[发明专利]一种在线模型自动训练及部署方法及系统有效
| 申请号： | 201910049968.6 | 申请日： | 2019-01-18 |
| 公开（公告）号： | CN109685160B | 公开（公告）日： | 2020-11-27 |
| 发明（设计）人： | 张发恩;秦永强;赵江华;郑韬;刘亚萍;周江涛 | 申请（专利权）人： | 创新奇智（合肥）科技有限公司 |
| 主分类号： | G06K9/66 | 分类号： | G06K9/66;G06K9/62 |
| 代理公司： | 北京中企鸿阳知识产权代理事务所(普通合伙) 11487 | 代理人： | 李斌 |
| 地址： | 230000 安徽省合肥市高新区习友路333*** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种在线模型自动训练及部署方法及系统，包括：在每个项目下添加相应的训练任务，并将训练任务上传至任务队列；由训练平台从训练队列中获取新的训练任务，开始执行模型训练，在训练结束后进行模型验证，将训练过程状态和模型验证结果上传到模型管理平台；将模型导出并上传到模型管理平台，由模型管理平台根据模型信息进行后续的模型测试和部署；当用户选择模型测试或部署时，由模型部署平台利用模型管理平台下载指定模型并进行模型测试和部署；当测试通过后，将该模型文件部署在运行平台实施，以满足训练任务的任务需求。本发明通过用户初始简单配置，即可完成模型的训练、测试和部署，做到简单操作、快速响应、持续迭代的目的。 | ||
| 搜索关键词： | 一种 在线 模型 自动 训练 部署 方法 系统 | ||
【主权项】：
1.一种在线模型自动训练及部署方法，其特征在于，包括如下步骤：步骤S1，接收用户设置的项目，并在每个所述项目下添加相应的训练任务，并将训练任务上传至任务队列；步骤S2，由训练平台自动从所述训练队列中获取新的训练任务，开始执行模型训练，在训练结束后进行模型验证，并将训练过程状态和模型验证结果上传到模型管理平台；步骤S3，将所述步骤S2中得到的模型信息导出并上传到模型管理平台，由所述模型管理平台根据所述模型信息进行后续的模型测试和部署；步骤S4，当用户选择模型测试或部署时，由模型部署平台利用所述模型管理平台下载指定模型并进行模型测试和部署；步骤S5，当测试通过后，将模型信息进行打包成模型文件，将该模型文件部署在运行平台实施，以满足所述训练任务的任务需求。
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创新奇智（合肥）科技有限公司，未经创新奇智（合肥）科技有限公司许可，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/patent/201910049968.6/，转载请声明来源钻瓜专利网。
- 同类专利
- 图像处理方法和装置-201910109938.X
- 喻冬东;王长虎 - 北京字节跳动网络技术有限公司
- 2019-01-31 - 2021-12-21 - G06K9/66
- 本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括：将目标图像的初始特征图像输入该第一网络的用于生成特征图像的卷积层；将该初始特征图像输入该第二网络的用于生成特征图像的卷积层，将该第一网络的其中一个用于生成特征图像的卷积层的结果输入第二网络的目标卷积层；利用基于该第一网络的输出所确定的损失值，以及基于该第二网络的输出所确定的损失值，训练该多任务学习模型。本申请的实施例提供的模型中的图像分割网络和关键点检测网络，不仅可以利用本网络卷积得到的特征，还可以利用另一条支路网络所得到的特征。这样，可以对不同网络中的特征进行融合，以得到目标图像的更加丰富的特征，避免遗漏部分特征。
- 一种人脸识别的姿态超完备人脸自动注册方法及其装置-201610958254.3
