“希滕”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160个，建议您升级VIP下载更多相关专利

[发明专利]神经网络模型的量化方法和装置-CN202010144339.4在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-03-04 - 公布日： 2021-09-07 - 主分类号： G06N3/08 文献下载
摘要：本公开涉及人工智能领域。本公开的实施例公开了神经网络模型的量化方法和装置。该方法包括：获取通过迭代执行多次搜索操作确定的神经网络模型各网络层的量化因子；基于获取到的量化因子对神经网络模型进行量化；搜索操作包括：从预设的量化方法搜索空间搜索出候选量化因子集合，基于候选量化因子集合对神经网络模型进行量化得到候选网络模型，候选量化因子集合包括与神经网络模型的各网络层分别对应的候选量化因子；基于候选网络模型的性能进行反向传播以更新搜索出的候选量化因子集合；响应于确定候选网络模型的性能满足预设的收敛条件，基于当前的候选量化因子集合确定出神经网络模型的各网络层的量化因子。该方法可以减小模型的量化损失。
神经网络模型量化方法装置

[发明专利]模型生成方法和装置-CN202010025290.0在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-01-10 - 公布日： 2021-07-16 - 主分类号： G06N3/08 文献下载
摘要：本公开涉及人工智能领域。本公开的实施例公开了模型生成方法和装置。该方法包括：通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型；迭代操作包括：基于当前的奖励反馈值以及预设的中间监督策略搜索空间确定出预设的神经网络模型在当前迭代操作中的中间监督策略；基于在当前的迭代操作中确定出的中间监督策略对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，停止迭代操作，基于当前迭代操作中训练后的神经网络模型的参数生成用于执行深度学习任务的神经网络模型。该方法可以加快神经网络的训练速度。
模型生成方法装置

[发明专利]模型生成方法和装置-CN202010025321.2在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-01-10 - 公布日： 2021-07-13 - 主分类号： G06N3/04 文献下载
摘要：本公开涉及人工智能领域。本公开的实施例公开了模型生成方法和装置。该方法包括：通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，当前损失函数包括预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的神经网络模型生成用于检测目标对象的关键点的神经网络模型。该方法提升了神经网络模型的训练效率。
模型生成方法装置

[发明专利]数据队列动态更新方法、装置、电子设备及存储介质-CN202110327593.2在审
发明人：希滕;李弼;张刚 -专利权人：北京百度网讯科技有限公司
申请日： 2021-03-26 - 公布日： 2021-06-25 - 主分类号： G06K9/00 文献下载
摘要：本公开提供了一种数据队列动态更新方法、装置、电子设备及存储介质，涉及计算机视觉和深度学习技术领域。具体实现方案为：根据第一模型对图像数据进行特征提取，得到第一图像特征队列；从图像数据中提取第一组图像，根据第二模型对第一组图像进行特征提取，得到第一组图像特征；根据第一模型对第二组图像进行特征提取，得到第二组图像特征；进行模型训练的过程中，对第一图像特征队列进行动态更新。采用本公开，可以保证包含各类场景特征的数据队列的准确性及数据全面性，从而提高了硬件的处理速度及处理准确率。
数据队列动态更新方法装置电子设备存储介质

[发明专利]图像识别方法及装置、神经网络模型的训练方法及装置-CN202110127552.9在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2021-01-29 - 公布日： 2021-05-11 - 主分类号： G06K9/62 文献下载
摘要：本公开提供了一种图像识别方法及装置、神经网络模型的训练方法及装置，涉及人工智能领域，具体为计算机视觉和深度学习领域。实现方案为：将待识别图像输入神经网络模型；以及至少基于多个网络模块中靠近神经网络模型的输入侧的部分网络模块执行对待识别图像的识别，其中，针对至少一个超网络模块中任一超网络模块及其所对应的预测器，在该超网络模块接收到上一个网络模块所输出的特征图的情况下，将特征图输入与该超网络模块所对应的预测器，以获取该预测器所输出的预测值，基于预测值，确定该超网络模块的至少两个子网络中的一个子网络为选中子网络，以及在该超网络模块中，利用选中子网络执行对待识别图像的识别。
图像识别方法装置神经网络模型训练

