动态纹理视频生成方法、装置、服务器及存储介质 | |
| CN111858881A (zh) | 一种海量数据问答***设计方法、***、电子设备 | |
| Gao et al. | Staged cascaded network for monocular 3D human pose estimation | |
| Li et al. | Human Pose Estimation Based on Lightweight Convolutional Neural Networks |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100097 Beijing Haidian District Kunming Hunan Road 51 C block two floor 207. Applicant after: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. Address before: 100193 4, 403, block A, 14 building, 10 East North Road, Haidian District, Beijing. Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province Applicant after: Wisdom Eye Technology Co.,Ltd. Address before: 100097 2nd Floor 207, Block C, 51 Hunan Road, Kunming, Haidian District, Beijing Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Optimization method and device for face detection speed based on depth learning Effective date of registration: 20221205 Granted publication date: 20201110 Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch Pledgor: Wisdom Eye Technology Co.,Ltd. Registration number: Y2022430000107 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231220 Granted publication date: 20201110 Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch Pledgor: Wisdom Eye Technology Co.,Ltd. Registration number: Y2022430000107 |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province Patentee before: Wisdom Eye Technology Co.,Ltd. |