- 翟懿奎;马慧;徐颖 - 五邑大学;翟懿奎
- 2016-11-03 - 2021-10-08 - G06K9/66
- 本发明公开了一种人脸识别的姿态超完备人脸自动注册方法及其装置，通过建立人脸偏转角度的数学模型，并根据此模型辨别出姿态完备的人脸图像，从而在注册时排除姿态不完备的人脸图像，得到姿态超完备的人脸图像，解决了行业难题。又根据上述方法建立一种自动注册的装置，包括图像采集模块、人脸姿态辨别模块、注册模块和显示模块，通过这4大模块的互相配合得到姿态超完备的人脸图像，解决了行业难题。
- 机器学习辅助自改进对象识别系统和方法-201980076678.9
- 纳拉辛哈查里·纳拉娜·查克拉瓦蒂;闵国华;爱德华·L·希尔;布雷特·比尔布雷 - 定位成像有限公司
- 2019-09-19 - 2021-09-21 - G06K9/66
- 本发明公开了一种识别和跟踪对象的系统和方法，该系统和方法包括注册访问被指定用于保持对象的区域的人员的身份；捕获被指定用于保持对象的区域的图像；将图像的版本提交到深度神经网络，该深度神经网络被训练以检测和识别图像中的对象，如保持在指定区域中的那些对象；检测图像的该版本中的对象；使人员的所注册的身份与所检测的对象相关联；如果深度神经网络不能识别所检测的对象，则使用图像的该版本来重新训练深度神经网络；以及在所检测的对象位于被指定用于保持对象的区域中时，跟踪所检测的对象的位置。
- 一种基于动态深度置信网络的固体废弃物智能处理方法-201810768405.8
- 宋威;张士昱;王晨妮 - 江南大学
- 2018-07-13 - 2021-08-27 - G06K9/66
- 本发明提出一种基于动态深度置信网络的固体废弃物智能处理方法，属于深度学习、固体废弃物智能处理领域。该方法首先提出一种使用动态增减枝算法的DDBN，使DDBN在训练过程中根据当前训练情况增加隐藏层神经元和隐藏层，以及移除冗余神经元，有效的优化DDBN的网络结构。然后，利用DDBN能有效提取原始数据主要特征的优势，使用DDBN对固体废弃物随机、离散、非线性的特征向量进行有效的状态描述，使时间序列的状态特征更加易于鉴别，并确保不丢失原始数据的主要信息。同时，根据提取到的固体废弃物的状态描述，利用DDBN预测适合其状态的优化燃烧行为，减少了盲目燃烧行为对资源的浪费，实现对固体废弃物的智能处理。
- 智能体强化学习方法、装置、设备及介质-201810849877.6
- 刘春晓;薛洋;张伟;林倞 - 深圳市商汤科技有限公司
- 2018-07-28 - 2021-08-06 - G06K9/66
- 本申请的实施方式公开了一种智能体强化学习方法、装置、电子设备、计算机可读存储介质以及计算机程序，其中的方法包括：获取智能体针对当前环境图像进行决策所依据的关键视觉信息；获取所述当前环境图像的实际关键视觉信息；根据所述所依据的关键视觉信息以及所述实际关键视觉信息，确定注意力变化回报信息；根据所述注意力变化回报信息调整智能体强化学习的回报反馈。
- 门窗状态检测方法和装置-201510824836.8
- 游延筠;邢向坤;周卫 - 小米科技有限责任公司;深圳绿米联创科技有限公司
- 2015-11-24 - 2021-07-23 - G06K9/66
- 本公开是关于一种门窗状态检测方法和装置，该方法包括：获取门窗的运动数据；将所述门窗的运动数据与预先存储的所述门窗的状态特征进行比较，通过比较结果确定所述门窗状态；将所述门窗状态发送给用户。本公开的门窗状态检测方法，不仅可以检测门窗的打开和关闭，还可以检测门窗的开合角度或者滑动距离，实现门窗状态检测的精准感知和反馈。
- 一种包含两个CNN的深度学习模型的构建方法-201811127743.X
- 来文豪;周孟然;江白华;宋奇 - 安徽理工大学
- 2018-09-27 - 2021-05-04 - G06K9/66
