专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果786469个,建议您升级VIP下载更多相关专利
  • [发明专利]图像处理方法、装置及系统-CN201811538967.X有效
  • 杨同 - 北京旷视科技有限公司
  • 2018-12-14 - 2021-05-25 - G06K9/62
  • 本发明提供了一种图像处理方法、装置及系统,涉及人工智能技术领域,该方法包括:获取目标图像和多组锚点信息;锚点信息包括锚点参数以及锚点对应的类别号;将目标图像输入至特征提取网络,通过特征提取网络对目标图像进行特征提取处理,得到目标图像的特征图;将锚点信息输入至第一参数计算网络,通过第一参数计算网络对锚点信息进行非线性映射处理,得到类别预测网络的分类层网络参数;将特征图和分类层网络参数输入至类别预测网络,通过类别预测网络基于分类层网络参数对特征图进行分类处理,确定目标图像中的目标对象的类别。本发明能够有效降低目标检测模型的网络参数量。
  • 图像处理方法装置系统
  • [发明专利]批量任务处理方法及装置-CN202211185347.9在审
  • 吴兵;杨雪春;王黎策 - 中国银行股份有限公司
  • 2022-09-27 - 2023-01-03 - G06F9/445
  • 本发明公开了一种批量任务处理方法及装置,涉及大数据,其中该方法包括:管理端确定批量参数控制表中各批量任务执行时所用的参数,其中,所述批量参数控制表由至少一个参数类别以及每个参数类别下的至少一个可选的参数值构成,各类型的批量任务执行时所用的参数是由批量参数控制表中至少一个参数类别以及参数类别下的参数值来确定的;管理端将批量任务执行时所用的参数通知执行该批量任务的操作端,用以供操作端在执行该操作任务时使用。
  • 批量任务处理方法装置
  • [发明专利]一种类自适应联邦半监督学习方法-CN202310665084.X在审
  • 许志伟;刘思远;尹德辉 - 北京崇实允升科技有限公司
  • 2023-06-06 - 2023-08-15 - G06N3/098
  • 一种类自适应联邦半监督学习方法,首先,基于客户端采集的样本数据,边缘服务器训练半监督学习模型,并仅将模型参数发送给聚合服务器。然后,聚合服务器根据收到的梯度以及边缘服务器的数量推算出全局数据类别数目的变化。其中,若有类别增加,则平均聚合收到的参数得到新的全局参数,无需做其他改变。若有类别减少,则使用上一轮收到的边缘参数平均聚合得到新的全局参数,无需做其他改变。若类别数目不变,某类样本数量变化,则将全局数据类别数目的变化发送至边缘服务器并依据全局数据类别数目的变化进行样本扩充。最后,边缘服务器使用调整后的数据与新的全局参数进行下一轮次的边缘训练。
  • 种类自适应联邦监督学习方法
  • [发明专利]视频编码方法、装置、设备及存储介质-CN202011531195.4有效
  • 孙智;陈健生 - 广州博冠信息科技有限公司
  • 2020-12-22 - 2022-08-05 - H04N19/14
  • 本申请提供一种视频编码方法、装置、设备及存储介质,该方法包括:获取视频数据,将视频数据输入至视频复杂度分类模型,得到视频数据的复杂度类别;根据视频数据的复杂度类别,确定与复杂度类别对应的视频编码参数集合,视频编码参数集合包括多种视频编码参数;基于视频编码参数集合中各视频编码参数,对视频数据进行视频编码。其中,视频复杂度分类模型是基于轻量级深度学习模型训练得到的用于确定视频复杂度类别的模型。上述技术方案可实时地获取每段视频的复杂度类别,根据复杂度类别匹配合适的视频编码参数集合,避免复杂度不高的视频片段使用过大码率,造成带宽浪费的问题,提高视频编码效率。
  • 视频编码方法装置设备存储介质

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