[发明专利]分类模型训练方法和终端设备在审

专利信息
申请号: 201811509567.6 申请日: 2018-12-11
公开(公告)号: CN109740634A 公开(公告)日: 2019-05-10
发明(设计)人: 王威;赵正旭;吴又奎 申请(专利权)人: 中科恒运股份有限公司
主分类号: G06K9/62 分类号: G06K9/62
代理公司: 石家庄国为知识产权事务所 13120 代理人: 秦敏华
地址: 050090 河北省石家庄市新石*** 国省代码: 河北;13
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 训练模型 分类模型训练 终端设备 测试集 数据集 训练集 机器学习技术 适应性训练 分类问题 机器分类 局部优化 数据量 减小 预设 耗时 测试 评估 应用
【说明书】:

发明适用于机器学习技术领域,提供了一种分类模型训练方法和终端设备,其中,所述的分类模型训练方法包括:获取预设的预训练模型和数据集;将数据集划分为训练集和测试集;根据训练集训练预训练模型;根据测试集测试训练后的预训练模型,并获取测试结果;根据测试结果对训练后的预训练模型进行评估。本发明实施例提供的分类模型训练方法和终端设备,由于预训练模型是已应用于其他分类问题的模型,相较于新建模型,对其进行适应性训练和局部优化所需的时间和数据量必然大幅减小,从而解决了现有技术对机器分类模型进行训练时耗时较长和训练所需数据过多的问题。

技术领域

本发明属于机器学习技术领域,尤其涉及一种分类模型训练方法和终端设备。

背景技术

在传统的机器学习的框架下,学习的任务就是在给定的训练数据的基础上,通过不断优化模型的参数而得到一个符合预期学习效果的分类模型,然后利用这个分类模型执行自动分类或判断的工作,例如,对文档进行分类。然而,机器学习在当前的研究中存在着两个关键的问题:

(1)耗时长。以深度学习为例,深度学习是一个大型的神经网络模型,层数比较多,训练需要耗费很长时间,且越复杂的神经网络模型所需要的训练数据越多,训练所需时间也就越多。

(2)消耗资源。仍以深度学习为例,大型神经网络模型的训练需要大量数据支撑,至少需要数千或数百万个标记样本。海量训练数据需要人工预先完成标注或分类,以保证训练的可靠性,消耗了大量的人力与物力。大量的训练数据、模型参数以及模型各层响应还会消耗大量内存。

发明内容

有鉴于此,本发明实施例提供了一种分类模型训练方法和终端设备,以解决现有技术对机器分类模型进行训练时耗时较长和训练所需数据过多的问题。

根据第一方面,本发明实施例提供了一种分类模型训练方法,包括:获取预设的预训练模型和数据集;将所述数据集划分为训练集和测试集;根据所述训练集训练所述预训练模型;根据所述测试集测试训练后的所述预训练模型,并获取测试结果;根据所述测试结果对训练后的所述预训练模型进行评估。

本发明实施例提供的分类模型训练方法,改变了普通机器学习直接对一个新建的分类模型进行训练的方式,通过有限的新数据对预训练模型进行训练,从而优化预训练模型中的部分参数,使其适应新的数据分类任务,从而达到快速完成分类模型训练的目的。由于预训练模型是已应用于其他分类问题的模型,相较于新建模型,对其进行适应性训练和局部优化所需的时间和数据量必然大幅减小,从而解决了现有技术对机器分类模型进行训练时耗时较长和训练所需数据过多的问题。

结合第一方面,在第一方面第一实施方式中,所述将所述数据集划分为训练集和测试集,包括:将所述数据集划分为两个互斥的集合;确定所述两个互斥的集合中的任意一个集合为所述训练集;确定所述两个互斥的集合中的另一个集合为所述测试集。

本发明实施例提供的分类模型训练方法,通过将数据量有限的数据集进行不同方式的划分,每次划分过程将数据集均划分为互斥的训练集和测试集,从而能够利用每次划分所得训练集对预训练模型进行训参数优化训练,并利用每次划分所得测试集对训练后的预训练模型进行测试,从而实现了有限数据为基础的模型优化训练。