- 本发明公开了一种新的深度学习模型的构建方法，具体是发明了一种包含两个结构相异的CNN且快速收敛的深度学习模型。本发明构建的深度学习模型中的两个CNN的卷积层、卷积核大小、池化层数和全连接方式均不相同，且每个CNN各分享一次其学习获得的特征信息，在分享或接受特征信息前，两个CNN均经历一次批归一化处理，若在特征信息分享时两CNN的通道数不同，调整通道数后，再做批归一化处理。当前深度学习模型提高性能的研究方向都是加深模型的网络深度，本发明提出的深度学习模型在不构建较深网络的前提下，提升了模型的性能，大大的加快网络的收敛速度，减少模型的参数，降低优秀的深度学习模型对计算机性能的严重依赖。
- 一种基于改进的darknet神经网络进行目标检测的方法和系统-201811036910.X
- 舒军;吴柯;李鑫武;涂杏;沈开斌;蒋明威;杨露;舒心怡;潘健;王淑青;陈张言;徐成鸿;李志魁;刘伟 - 湖北工业大学
- 2018-09-06 - 2021-04-16 - G06K9/66
- 本发明提出的一种基于改进的darknet神经网络进行目标检测的方法和系统，包括：采用固定相机连续获取训练样本图像，并对训练样本中的检测目标进行边框和类别的标注；通过旋转角度、调整饱和度、调整曝光量、调整色调来生成更多训练样本；基于改进的darknet神经网络构造图像检测模型；利用上述检测模型训练样本图像，并设置检测模型训练时的学习率及迭代次数，输出指定通道数的像素特征图片；每迭代一定次数保存相应的检测模型，直到指定迭代次数终止，并利用最终的检测模型进行相关图像目标检测。本发明对更加细微的物体有更好的识别度，提高图像保真度并改善了群体目标检测时的遮挡漏检情况。
- 基于卷积神经网络的图像处理方法和图像处理装置-201980001620.8
- 王云鹤;许春景;韩凯 - 华为技术有限公司
- 2019-09-04 - 2021-01-15 - G06K9/66
- 本申请公开了人工智能领域的一种基于卷积神经网络的图像处理方法和图像处理装置，该方法可包括：接收输入图像；对该输入图像进行预处理，得到预处理后的图像信息；利用卷积神经网络对该图像信息进行卷积操作，输出卷积操作结果；其中，在利用第n层卷积层对该图像信息进行卷积操作时，由该层卷积层的m个主卷积核得到r个辅卷积核之后，利用该层卷积层的m个主卷积核和r个辅卷积核分别对该图像信息做卷积运算，将得到的多个特征图进行拼接得到该层卷积层的卷积操作结果。本申请实施例中，图像处理装置可存储各卷积层的主卷积核，在利用各卷积层执行卷积操作之前利用各卷积层的主卷积核生成辅卷积核，可以减少卷积神经网络占用的内存。
- 物体检测装置及方法、终端设备-201910542145.7
- 康昊;谭志明 - 富士通株式会社
- 2019-06-21 - 2020-12-22 - G06K9/66
- 本发明实施例提供一种物体检测装置及方法、终端设备，由于用于特征提取的混洗单元中的所有卷积层的输入通道和输出通道的数量相同，不需要进行特征的扩展和压缩，从而降低了对处理器的内存和性能要求并提高了处理速度，另外，该混洗单元具有至少一个深度可分离卷积层，大大降低了FLOPs等对于处理器的内存和性能要求，同时，相比于Yolo‑Darknet53等网络，其对处理器的要求大大降低而识别精度几乎相同，因此，提供了一种轻量化、处理速度快且识别精度较高的检测方法，从而能够应用于内存和性能有限的终端设备上，并获得较好的识别效果。
- 一种在线模型自动训练及部署方法及系统-201910049968.6
- 张发恩;秦永强;赵江华;郑韬;刘亚萍;周江涛 - 创新奇智（合肥）科技有限公司
- 2019-01-18 - 2020-11-27 - G06K9/66