[发明专利]神经网络模型的训练方法及装置、图像识别方法及装置-CN202110129925.6在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2021-01-29 - 公布日： 2021-05-11 - 主分类号： G06N3/08 文献下载
摘要：本公开提供了一种神经网络模型的训练方法及装置、图像识别方法及装置，涉及人工智能领域，具体为计算机视觉和深度学习领域。实现方案为：获取至少两个具有不同识别难度级的训练集；根据多个网络模块中每一个网络模块在神经网络模型中的位置，确定该网络模块所对应的训练集，其中，针对多个网络模块中任意两个网络模块，其中靠近神经网络模型的输入侧的网络模块所对应的训练集的识别难度级不大于其中另一个网络模块所对应的训练集的识别难度级；以及利用多个网络模块中每一个网络模块所对应的训练集，对该网络模块的参数进行调整。
神经网络模型训练方法装置图像识别

[发明专利]超网络的训练方法、装置、电子设备和存储介质-CN202110080416.9在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2021-01-21 - 公布日： 2021-05-11 - 主分类号： G06N3/04 文献下载
摘要：本公开提供了一种超网络的训练方法、装置、电子设备和存储介质，涉及人工智能领域，尤其涉及计算机视觉和深度学习等领域。具体实现方案为：基于预设超网络进行N次迭代操作，得到目标超网络；其中，N次迭代操作中的第i次迭代操作，包括：在使用第i‑1组超网络参数的预设超网络的搜索空间中选取m个子网络；基于第i‑1组超网络参数对m个子网络进行评估，得到第i个概率模型；基于第i‑1个概率模型的超参数与第i个概率模型的超参数之间的互信息，得到第i组超网络参数；在i等于预设阈值N的情况下，将使用第i组超网络参数的预设超网络作为目标超网络。根据本公开实施例的方案，可以提升搜索到的子网络的性能。
网络训练方法装置电子设备存储介质

[发明专利]超网络的训练方法、装置、电子设备和存储介质-CN202110080434.7在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2021-01-21 - 公布日： 2021-05-11 - 主分类号： G06N3/04 文献下载
摘要：本公开提供了超网络的训练方法、装置、电子设备和存储介质，涉及人工智能领域，尤其涉及计算机视觉和深度学习等领域。具体实现方案为：基于预设超网络进行N次迭代操作，得到目标超网络；其中，N次迭代操作中的第i次迭代操作，包括：将预设分辨率的i倍作为特征图分辨率，基于特征图分辨率和预设骨架结构得到扩展子网络；基于扩展子网络，更新预设超网络，并对更新后的预设超网络进行训练，得到收敛的超网络；在i等于预设阈值N的情况下，将收敛的超网络确定为目标超网络。根据本公开实施例，可以提升在目标超网络的搜索空间中搜索到的子网络在图像处理场景中的性能。
网络训练方法装置电子设备存储介质

[发明专利]模型搜索方法、装置、电子设备、存储介质和程序产品-CN202011509347.0在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-12-18 - 公布日： 2021-03-30 - 主分类号： G06F16/9032 文献下载
摘要：本公开公开了模型搜索方法、装置、电子设备、存储介质和程序产品，涉及计算机视觉和深度学习技术领域。具体实现方案为：基于搜索空间中的多个模型结构在第一任务上的性能信息，确定初始概率分布模型，所述初始概率分布模型用于确定模型结构在所述第一任务上的性能信息；在所述搜索空间中采样第一模型结构；根据所述第一模型结构在第二任务上性能信息，对所述初始概率分布模型的超参数进行更新，得到目标概率分布模型；基于所述目标概率分布模型，从所述搜索空间中搜索得到目标模型结构。本公开可以提高模型搜索的效率。
模型搜索方法装置电子设备存储介质程序产品

[发明专利]模型获取方法、装置、电子设备、存储介质和程序产品-CN202011509351.7在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-12-18 - 公布日： 2021-03-30 - 主分类号： G06N3/08 文献下载
摘要：本公开公开了一种模型获取方法、装置、电子设备、存储介质和程序产品，涉及计算机视觉和深度学习技术领域。具体实现方案为：获取参考模型输出的M个第一软标签，其中，所述M个第一软标签分别与所述参考模型的M个目标连接层一一对应；依据所述M个第一软标签对超网络中的子网络的中间节点的连接参数进行更新，得到目标模型；其中，所述子网络的第i个中间节点是基于第i个目标连接层对应的第一软件标签进行更新，所述第i个中间节点位于所述超网络包括的M个连接层中的第i个连接层。本公开可以提高更新得到的目标模型与超网络之间性能的一致性。
模型获取方法装置电子设备存储介质程序产品

