“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]基于卷积核的超网络搜索方法、装置、设备和介质-CN202010707538.1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： 2020-07-21 - 公布日： 2020-11-03 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了一种基于卷积核的超网络搜索方法、装置、设备和介质，涉及人工智能、深度学习、神经网络架构搜索和计算机视觉技术。具体实现方案为：训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。本申请保证超网络与子网络的一致性，提升模型在特定硬件上的速度和精度，降低产品的成本。
基于卷积网络搜索方法装置设备介质

[发明专利]基于超网络的模型获取方法、装置、设备及存储介质-CN202010605372.2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： 2020-06-29 - 公布日： 2020-10-16 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了基于超网络的模型获取方法、装置、设备及存储介质，涉及深度学习、计算机视觉和图像处理。具体实现方案为：在训练过程中，根据损失函数，更新超网络的子网络中节点间连接的权重，损失函数是基于更新后的超网络的参数获得的；根据更新后的权重，获得参数重分布损失函数；根据参数重分布损失函数，更新超网络的参数；训练过程满足预设训练条件，删除超网络的子网络中最小权重对应的连接；根据删除连接后的超网络，确定目标模型；在训练开始前，超网络的子网络中节点间等权重连接。本申请使得超网络的参数对删除连接不敏感，以提升目标模型的性能，使得目标模型的精度较高、处理图像的速度较快；速度快可使用较便宜的芯片，节省成本。
基于网络模型获取方法装置设备存储介质

[发明专利]基于超网络的模型获取方法、装置、设备及存储介质-CN202010606935.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： 2020-06-29 - 公布日： 2020-10-16 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了基于超网络的模型获取方法、装置、设备及存储介质，涉及深度学习、计算机视觉和图像处理。具体实现方案为：获取至少两个超网络，至少两个超网络对应的网络结构相同，至少两个超网络的参数不同；基于至少两个超网络的参数，训练目标子网络，得到损失函数，目标子网络为随机从网络结构的搜索空间中选择的子网络；根据损失函数，更新至少两个超网络的参数；根据更新后的至少两个超网络，确定目标模型。在基于超网络的模型获取过程中通过自监督对超网络的参数的反向传播，来提升目标模型的性能，使得目标模型的精度较高，且处理图像的速度较快；进一步地，目标模型在硬件上的处理速度快就能使用较便宜的芯片，从而节省部署成本。
基于网络模型获取方法装置设备存储介质

[发明专利]模型生成方法、装置、电子设备及存储介质-CN202010598998.5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： 2020-06-28 - 公布日： 2020-10-13 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了模型生成方法、装置、电子设备及存储介质，涉及人工智能中深度学习、云计算及计算机视觉领域，具体用于戴口罩人脸检测方面。具体实现方案为：在执行第i次迭代操作的过程中，基于第i个模型编码生成器得到第i个待训练的模型，基于第i个延时惩罚编码生成器得到第i个延时惩罚策略；其中，i为大于等于1的整数；对所述第i个待训练的模型进行训练得到收敛的模型，确定是否将收敛的模型作为搜索得到的目标模型。
模型生成方法装置电子设备存储介质

[发明专利]模型生成方法、装置、电子设备及存储介质-CN202010599118.6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： 2020-06-28 - 公布日： 2020-10-13 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了模型生成方法、装置、电子设备及存储介质，涉及人工智能中深度学习、云计算及计算机视觉领域，具体用于戴口罩人脸检测方面。具体实现方案为：获取第一模型；执行N次迭代操作搜索得到目标模型；其中，N为大于等于2的整数；其中，所述N次迭代操作中的第i次迭代操作包括：基于量化搜索空间以及第i个量化编码生成器确定第i个量化策略，基于所述第i个量化策略、以及所述第一模型，对第二模型进行第i次迭代操作；其中，其中，所述第二模型的网络复杂度低于第一模型的网络复杂度；若迭代操作的次数达到预设的次数阈值N，则将所述第i次迭代操作中得到的第二模型的量化后的模型，作为所述目标模型。
模型生成方法装置电子设备存储介质