- 本发明提出了一种在线模型自动训练及部署方法及系统，包括：在每个项目下添加相应的训练任务，并将训练任务上传至任务队列；由训练平台从训练队列中获取新的训练任务，开始执行模型训练，在训练结束后进行模型验证，将训练过程状态和模型验证结果上传到模型管理平台；将模型导出并上传到模型管理平台，由模型管理平台根据模型信息进行后续的模型测试和部署；当用户选择模型测试或部署时，由模型部署平台利用模型管理平台下载指定模型并进行模型测试和部署；当测试通过后，将该模型文件部署在运行平台实施，以满足训练任务的任务需求。本发明通过用户初始简单配置，即可完成模型的训练、测试和部署，做到简单操作、快速响应、持续迭代的目的。
- 用于生成预测模型的方法和设备-201580080145.X
- 王晓刚;张聪;李鸿升 - 北京市商汤科技开发有限公司
- 2015-05-18 - 2020-11-20 - G06K9/66
- 公开了一种用于生成预测模型以预测图像帧中的人群密度分布和人员计数的方法，其包括：通过输入训练集中的帧的一个或多个人群图像分块来训练CNN，在所输入的人群图像分块中，每个人群图像分块具有预定的实际情况密度分布和人员计数；从目标场景图像集取样帧并从训练集接收具有所确定的真值密度分布和计数/数目的训练图像；针对所取样的每个目标图像帧从所接收的训练帧中检索相似的图像数据，以克服目标场景图像集与训练图像之间的场景间隙；以及通过将相似的图像数据输入到CNN来对CNN进行微调，以确定出用于预测图像帧中的人群密度图和人员计数的预测模型。
- 一种基于反距离权重插值反函数的等值线图像数据提取方法-201710058176.6
- 吴波;张玲妍;郭书海 - 中国科学院沈阳应用生态研究所
- 2017-01-23 - 2020-08-28 - G06K9/66
- 本发明涉及图像数据信息的提取方法，具体说是一种基于反距离权重插值反函数的等值线图像数据提取方法。具体在等值线图矢量化基础上，由等值线节点值构成已知点矩阵，由待提取数据点值构成未知点矩阵，及已知点和未知点空间关系构成的反距离权重矩阵，共同构建反距离权重插值的反函数，再根据反距离权重矩阵的秩，判断并求解未知点矩阵的实数解。距离权重插值原理基础，可计算等值线图像范围内任意点位的数值信息，且准确性高、可批量计算，提取的数值信息可为进一步的多源数据融合提供数据基础。
- 一种用于增量式学习云系统的训练、调度方法及相关设备-201680018168.2
- 邵云峰;姚骏;薛希俊 - 华为技术有限公司
- 2016-01-25 - 2020-07-28 - G06K9/66
- 一种用于增量式学习云系统的训练、调度方法及相关设备，涉及数据处理领域。该训练方法可包括训练云接收识别云发送模型训练请求；根据所述识别信息和所述识别模型的类型生成对应的训练任务(302)；通过所述识别信息计算所述训练任务的优先数(303)，所述训练任务的优先数对应所述训练任务的执行优先级别；根据所述优先数为所述训练任务分配训练资源，并按所述执行优先级别执行对应的训练任务(304)。通过计算训练任务的优先数来确定训练任务的优先级别，根据计算出的优先数对训练云中得训练任务进行调度，使得训练资源能够被多个训练任务合理共享，提高训练效率。
- 卷积神经网络模型的训练方法及装置-201510154027.0
- 白翔;黄飞跃;郭晓威;姚聪;石葆光 - 华中科技大学;深圳市腾讯计算机系统有限公司
- 2015-04-02 - 2020-06-02 - G06K9/66
- 本发明公开一种CNN模型的训练方法及装置，属于图像识别领域。包括：对训练图像分别进行卷积操作、最大池化操作和水平池化操作，得到第二特征图像；根据第二特征图像确定特征向量；对特征向量进行处理得到类别概率向量；根据类别概率向量及初始类别计算类别误差；基于类别误差调整模型参数；基于调整的模型参数，继续模型参数调整过程，将迭代次数达到预设次数时的模型参数作为训练好的CNN模型的模型参数。通过在各级卷积层上对训练图像进行卷积操作和最大池化操作后，进行水平池化操作。由于水平池化操作能从特征图像中提取标识图像水平方向特征的特征图像，确保训练好的CNN模型能识别任意尺寸的图像，扩大了训练好的CNN模型在识别图像时的适用范围。