[发明专利]多模型融合方法、装置、电子设备和存储介质-CN202011513362.2在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-12-18 - 公布日： 2021-03-26 - 主分类号： G06F16/9535 文献下载
摘要：本申请公开了多模型融合方法、装置、电子设备和存储介质，涉及计算机视觉、深度学习技术等人工智能领域。多模型融合方法具体实现方案为：获取用于表征模型结构和模型性能之间的关系的概率模型；从超网络的搜索空间中搜索多组候选模型组，其中，超网络中包括用于构造模型结构的可选子结构，每组候选模型组中包括多个模型结构；根据概率模型的超参数分别评估每组候选模型组的信息熵；以及根据每组候选模型组的信息熵从多组候选模型组中确定用于多模型融合的目标模型组，以便基于目标模型组中的模型结构进行多模型融合。
模型融合方法装置电子设备存储介质

[发明专利]模型搜索方法、装置、电子设备、存储介质和程序产品-CN202011509331.X在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-12-18 - 公布日： 2021-03-19 - 主分类号： G06F16/953 文献下载
摘要：本公开公开了一种模型搜索方法、装置、电子设备、存储介质和程序产品，涉及计算机视觉和深度学习技术领域。具体实现方案为：确定初始搜索空间的目标概率分布模型，所述目标概率分布模型用于确定所述初始搜索空间中的模型结构的性能信息；在所述初始搜索空间中采样n个第一子搜索空间；基于所述目标概率分布模型，在所述n个第一子搜索空间中确定第一目标子搜索空间，其中，所述第一目标子搜索空间为所述n个第一子搜索空间中性能最优的第一子搜索空间，所述n为大于1的整数；从所述第一目标子搜索空间中搜索目标模型结构。本公开可以提高模型搜索的效率。
模型搜索方法装置电子设备存储介质程序产品

[发明专利]模型搜索方法、装置、电子设备、存储介质和程序产品-CN202011509349.X在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-12-18 - 公布日： 2021-03-16 - 主分类号： G06F16/953 文献下载
摘要：本公开公开了一种模型搜索方法、装置、电子设备、存储介质和程序产品，涉及计算机视觉和深度学习技术领域。具体实现方案为：确定初始搜索空间，其中，所述初始搜索空间包括至少两个操作层，所述至少两个操作层中的每个操作层均包括多个操作选项；将所述初始搜索空间中的目标操作层的N个操作选项更新为M个操作选项，得到第一目标搜索空间，所述M个操作选项为所述N个操作选项中模型结构性能在高到低的排序中的前M个操作选项，所述M小于所述N；从所述第一目标搜索空间中搜索得到目标模型结构。本公开可以提高模型搜索的效率。
模型搜索方法装置电子设备存储介质程序产品

[发明专利]模型超参数的确定方法及设备、计算设备和介质-CN202011148115.7在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-10-23 - 公布日： 2021-01-19 - 主分类号： G06N3/04 文献下载
摘要：本公开提供一种神经网络模型的超参数确定方法及设备、计算设备和介质，涉及人工智能技术领域，具体涉及深度学习、计算机视觉技术领域，可用于图像处理场景。该神经网络模型的超参数确定方法包括：在神经网络模型中构建多个搜索空间；针对多个搜索空间中的每一个搜索空间，分别获取相对应的超参数取值集合；获取由编码器生成的一组编码，其中一组编码中的编码个数与多个搜索空间的个数相同；以及根据一组编码和所获取的超参数取值集合确定每一个搜索空间所对应的超参数值。
模型参数确定方法设备计算介质

[发明专利]确定网络模型剪枝策略的方法、装置、设备以及存储介质-CN202011147374.8在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-10-23 - 公布日： 2020-12-29 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开了确定网络模型剪枝策略的方法、装置、设备以及存储介质，涉及计算机视觉、深度学习等人工智能技术领域，具体可用于图像处理场景。该方法包括：采用针对目标硬件的网络模型的BN阈值搜索空间的配置信息，生成BN阈值搜索空间；采用BN阈值搜索空间，生成剪枝策略编码生成器；采用剪枝策略编码生成器，随机生成BN阈值编码；对BN阈值编码进行解码，得到待选BN阈值；根据对应于待选BN阈值的网络模型的剪枝精度损失，确定用于目标硬件的网络模型的目标剪枝策略，通过自动搜索的方式得到最优的BN阈值，并用BN阈值代替通道重要性对网络模型进行剪枝，进而大幅度降低网络模型的剪枝后精度损失。
确定网络模型剪枝策略方法装置设备以及存储介质