结合第一方面第一实施方式,在第一方面第二实施方式中,所述训练集和所述测试集具有相同的数据分布特性。

本发明实施例提供的分类模型训练方法,为了避免每次划分数据集时引入额外的偏差而对最终的模型训练结果产生影响,在划分的时候尽可能保证数据分布的一致性。

结合第一方面,在第一方面第三实施方式中,所述将所述数据集划分为训练集和测试集,包括:将所述数据集划分为若干相同大小的子集;确定所述子集中的任意一个子集为所述训练集;将所述子集中的其他子集合并,并将合并后的所述子集中的其他子集作为测试集。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中科恒运股份有限公司,未经中科恒运股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811509567.6/2.html,转载请声明来源钻瓜专利网。

同类专利
  • 一种聚类的方法和装置-201810413728.5
  • 樊宇 - 北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司
  • 2018-05-03 - 2019-11-12 - G06K9/62
  • 本发明公开了一种聚类的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:将每一个待聚类元素的原始数据信息转化为与之对应的多维数据;根据所述多维数据,采用余弦相似度算法确定每两个待聚类元素之间的相似度;根据所述每两个待聚类元素之间的相似度进行聚类。该实施方式能够对复杂数据采用余弦相似度算法进行高效准确的聚类,同时能够充分利用本地内存中的数据结构、多线程计算以及中间过程保存文件,大幅度提高聚类运算的运行效率和准确性;此外,在一些计算环节计算之前还支持数据校验,提高了运算效率和聚类的准确性;并且本方案易于实现,聚类方式灵活,方便与既有框架相结合。
  • 一种文档比对方法及装置-201910520715.2
  • 赵逸湘 - 平安信托有限责任公司
  • 2019-06-17 - 2019-11-12 - G06K9/62
  • 本发明实施例提供了一种文档比对方法及装置,本发明涉及人工智能技术领域,方法包括:获取待比对图档及标准文档,其中,标准文档为用户上传的正确文档;通过预设的处理方法将标准文档转换为标准文本,标准文本中包括多个字符;通过霍夫变换方法找到待比对图档的倾斜角度,并基于倾斜角度采用双线性插值对待比对图档进行旋转矫正;识别旋转矫正后的待比对图档,得到待比对文本,待比对文本包括多个字符;将标准文本中的字符与待比对文本中的字符进行比对,得到待比对文本与标准文本之间的差异字符。本发明实施例提供的技术方案能够解决现有技术中文档比对效率低的问题。
  • 图表定位方法、装置、计算机设备及计算机可读存储介质-201910527236.3
  • 吴启;卢波 - 平安科技(深圳)有限公司
  • 2019-06-18 - 2019-11-12 - G06K9/62
  • 本发明实施例公开了一种图表定位方法、装置、计算机设备及计算机可读存储介质。所述方法属于图像分类技术领域,所述方法包括:获取预存的PDF图片训练集,所述PDF图片训练集包括PDF样本图片以及所述PDF样本图片的标注结果,所述标注结果包括所述PDF样本图片的特征区域的位置信息以及特征区域的类型,所述类型包括图片以及表格;通过所述PDF图片训练集对预构建的yoloV3深度学习模型进行训练;若接收到待测PDF文件,将所述待测PDF文件转换为待测PDF图片;根据训练后的yoloV3深度学习模型确定所述待测PDF图片的标注结果,从而无论是对于有文本还是图片转换过来的PDF文件均能够快速定位其中表格区域以及图片区域的位置,使得本申请的适用范围更广。
  • 异常检测方法、装置、计算机设备及存储介质-201910575550.9
  • 黎立桂 - 平安科技(深圳)有限公司
  • 2019-06-28 - 2019-11-12 - G06K9/62