- 基于图像自编码的神经网络特征学习方法-201710271606.2
- 段立娟;恩擎;苗军;乔元华 - 北京工业大学
- 2017-04-24 - 2020-04-28 - G06K9/66
- 本发明公开了基于图像自编码的神经网络特征学习方法，属于特征学习和图像检索技术领域。首先通过多标签图像数据集的分割标签构造训练图像集对应的分割训练图像集，然后初始化卷积神经网络和自编码神经网络的权重，使用随机梯度下降法训练自编码神经网络，提取每张训练样本对应的分割图像的隐含变量并进行归一化。随后，使用该隐含变量作为训练集原始图像对应的训练目标，训练卷积神经网络，并提取测试集合图像库中的每幅图像对应的特征向量，通过计算查询图像和图像库中每幅图像的特征向量间的欧式距离，并将距离按从小到大的顺序排列，得到相似图像检索结果。本发明使训练出的神经网络提取的特征在多标签检索任务上取得了更加优秀的检索效果。
- 用于眼睛跟踪的个性化神经网络-201880052812.7
- A·克勒;D·李;V·巴德里娜拉亚楠 - 奇跃公司
- 2018-09-18 - 2020-04-17 - G06K9/66
- 本文公开了一种可穿戴显示系统，其用于捕获用户的眼睛的再训练眼睛图像以再训练用于眼睛跟踪的神经网络。当用户界面(UI)事件相对于在显示器的显示位置处显示的UI设备发生时，该系统使用图像捕获设备来捕获再训练眼睛图像。该系统可以生成包括再训练眼睛图像和再训练眼睛图像中(例如，与UI设备的显示位置有关的)用户的眼睛的眼睛姿势的再训练集，并获得使用再训练集再训练的再训练神经网络。
- 人脸图像标注方法和系统-201310270811.9
- 苗广艺;路香菊;单霆 - 广州华多网络科技有限公司
- 2013-06-28 - 2020-04-10 - G06K9/66
- 一种人脸图像标注方法，包括步骤：对需要标注的人脸图像进行人脸聚类；根据预存的分类器模型计算各个类别的人脸图像属于各个标注人物的概率，并根据所述概率对所述人脸图像进行标注；根据所述已标注的人脸图像训练出新的分类器更新所述分类器模型。本发明还提供一种人脸图像标注系统，通过本发明的技术，可以实现对人脸图像的快速准确的人物标注，提升了标注速度和准确率，特别是用于在对海量的人脸图像进行标注时，标注快速和准确性高的效果更加明显，可以极大提高了海量人脸图像标注的效率。
- 基于卷积神经网络进行图像处理的方法和装置-201811142216.6
- 屠震元 - 杭州海康威视数字技术股份有限公司
- 2018-09-28 - 2020-04-07 - G06K9/66
- 本发明公开了一种基于卷积神经网络进行图像处理的方法和装置，属于卷积神经网络领域。所述方法包括：在预先训练的卷积神经网络模型中，查找至少一个层集合，其中，每个层集合由多个不同的处理层按预设顺序串联组成，且每个层集合的首层为卷积层；对于每个层集合，基于所述层集合中各处理层的算法函数，确定所述层集合的综合函数，将所述层集合中各处理层的算法函数，整体替换为所述综合函数；根据经过替换处理得到的更新的卷积神经网络模型，对待处理的图像数据，进行图像处理。采用本发明，可以提升卷积神经网络模型的处理效率。
- 图像处理方法和装置-201710060897.0
- 刘瀚文;那彦波 - 京东方科技集团股份有限公司
- 2017-01-25 - 2020-03-10 - G06K9/66
- 一种图像处理方法和图像处理装置。该图像处理方法包括：使用第一卷积神经网络提取输入的第一图像的特征，以及使用第二卷积神经网络重构并输出图像。所述第一卷积神经网络包括依次连接的多个第一卷积层和间插于相邻第一卷积层之间的多个第一池化层，所述第一卷积层每个用于产生并输出第一卷积特征；第二卷积神经网络包括依次连接的多个第二卷积层和间插于相邻第二卷积层之间的多个复合层，所述复合层为上采样层。该图像处理方法可以用于例如图像的风格迁移处理。