[发明专利]神经网络的融合方法和装置-CN202010601420.0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： 2020-06-29 - 公布日： 2020-10-13 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了神经网络的融合方法和装置，涉及人工智能、云计算、深度学习技术领域，可用于图像处理。具体实施方式包括：确定搜索空间，其中，该搜索空间用于从多个候选神经网络中选取进行特征融合的至少两个候选神经网络并确定特征融合方式；获取该搜索空间的搜索参数的参数值；采用该参数值，在该搜索空间中搜索该至少两个候选神经网络，其中，每轮次搜索采用与该轮次搜索相对应的参数值；将搜索到该至少两个候选神经网络的轮次所对应的参数值中，与特征融合关联的参数值作为该特征融合方式。本申请可以通过在搜索空间中搜索的方式，提升神经网络的融合效果。并且，通过获取搜索参数的参数值，还可以提高融合速度。
神经网络融合方法装置

[发明专利]神经网络的训练方法和装置-CN202010601427.2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： 2020-06-29 - 公布日： 2020-10-13 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了神经网络的训练方法和装置，涉及人工智能、深度学习技术领域，可用于图像处理。具体实施方式包括：获取待训练的神经网络，启动对所述神经网络的训练，其中，对所述神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；响应于达到训练中的任一预设迭代轮次，在所述不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；响应于完成对所述神经网络的所述至少两轮次迭代，基于所述至少两轮次迭代后的神经网络，得到训练后的神经网络。本申请可以采用不同的衰减速度，实现了学习率的异步衰减，从而促进了训练过程中神经网络的收敛。并且，采用分布式的训练方式，提升了训练速度。
神经网络训练方法装置

[发明专利]神经网络的处理方法和装置-CN202010601501.0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： 2020-06-29 - 公布日： 2020-10-13 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了神经网络的处理方法和装置，涉及人工智能、云计算、深度学习技术领域，可用于图像处理。具体实施方式包括：获取预先训练的多个候选神经网络以及多个候选神经网络中各个候选神经网络的标识；确定搜索空间，其中，搜索空间用于从各个标识中选取进行特征融合的至少两个候选神经网络的标识并确定特征融合方式；获取搜索空间的搜索参数的参数值；采用参数值，在搜索空间中搜索至少两个候选神经网络的标识；将搜索到至少两个候选神经网络的标识的轮次所对应的参数值中，与特征融合关联的参数值作为特征融合方式。本申请可以通过在搜索空间中搜索的方式，提升神经网络的融合效果，并通过获取搜索参数的参数值，可以提高融合速度。
神经网络处理方法装置

[发明专利]神经网络的训练方法和装置-CN202010601850.2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： 2020-06-29 - 公布日： 2020-10-09 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了神经网络的训练方法和装置，涉及人工智能、深度学习技术领域，可用于图像处理。具体实施方式包括：获取待训练的神经网络；确定搜索空间，其中，搜索空间用于确定神经网络在训练中学习率的衰减方式，不同的衰减方式所对应的、学习率的衰减参数的参数值不同；基于各个候选衰减方式，在搜索空间中搜索一个候选衰减方式作为目标衰减方式，其中，每次搜索基于不同的衰减方式且对神经网络进行至少两个轮次迭代的训练。本申请可以在搜索空间中搜索出学习率在训练中的衰减方式，从而可以提升确定衰减方式的效果，以得到更加适于神经网络收敛的衰减方式，提升了收敛速度。
神经网络训练方法装置

[发明专利]模型生成方法、装置、电子设备及存储介质-CN202010599153.8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： 2020-06-28 - 公布日： 2020-10-09 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了模型生成方法、装置、电子设备及存储介质，涉及人工智能中深度学习、云计算及计算机视觉领域，具体用于戴口罩人脸检测方面。具体实现方案为：获取第一模型以及待训练的第二模型；其中，所述待训练的第二模型的网络复杂度低于第一模型；基于所述第一模型以及待训练的第二模型进行多次第一迭代处理，得到第二模型；对所述第二模型进行量化处理得到目标模型。
模型生成方法装置电子设备存储介质