  • 本发明公开一种异常检测方法,包括:获取用户进行注册或验证时的操作终端数据,其中,操作终端数据为包括设备类型、系统信息和IP地址中的两种或两种以上的组合数据;将操作终端数据输入至组合检测模型中进行检测以得到组合结果信息,其中,组合检测模型中包括两个或两个以上的检测模型,每个检测模型均输出对应的子结果,多个子结果生成组合结果信息;对组合结果信息进行投票,以得到最终结果信息。本申请中采用特征转化方法,将难以理解的多个属性数据结合样本分布情况,转化为0‑1二值的组合特征,生成具有区分性的组合特征集合,构建Bagging策略下的检测模型,较为全面的判断注册、验证用户是否异常,提高了异常检测的准确率。
  • 基于深度卷积网络与灰度递归图分析的时间序列分类方法-201910582213.2
  • 曾明;赵春雨;李祺;王湘晖 - 天津大学
  • 2019-06-30 - 2019-11-12 - G06K9/62
  • 一种基于深度卷积网络与灰度递归图分析的时间序列分类方法,将原始时间序列切分成若干长度相同且互不重叠的片段,并将这些片段分别进行二维灰度递归图转换,得到片段灰度递归图,将片段灰度递归图分成训练集和测试集,将训练集中的灰度递归图用于深度卷积神经网络端到端的训练,获得训练好的深度卷积神经网络模型,对训练好的深度卷积神经网络模型进行测试,在测试过程中,将测试集中的灰度递归图输入至训练好的深度卷积网络进行分类预测。本发明是一种非常快速的分类方法,不仅在表征效果上有显著的提升,同时是一种自动的特征提取方法,减少了复杂的人工设计过程。
  • 基于注意力模型的少量样本分类方法-201910582214.7
  • 冀中;柴星亮 - 天津大学
  • 2019-06-30 - 2019-11-12 - G06K9/62
  • 一种基于注意力模型的少量样本分类方法,训练一个卷积神经网络图像分类模型,训练好卷积神经网络图像分类模型后,去掉卷积神经网络图像分类模型的全连接层,保留卷积神经网络图像分类模型的卷积神经网络部分;根据所有样本图像的特征向量对待测图像进行基础分类,得到n×m个标量,n为所有样本图像的类数,m为每个类中的样本图像数;将每一类的m个样本图像连接为m×M维的向量,输入一个非线性映射函数得到n×m个相对权重;将得到的n×m个标量与对应的n×m个相对权重分别相乘,得到新的n×m个标量,将每个类中新的m个标量相加得到最终的分类结果。本发明通过挖掘类内图像重要性的得分,使得模型能更加关注比较重要的样本,对类内图像进行均衡。
  • 一种致密气藏水平井的分类判别方法及系统-201910626269.3
  • 刘保磊;汪萍;杨玲 - 长江大学
  • 2019-07-11 - 2019-11-12 - G06K9/62
  • 本发明涉及一种致密气藏水平井的分类判别方法及系统,该方法包括:步骤1,选择对水平井进行分析的特征参数,采用聚类分析方法确定所有水平井包含的类别;步骤2,通过贝叶斯判别分析方法,得到各类水平井的分类判别函数;步骤3,将待评价水平井的特征参数代入该各类水平井的分类判别函数,该分类判别函数的值最大对应的类别为该待评价水平井的类别。根据气藏渗流及试井原理,结合天然气产量数据自身规律,选择水平井的多个特征参数,并采用聚类分析方法综合该水平井的多个特征参数确定水平井包含的类别,并采用贝叶斯判别分析方法得到各类水平井的分类判别函数,为待评价水平井的类别评估提供明确的数据参考依据。
  • 相似轨迹的确定方法、装置及计算机存储介质-201910642373.1
  • 张浩 - 浙江大华技术股份有限公司
  • 2019-07-16 - 2019-11-12 - G06K9/62
  • 本发明公开了一种相似轨迹的确定方法、确定装置及计算机存储介质,方法包括获取多条轨迹,每条轨迹包括多个原始轨迹点;针对每条轨迹,依据多个原始轨迹点,获取采样数量的采样轨迹点;基于已训练的聚类模型,根据采样轨迹点的数据确定每条轨迹的类别;计算同一类别中轨迹之间的相似度,以确定多条轨迹中每条轨迹的相似轨迹。通过上述方式,本发明可高效确定每条轨迹的相似轨迹。