- 图像识别方法及装置-201510457979.X
- 童志军;刘彬;张洪明 - 阿里巴巴集团控股有限公司
- 2015-07-30 - 2020-02-18 - G06K9/66
- 本申请提出一种图像识别方法及装置，其中，该图像识别方法包括以下步骤：提取图像的多维度局部特征，并提取图像的深度学习特征；将多维度局部特征和深度学习特征进行拼接，并通过度量学习对拼接后的特征进行学习以得到度量学习特征；根据度量学习特征对图像进行识别。本申请实施例的图像识别方法，能够大大提高图像识别的精度。
- 一种基于神经网络结构的图像识别方法及装置-201611122462.6
- 丁岩 - 郑州云海信息技术有限公司
- 2016-12-08 - 2019-11-01 - G06K9/66
- 本发明公开了一种基于神经网络结构的图像识别方法，该方法包括以下步骤：根据图像识别指令，确定待识别的目标图像；针对预先获得的查找表集合中每个查找表，将目标图像的每个像素与该查找表的每个表项进行匹配，查找表集合包含多个具有不同内容的参考图像对应的查找表，每个查找表基于神经网络结构建立，每个查找表中的表项为神经网络结构的神经元；根据匹配结果，确定目标图像对应的参考图像。应用本发明实施例所提供的技术方案，基于神经网络结构进行图像识别，模拟了人脑的学习能力，使得图像识别更加准确。本发明还公开了一种基于神经网络结构的图像识别装置，具有相应的技术效果。
- 用于深度神经网络的经预算和经简化的训练的方法和系统-201780088119.0
- 郭怡文;侯宇清;姚安邦;蔡东琪;王立彬;徐琳;胡平;王山东;程文华;陈玉荣 - 英特尔公司
- 2017-04-07 - 2019-10-25 - G06K9/66
- 公开了一种用于深度神经网络（DNN）的经预算和经简化的训练的方法和系统。在一个示例中，训练器用于使用从经向下采样的训练图像导出的多个训练子图像来训练DNN。测试器用于使用从经向下采样的测试图像导出的多个测试子图像来测试经训练的DNN。在另一示例中，在具有位于卷积神经网络（CNN）与长‑短时间存储器（LSTM）之间的局部注意力机制的递归深度Q网络（RDQN）中，由CNN从输入图像生成多个特征映射。由局部注意力机制通过选择所生成的特征映射的子集来将硬注意力应用到所生成的多个特征映射。由局部注意力机制通过向所生成的特征映射的所选子集提供权重以获得加权的特征映射，来将软注意力应用到所生成的特征映射的所选子集。将加权的特征映射存储在LSTM中。基于存储在LSTM中的加权的特征映射来针对不同动作计算Q值。
- 一种基于Res-Gan的零样本学习算法-201910497533.8
- 孙亮;林娇娇;葛宏伟;宋俊杰 - 大连理工大学
- 2019-06-10 - 2019-10-15 - G06K9/66
- 一种基于Res‑Gan的零样本学习算法，属于机器学习中的零样本学习领域。包括：1)：通过对属性空间的数据乘以权值，得到加权后的属性，实现属性的放大或抑制。2)在步骤1神经网络实现属性加权的基础上进行多激活函数融。3)在步骤2的基础上，设计残差结构，利用残差结构增加神经网络的深度，增加神经网络识别的准确率。4)在步骤3的基础上，设计生成对抗网络，生成对抗网络包含生成网络和判别网络，生成网络与残差结构相结合，通过两个网络之间的对抗，提高神经网络识别的准确率。本发明通过属性加权、多激活函数融合、残差结构、生成对抗网络等技术，使得神经网络训练的收敛速度大大提高，同时在AwA、CUB等数据集上的识别准确率也大幅提高。
- 基于连续状态行为域强化学习的机器人羽状流追踪方法-201710840331.X
- 宋士吉;牛绿茵 - 清华大学
- 2017-09-18 - 2019-09-27 - G06K9/66