[发明专利]模型生成方法、装置、电子设备及存储介质-CN202010599167.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： 2020-06-28 - 公布日： 2020-10-09 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了模型生成方法、装置、电子设备及存储介质，涉及人工智能中深度学习、云计算及计算机视觉领域，具体用于戴口罩人脸检测方面。具体实现方案为：获取第一模型；执行N次迭代操作搜索得到目标模型；其中，N为大于等于2的整数；其中，在所述N次迭代操作中的第i次迭代操作中，基于第i个模型编码生成器得到第i个待训练的第二模型；其中，i为大于等于1且小于等于N的整数；其中，所述待训练的第二模型的结构复杂度低于所述第一模型的结构复杂度；基于所述第一模型对第i个待训练的第二模型进行蒸馏，得到第二模型；若所述迭代操作的累计次数达到预设的次数阈值N，则将所述第二模型作为搜索得到的所述目标模型。
模型生成方法装置电子设备存储介质

[发明专利]模型生成方法、装置、电子设备及存储介质-CN202010599209.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： 2020-06-28 - 公布日： 2020-10-09 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了模型生成方法、装置、电子设备及存储介质，涉及人工智能中深度学习、云计算及计算机视觉领域，具体用于戴口罩人脸检测方面。具体实现方案为：获取预设模型；基于所述预设模型执行N次迭代操作得到目标模型；其中，N为大于等于2的整数；其中，所述N次迭代操作中的第i次迭代操作包括：基于第i个激活函数编码生成器得到第i组激活函数；其中，i为大于等于1且小于等于N的整数；对使用第i组激活函数的预设模型进行训练，得到收敛的模型；若所述迭代操作的累计次数达到预设的次数阈值N，则将所述第i组激活函数对应的收敛的模型作为所述目标模型。
模型生成方法装置电子设备存储介质

[发明专利]模型生成方法、装置、电子设备及存储介质-CN202010599287.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： 2020-06-28 - 公布日： 2020-10-09 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了模型生成方法、装置、电子设备及存储介质，涉及人工智能中深度学习、云计算及计算机视觉领域，具体用于戴口罩人脸检测方面。具体实现方案为：获取第一模型；执行N次迭代操作搜索得到目标模型；其中，N为大于等于2的整数；其中，所述N次迭代操作中的第i次迭代操作包括：基于激活函数搜索空间以及第i个激活函数编码生成器确定第i个激活函数，基于所述第i个激活函数、以及所述第一模型，对第二模型进行第i次迭代操作；其中，所述第二模型的网络复杂度低于第一模型的网络复杂度；若迭代操作的次数达到预设的次数阈值N，则将所述第i次迭代操作中得到的第二模型的量化后的模型，作为所述目标模型。
模型生成方法装置电子设备存储介质

[发明专利]超网络的训练方法和装置-CN202010567105.0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： 2020-06-19 - 公布日： 2020-10-02 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及人工智能、深度学习和图像处理技术领域，公开了超网络的训练方法和装置。该方法包括构建超网络的搜索空间并初始化超网络；执行迭代训练操作：采用超网络采样器对超网络的搜索空间进行修剪，基于修剪后的搜索空间采样第一子网络；采用样本媒体数据训练第一子网络，基于训练后的第一子网络的参数更新超网络，对迭代计数器的计数值加1；响应于确定迭代计数器的计数值达到预设的计数阈值，基于更新后的超网络以及修剪后的超网络的搜索空间确定第二子网络，测试第二子网络的性能；根据第二子网络的性能更新超网络采样器，响应于确定超网络未达到预设的收敛条件，基于更新后的超网络采样器执行迭代训练操作。该方法提升了超网络的准确性。
网络训练方法装置

[发明专利]神经网络模型的量化方法和装置-CN202010568260.4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： 2020-06-19 - 公布日： 2020-10-02 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了神经网络模型的量化方法和装置，涉及人工智能、深度学习和图像处理技术领域。该方法的一具体实施方式包括：基于当前的量化映射函数，对待量化的神经网络模型进行量化并测试基于当前的量化映射函数量化得到的当前量化后神经网络模型的性能，量化映射函数为预设的函数；基于当前量化后神经网络模型的性能对待量化的神经网络模型的参数和当前的量化映射函数的参数进行迭代调整；响应于确定当前量化后神经网络模型满足预设的收敛条件，确定当前量化后神经网络模型为目标神经网络模型。该实施方式提升了量化后神经网络模型的精度。
神经网络模型量化方法装置