  • 视频标注方法、装置、服务器、用户终端及存储介质-201910676876.0
  • 申涛;黄军政;宋凡 - 丰图科技(深圳)有限公司
  • 2019-07-25 - 2019-11-12 - G06K9/62
  • 本发明实施例公开了一种视频标注方法、装置、服务器、用户终端及存储介质。该服务器侧视频标注方法包括:服务器通过获取视频采集设备采集的多个视频文件;服务器根据多个视频文件发布视频标注任务;服务器将视频标注任务下发给多个用户终端,以使得多个用户终端各自领取视频标注任务进行视频标注,并将视频标注信息反馈给服务器,服务器接收所述多个用户终端反馈的视频标注信息。本发明实施例相对于传统视频标注方案需投入大量人力和资源的情况下,将视频采集设备采集的多个视频文件发布成视频任务,下发给多个用户终端,使得多个用户终端分包完成视频标注任务,大大提高了视频标注的效率和标注准确度,节约了人力和企业资源成本。
  • 改进的图像匹配与误匹配剔除算法-201910694130.2
  • 孙东岳;丁德锐;管启;魏国亮;朱鸣嫡;刘洋洋 - 上海理工大学
  • 2019-07-30 - 2019-11-12 - G06K9/62
  • 本发明公开了一种改进的图像匹配与误匹配剔除算法,本算法采用FAST算法通过灰度值的差异从图像中提取特征点;利用图像块的二阶矩通过图像块的质心位置及几何中心给定特征点方向;对围绕特征点的像素点进行灰度值比较,采用BRIEF算法创建特征点的描述符;对描述符采用多探针局部敏感散列LSH算法匹配特征点的特征向量,得到特征向量的初始匹配对;依次使用GMS算法、余弦相似度算法和RANSAC算法剔除初始匹配对中的误匹配,得到精准的图像匹配结果。本算法通过改进的ORB算法特征点提取与匹配,结合GMS算法得到效果更好的粗略匹配集合,然后与RANSAC算法结合,达到剔除误匹配,保留正确匹配集合的目的,提高图像匹配的准确率以及算法的运算速度。
  • 一种基于机器学习模型的企业风险评估方法-201910722029.3
  • 李振;鲍东岳;张刚;尹正 - 民生科技有限责任公司
  • 2019-08-06 - 2019-11-12 - G06K9/62
  • 本发明涉及企业风险评估技术领域,提供了一种基于机器学习模型的企业风险评估方法,将企业特征数据拆分为训练集和验证集,确定3个用于企业风险评估的模型算法;模型训练:将训练集进行5折交叉验证,同时使用3个所述模型算法训练模型;5份测试子集每个模型的预测概率值均形成一个新的字段;将所有新的字段与原始部分字段放在一起,使用stacking模型通过5折交叉验证再次学习,得出测试子集的最终预测概率值;对验证集进行预测,得到验证集的预测概率值。本发明采用了级联的模型融合方式,发挥多机器学习模型的优势,分别用3模型进行训练,并调优;使用三层级联的架构以及stacking融合的方式将模型融合;方法简单易用,应用前景广阔。
  • 自适应特征处理方法及装置-201910722239.2
  • 李倩兰;袁灿;于政 - 北京明略软件系统有限公司
  • 2019-08-06 - 2019-11-12 - G06K9/62
  • 本发明提供了一种自适应特征处理方法及装置,该方法包括:将数据列分成不同类型的特征列,其中,所述特征列的类型至少包括以下之一:离散、连续、日期和文本;对分类后的特征列进行特征预处理;对预处理后的特征列进行筛选获得用于模型训练的特征数据。在本发明中,通过实现自适应特征处理,从而能够有效降低特征处理技术门槛,提升工作效率。
  • 一种基于相位拉伸理论与HSI变换的图像融合方法-201910723393.1
  • 张亚峰;王瑞尧;王冠;何丹丹;李宁;王艳辉;张晓朋 - 平顶山学院
  • 2019-08-06 - 2019-11-12 - G06K9/62