- 本发明提出的基于连续状态行为域强化学习的机器人羽状流追踪方法，属于水下机器人路径规划领域。该方法对水下机器人进行羽状流热液喷口搜索的路径规划进行训练；机器人在每次羽状流追踪中通过生成状态向量输入当前决策神经网络，神经网络输出该时刻机器人前进方向，机器人匀速运行一段时间后，更新在新时刻的状态向量并判断单次羽状流追踪是否达到终止条件：当满足终止条件时，则单次羽状流追踪结束，机器人重新生成新的初始位置；若不满足，则机器人下一时刻继续前进；在此过程中，利用强化学习算法在每个时刻对决策神经网络进行更新，直到算法收敛。本发明学习速度快，收敛好，能够提高机器人追踪羽状流热液喷口的灵活性，降低搜索成本。
- 对象分类器的在线学习方法和设备以及检测方法和设备-201510195253.3
- 姜涌;张文文;江龙 - 佳能株式会社
- 2015-04-23 - 2019-09-20 - G06K9/66
- 本发明提供了用于一组对象分类器的在线学习方法和设备以及用于在图像序列中检测对象的方法和设备。该用于一组对象分类器的在线学习方法(其中所述一组对象分类器包含至少一个单类分类器和至少一个两类分类器)包括：从新添加的样本中提取特征向量；基于所提取的特征向量以及所述至少一个两类分类器的支持向量来更新所述至少一个单类分类器中的至少一个；基于所提取的特征向量以及已经部分地或全部地被更新的所述至少一个单类分类器的支持向量，来更新所述至少一个两类分类器中的至少一个。利用本发明，能够在将检出率保持在高水平的同时将误报警率降低到极低水平。
- 识别景物类型的网络参数训练方法、景物类型识别方法及装置-201510031685.0
- 徐昆;邓海峰;梁缘 - 清华大学;深圳市腾讯计算机系统有限公司
- 2015-01-22 - 2019-09-13 - G06K9/66
- 本发明实施例公开了一种网络参数训练方法、景物类型识别方法及装置，属于图像处理领域。所述方法包括：获取目标图像；将所述目标图像输入卷积神经网络中，所述卷积神经网络载入有预先根据样本图像集训练得到的网络参数，所述样本图像集中的样本图像是按照像素级别进行景物类型标注后的图像；根据所述卷积神经网络的识别结果，获得所述目标图像中的像素点对应的景物类型。本发明解决了相关技术仅能够得到一张街景图片的整体或某个区域的景物类型的问题；达到了可以获取到目标图像中每个像素点所对应的景物类型，对街景图片中的景物类型的识别精度达到了像素级别的效果。
- 执行用户验证的显示设备及其方法-201410073549.3
- 金相润;郑基濬;柳熙涉;米奇雅思·泰索姆;朴胜权 - 三星电子株式会社
- 2014-02-28 - 2019-08-09 - G06K9/66
- 提供一种验证用户的方法。所述方法包括：产生学习系统；如果参考图像被注册，则利用学习系统分析参考图像以检测特征信息；存储检测到的特征信息；拍摄用户以获取用户图像；利用学习系统分析用户图像以检测用户的面部特征信息和附加信息；将面部特征信息和附加信息与存储的特征信息进行比较以验证用户。因此，精确地执行用户验证。
- 级联卷积神经网络训练和图像检测方法、装置及系统-201610439342.2
- 秦红伟;闫俊杰 - 深圳市商汤科技有限公司
- 2016-06-17 - 2019-07-30 - G06K9/66
- 本发明公开一种级联卷积神经网络训练和图像检测方法、装置及系统，其中，所述训练方法包括：将待学习图像至少局部区域的图像数据分别处理成N种不同大小的输入区域的图像数据，N为大于或等于2的整数；分别将N种输入区域的图像数据作为N级级联的卷积神经网络中各级卷积神经网络的输入，对各级卷积神经网络进行训练；将各级卷积神经网络分别输出的至少一训练结果进行关联，并将关联后的训练结果回传至各级卷积神经网络以调整各级神经网络的参数。在将训练结果传播至各级卷积神经网络时，能够调整各级神经网络的参数，使得级联卷积神经网络在训练时能够达到神经网络参数的全局优化。
- 专利分类
