“仇祎诚”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于卷积层相对信息熵的神经网络剪枝子网搜索方法-CN202310796834.7在审
发明人：牛力;程赵焜;沙枫;仇祎诚;宋文杰;廖佳纯 -专利权人：南湖实验室
申请日： 2023-06-29 - 公布日： 2023-10-10 - 主分类号： G06N3/082 文献下载
摘要：本方案公开了一种基于卷积层相对信息熵的神经网络剪枝子网搜索方法，该方法创新地利用了模型权重的信息熵来对不同卷积层的冗余度进行比较，各卷积层基于冗余程度的不同进行区别对待，冗余程度低的层剪枝时保留相对较大比例，而冗余度高的层剪枝时保留相对较小比例，使通过本方案得到的子网络具有更佳的网络性能，能够适用于任意比例范围(0～1之间)的神经网络剪枝需求，可以根据设定的剪枝保留比例需求，搜索大量符合要求的子网络，并利用有效的自适应批量归一化评估器从中选出最优子网络。
一种基于卷积相对信息神经网络剪枝子网搜索方法

[发明专利]基于深度学习和时序判定法的重复动作计数方法及框架-CN202211612025.8在审
发明人： 仇祎诚;牛力;沙枫;廖佳纯;宋文杰;张磊 -专利权人：南湖实验室
申请日： 2022-12-14 - 公布日： 2023-04-07 - 主分类号： G06V20/40 文献下载
摘要：本发明公开了一种基于深度学习和时序判定法的动作计数框架，该框架包括模型检测模块和时序判定模块，所述时序判定模块基于输入的包含特定重复动作的视频段进行判断。该基于深度学习和时序判定法的动作计数框架及构建方法解决了视频理解中对于开始结束信息无法有效预测的问题，提升了预测性能和效率；同时还解决了以往的重复动作计数模型在对于长时间段视频的动作计数预测中，因为采样帧的分布相对于视频长度会过于稀疏而导致的计数值有上限的问题，从而提升了重复动作计数模型的准确度性能。
基于深度学习时序判定重复动作计数方法框架

[发明专利]一种基于反向传播梯度筛选的异常检测方法及模型-CN202210973706.0在审
发明人： 仇祎诚;宋文杰;沙枫;廖佳纯;牛力;张磊;勾鹏;唐攀攀;刘昊 -专利权人：南湖实验室
申请日： 2022-08-15 - 公布日： 2022-11-11 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于反向传播梯度筛选的异常检测方法及模型，包括：S1.准备经过训练的异常检测模型；S2.将待预测图片输入异常检测模型进行一般的前向传播得到预测结果，当预测结果为异常时，执行步骤S3；S3.确定用于求梯度的特征图矩阵；S4.对预测结果进行反向传播计算得到特征图矩阵对应的梯度矩阵；S5.对梯度矩阵在横纵坐标的方向上求平均梯度得到平均梯度矩阵；S6.对平均梯度矩阵与特征图矩阵进行矩阵相乘操作并将各个通道的同位置元素的值进行累加得到梯度图；S7.基于步骤S6获取的梯度图进行梯度筛选得到异常感知区域。本发明在原有的基于深度神经网络的分类模型框架上实现扩展功能，在保持模型框架精简的同时能够实现异常区域的定位。
一种基于反向传播梯度筛选异常检测方法模型

[发明专利]一种基于目标重叠度计算和自适应调整的数据增强方法-CN202210274449.1有效
发明人： 仇祎诚;廖佳纯;牛力;沙枫;宋文杰;张磊;勾鹏;唐攀攀;刘昊 -专利权人：南湖实验室
申请日： 2022-03-21 - 公布日： 2022-07-26 - 主分类号： G06T5/00 文献下载
摘要：本发明提供了一种基于目标重叠度计算和自适应调整的数据增强方法，包括：S1、将已标注的目标检测任务的数据集作为对象；S2、对待扩展目标进行选择：选定一个或多个目标类别作为待扩展类别，筛选出整个数据集中包含所述待扩展类别的图片的集合作为待扩展集合，从整个数据集中随机选取一定比例数量的图片组成集合作为待生成集合；S3、所述待扩展集合与所述待生成集合中的图片随机组合，通过重叠度计算与自适应调整的方法，生成新图片与新标签以进行数据增强。本发明可以提升数据集中的图片数量、目标数量、目标与背景组合的多样性，提升深度神经网络模型的训练效率和性能。
一种基于目标重叠计算自适应调整数据增强方法

[发明专利]用于异常检测的对抗重构网络设计、训练方法及检测方法-CN202210068973.3有效
发明人：廖佳纯;牛力;沙枫;仇祎诚;宋文杰;张磊;勾鹏;唐攀攀;刘昊 -专利权人：南湖实验室
申请日： 2022-01-20 - 公布日： 2022-05-17 - 主分类号： G06F17/15 文献下载
摘要：本发明公开了一种用于异常检测的对抗重构网络设计、训练方法及检测方法，尤其涉及一种用于异常检测的可支持多段式训练的对抗重构网络损失函数设计方法，包括重构网络损失函数和判别网络损失函数，所述的重构网络损失函数包括重构损失函数和重构对抗损失函数，所述的判别网络损失函数包括真实图像判别损失函数和判别对抗损失函数，所述的重构损失函数用于评估重构网络的重构性能，真实图像判别损失函数用于评估判别网络的判别性能，所述的重构对抗损失函数和判别对抗损失函数用于重构网络和判别网络对抗训练的交互。前述对抗重构网络损失函数涉及方法为多段式训练策略提供基础，使模型训练更稳定，克服对抗重构网络的对抗训练不稳定的问题，保证最终的重构网络能够高效复原正常样本，且判别网络对正常样本赋高分。
用于异常检测对抗网络设计训练方法