  • 本发明公开了一种基于相位拉伸理论与HSI变换的图像融合方法,包括以下步骤,构造拉伸核函数,给出PST能够表征图像高频细节信息的理论依据,对左、右聚焦图像做HSI变换,将新的H、S、I分量进行HSI反变换,得到融合结果,验证算法的有效性;本发明算法的主要特点是:利用本发明方法,可以将不同传感器获取的部分聚焦图象进行处理,得到全图象聚焦清晰一致、信息更加丰富的图像,本发明所提方法,论述了多聚焦图像融合的具体思路与实现结果,说明本文算法在融合结果信息量保持、边缘信息保留能力及清晰度等方面具有较好的表现,验证了本文算法的合理性、优越性与有效性。
  • 一种结合跨模态关联关系模型的肌电信号手势识别方法-201910725778.1
  • 耿卫东;胡钰;戴青锋 - 浙江大学
  • 2019-08-07 - 2019-11-12 - G06K9/62
  • 本发明公开了一种结合跨模态关联关系模型的肌电信号手势识别方法,步骤如下:设计一种结合深度学习和对抗学习的跨模态关联关系模型,并对其网络结构参数进行优化;将肌电信号和跨模态关联关系模型生成的虚拟手部姿态作为输入,设计一种基于多模态融合的手势分类深度学习框架,并对其网络结构参数进行优化;将测试数据输入到训练好的跨模态关联模型中,输出虚拟手部姿态,再由虚拟手部姿态与肌电信号输入到训练好的手势分类模型中得到手势类别。本发明基于跨模态关联关系模型及多模态融合的深度学习框架对手势进行识别。使用基于生成式对抗网络的跨模态关联关系模型和多模态融合的肌电手势识别方法能够有效提升基于单帧的手势识别率。
  • 基于机器学习的景区客流量预测方法及装置-201910728598.9
  • 龚小龙;杜姗;魏薇郦;杜兆顺 - 中国工商银行股份有限公司
  • 2019-08-08 - 2019-11-12 - G06K9/62
  • 本发明实施例公开了一种基于机器学习的景区客流量预测方法及装置,该方法包括:根据获取的景区历史流水数据以及景区特色数据生成景区的历史客流特征数据;根据所述历史客流特征数据以及预设的多种机器学习算法分别训练出各机器学习算法对应的客流量预测模型;对各机器学习算法对应的客流量预测模型的预测效果进行评估,并根据评估结果从各机器学习算法对应的客流量预测模型中选择出多个预测效果较好的客流量预测模型;确定选择出的客流量预测模型的权重向量,并根据所述权重向量以及选择出的客流量预测模型进行景区客流量预测。本发明解决了现有技术的景区客流预测准确性不足的技术问题。
  • 故障指示器的翻牌识别方法、装置与配电网故障监测系统-201910733437.9
  • 莫宇;凌万水;蒋宏图 - 上海金智晟东电力科技有限公司
  • 2019-08-07 - 2019-11-12 - G06K9/62
  • 本发明提供了一种故障指示器的翻牌识别方法、装置与配电网故障监测系统,该方法,包括:通过图像采集部件采集所述故障指示器的至少一个目标图片;比对每个目标图片与其对应的所述故障指示器的参考图片,确定图片相似度信息,所述图片相似度信息用于表征所述目标图片与所述参考图片之间的相似度;根据所述图片相似度信息,确定所述故障指示器是否发生翻牌。可见,本发明能够利用采集到的目标图像自动判断故障指示器是否发生了翻转。
  • 一种纸档资料电子化的方法、装置和电子设备-201910733992.1
  • 刘志刚 - 上海尧眸电气科技有限公司
  • 2019-08-09 - 2019-11-12 - G06K9/62
  • 本说明书实施例提供一种纸档资料电子化的方法,通过获取目标图像,目标图像为待电子化的纸档资料的图像,根据目标图像的页面特征确定所述目标图像的类别,根据与所述目标图像的类别对应的光学字符识别模板对所述目标图像进行电子化识别。通过根据页面特征自动地进行分类,不需要人工的对纸档资料或者其图像进行分类,操作简单,提高了纸档资料电子化的分类效率。
  • 一种基于主成分分析和聚类分析的深度神经网络方法-201910734831.4
  • 金勇 - 武汉烽火普天信息技术有限公司
  • 2019-08-09 - 2019-11-12 - G06K9/62
  • 本发明涉及一种基于主成分分析和聚类分析的深度神经网络方法,具体包括以下步骤:S1:将标签数据划分为训练数据和测试数据,训练数据用于模型的训练学习;S2:利用PCA将训练数据的所有初始数据特征进行特征降维,提取新的主成分;S3:根据PCA提取的主成分,对所有训练样本进行K‑Means聚类分析;S4:将上层数据结果作为输入,再结合聚类得到的标签,组成单层神经网络进行训练,得到网络权重参数。本发明提出的一种基于主成分分析和聚类分析的深度神经网络方法,将统计特征学习方法与神经网络的结合应用,从训练过程中优化了传统多层神经网络的训练方式,针对普通深度神经网络的学习,得到了更好的测试效果。
  • 事件相似度的确定方法及装置-201910745487.9
  • 喻守益;蔡文滨;崔峭 - 北京明略软件系统有限公司
  • 2019-08-13 - 2019-11-12 - G06K9/62
  • 本发明提供了一种事件相似度的确定方法及装置。该方法包括:根据第一事件的N个属性中的离散属性和第二事件的M个属性中的离散属性获取第一参数,其中,第一参数表示离散属性的相关性;根据第一事件的N个属性中的连续属性和第二事件的M个属性中的连续属性获取第二参数,其中,第二参数表示第一事件和第二事件之间的连续属性的相关性;根据第一参数和第二参数确定第一事件和第二事件之间的关联系数;在关联系数大于预定阈值的情况下,确定第一事件和第二事件为相似事件,解决相关技术中,在对两事件之间的相关性确定的过程中,无法简单、有效的获取两事件之间的相关性系数的权重,以及导致判断两事件相关性的准确性低的问题。
  • 图像处理方法、装置、服务器及可读存储介质-201910762042.1
  • 胡仁伟;张会杰;陈效友 - 北京知道创宇信息技术股份有限公司
  • 2019-08-16 - 2019-11-12 - G06K9/62
  • 本申请提供一种图像处理方法、装置、服务器及可读存储介质,涉及计算机图像处理技术领域。该方法包括:获取待处理图像,待处理图像包括采集电力设备得到的红外图像;通过完成训练后的深度学习模型提取待处理图像在第一预设卷积层的第一图像特征,以及提取待处理图像在第二预设卷积层的第二图像特征;根据第一图像特征及第二图像特征对第一图像特征、第二图像特征进行特征融合,并对融合后得到的图像特征进行特征提取,得到目标特征;通过深度学习模型根据目标特征对待处理图像进行识别,得到待处理图像中表示电力设备的类型的识别结果,能够改善电力设备红外图像识别结果准确度差的问题。
  • 基于长短期记忆网络和人脸关键点的相貌评估方法-201910762208.X
  • 程建;周晓晔;刘济樾;林莉;许轲 - 电子科技大学
  • 2019-08-19 - 2019-11-12 - G06K9/62
  • 本发明涉及基于长短期记忆网络和人脸关键点的相貌评估方法,包括:A.采集输入图像中人脸的关键点,将预处理后的人脸数据分为训练集和测试集;B.构建包括前端网络和后端网络的深度学习模型,并完成对所述深度学习模型的初始化,在前端网络中包括不含全局平均池化层和全连接层的Resnext‑50神经网络,在后端网络中包括一个长短期记忆网络和一个全连接层;C.将训练集的数据输入到初始化后的深度学习模型中对深度学习模型进行训练,得到优化后的深度学习模型;D.将所述测试集的数据输入到优化后的深度学习模型,得到人脸相貌评估的结果。本发明大幅度减少了人脸相貌评估过程中的回归误,并且得到了更准确的人脸相貌评估效果。
  • 相似图片的识别方法和装置、服务器、存储介质-201710945888.X
  • 高增 - 杭州贝购科技有限公司
  • 2017-10-12 - 2019-11-12 - G06K9/62
  • 本发明实施例公开了一种相似图片的识别方法和装置、服务器、存储介质。其中,该方法包括:利用图片平均哈希算法计算得到每幅图片的低维度特征向量哈希码;将每幅图片的低维度特征向量哈希码,按照预设规则统一划分为至少两个哈希码块,其中,每个哈希码块对应一个位置索引;在每幅图片的至少两个哈希码块中,将同一位置索引存在相同的哈希码块的图片划分到同一个簇中,得到多个图片簇;在每个图片簇中,根据各图片之间除所述同一位置索引对应的相同哈希码块之外的哈希码块的距离来识别相似图片。本发明实施例降低了相似图片识别的计算复杂度,减小了计算量,实现了图片相似度的高效计算。
  • 基于Caffe的数据处理方法、装置和相关产品-201811639458.6
  • 不公告发明人 - 北京中科寒武纪科技有限公司
  • 2018-12-29 - 2019-11-12 - G06K9/62
  • 本申请涉及一种基于Caffe的数据处理方法、装置和相关产品,根据配置命令在Caffe文件中定义标准化参数和CNN首层卷积层的算子类型,得到配置后Caffe文件,然后对配置后Caffe文件编译为可执行文件,并将可执行文件在人工智能处理器上运行,使人工智能处理器对卷积层的输入数据进行特征标准化,并对特征标准化后的数据执行卷积运算。该方法是将输入数据的特征标准化放进了层里进行,且在Caffe文件中定义的算子为人工智能处理器可直接操作的算子,这样,人工智能处理器就可以将输入数据的标准化处理和卷积运算融合在一起进行,大大提高了卷积神经网络进行图像数识别的效率,进一步可以使深度学习相关应用任务更加高效。
  • 图像处理装置、图像处理方法和记录介质-201880019728.5
  • 中山皓 - 日本电气株式会社
  • 2018-03-09 - 2019-11-12 - G06K9/62
  • 一种图像处理装置,具有提取单元,其通过在原始图像中使用预定滑动窗来提取图像数据;学习单元,其通过使用表示图像数据的分类的示教信号对包括图像数据的学习数据执行机器学习来生成预测模型;以及选择单元,其从与图像数据不同的其他图像数据中选择其中基于预测模型的分类中的误差大于预定阈值的另一图像数据,并且将所选择的另一图像数据添加到学习数据,并且该学习单元通过在添加另一图像数据的学习数据中重复机器学习来更新预测模型。
  • 预测对象类别的系统和方法-201880020197.1
  • 秦志伟;卓呈祥;谭伟 - 北京嘀嘀无限科技发展有限公司
  • 2018-03-16 - 2019-11-12 - G06K9/62
  • 本申请披露了预测对象类别的系统和方法。可以获取与第一对象组有关的数据。第一对象组可包括至少两个第一对象(1010,1030)和至少两个第二对象(1020,1040)。可以为第一对象组中的每个对象确定预测标签。可以确定关于第一对象组的初始标签转换矩阵(1065)。可以获取一个或以上第二对象(1020,1040)的子集(1050)。可以生成一个或以上对象组合子集(1060)。可以确定与一个或以上对象组合子集(1060)中的每个对象组合子集相关联的类别预测模型(1070)和更新的标签转换矩阵(1080)。可以预测至少两个第二对象(1020,1040)中的至少一个第二对象的类别。
  • 一种融合无监督学习和监督学习的反馈式分类方法-201910510414.1
  • 李刚;张政儒;许仕杰;蒋永华;焦卫东 - 浙江师范大学
  • 2019-06-13 - 2019-11-08 - G06K9/62
  • 本发明涉及一种融合无监督学习和监督学习的反馈式分类方法:通过无监督学习对原始特征集合进行分类,获得带标签信息的分类结果;将分类结果随机均分为训练组和对照组,训练组作为监督学习的输入,采用特征选择算法,使监督学习的分类准确率最高,并获得对应的特征子集;重构对照组特征集合,即依据特征子集的特征类别提取对照组特征集合相对应的特征子集,将重构后的对照组特征集合作为训练组获得的监督学习模型的输入,计算其分类准确率;通过设定分类准确率阈值作为迭代的终止条件,分类准确率高于预设阈值则终止迭代,获得分类结果,否则重构原始特征集合,并依次迭代,直到满足预设条件。该分类方法对未知分类标签的分类问题具有很好的适应性、准确性。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top