“训练子集”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果364438个，建议您升级VIP下载更多相关专利

[发明专利]神经网络训练-CN202310118967.9在审
发明人：穆斯塔法·帕尔恰米;恩里克·科罗纳;加桑·阿尔雷吉卜;M·普拉布尚卡尔;R·本克尔特 -专利权人：福特全球技术公司;佐治亚科技研究公司
申请日： 2023-02-15 - 公布日： 2023-08-29 - 主分类号： G06N3/0464 文献下载
摘要：本公开提供“神经网络训练”。可以基于第一训练数据集来训练深度神经网络(DNN)，所述第一训练数据集包括具有带注释的第一对象的第一图像。可以基于所述第一训练数据集来测试所述DNN以确定包括第一不确定性的第一对象预测。可以通过输入第二训练数据集并输出包括第二不确定性的第一对象预测来测试所述DNN，其中所述第二训练数据集包括具有不带注释的第二对象的第二图像。可以基于所述第二不确定性来选择包括在所述第二训练数据集中的图像子集。可以注释包括在所述第二训练数据集中的所选择的图像子集中的所述第二对象。可以基于包括在所述第二训练数据集中的包括带注释的第二对象的所选择的图像子集来训练所述DNN。
神经网络训练

[发明专利]对用于训练检测卷积神经网络的先验项的自动选择-CN201880082916.2在审
发明人：康斯坦丁·罗德尤斯金;亚力山大·波维林 -专利权人：英特尔公司
申请日： 2018-02-05 - 公布日： 2020-08-07 - 主分类号： G06K9/46 文献下载
摘要：用于选择先验项的示例装置包括训练集接收器，用于接收训练数据集。该装置包括先验项生成器，用于基于训练数据集生成冗余先验项的集合。该装置包括中间训练器，用于使用冗余先验项的集合来对检测CNN进行训练。该装置包括得分及位置接收器，用于将训练数据集的全部训练样本发送到经训练的检测CNN，并接收针对冗余先验项的集合中的所有冗余先验项的响应。该装置包括子集选择器，用于基于响应来选择冗余先验项的集合的子集。
用于训练检测卷积神经网络先验自动选择

[发明专利]一种基于集成卷积神经网络的年龄识别方法-CN201610592214.1在审
发明人：文贵华;李怀 -专利权人：华南理工大学
申请日： 2016-07-25 - 公布日： 2017-01-04 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于集成卷积神经网络的年龄识别方法，步骤如下：S1、获取年龄识别训练数据库中的训练子集并且对其进行扩充，得到扩充后的训练子集；选取出M个经过上述扩充后的训练子集训练得到的卷积神经网络分类器作为基分类器
一种基于集成卷积神经网络年龄识别方法

[发明专利]一种基于稀疏表示的承压界面超声信号分类识别方法-CN202110257492.2在审
发明人：焦敬品;薛原 -专利权人：北京工业大学
申请日： 2021-03-09 - 公布日： 2021-06-29 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于稀疏表示的承压界面超声信号识别方法，将相同采样长度下界面信号样本划分为训练样本与测试样本两组，其中训练样本用于构造多压力复合字典，测试样本用于验证方法可行性。分别提取测试样本和训练样本包含的匹配原子，作为测试样本匹配原子集与多压力类别训练样本匹配原子集，利用训练样本匹配原子集构建多压力类别复合字典。
一种基于稀疏表示界面超声信号分类识别方法

[发明专利]数据集的构建方法、装置、电子设备及存储介质-CN202011462355.4在审
发明人：汪贤;熊宝玉;樊鸿飞 -专利权人：北京金山云网络技术有限公司
申请日： 2020-12-10 - 公布日： 2021-03-12 - 主分类号： G06K9/00 文献下载
摘要：本发明实施例涉及一种数据集的构建方法、装置、电子设备及存储介质，包括：基于预设的多张原始图像构建模拟数据集；基于所述模拟数据集从预设的多个候选特征算子集中确定目标特征算子集；基于所述目标特征算子集对候选数据集进行特征提取，得到候选数据特征集；利用预设的数据均衡策略对所述候选数据特征集进行均衡处理，并将均衡处理后的候选数据特征集中各候选数据特征对应的候选数据作为深度学习训练数据，得到深度学习训练数据集。由此，可以实现构建出具有均衡性的深度学习训练数据集，进而也就可以提高利用深度学习训练数据集训练出的模型的泛化性和模型性能。
数据构建方法装置电子设备存储介质

[发明专利]针对多模态医学影像的主动学习方法-CN202211470787.9在审
发明人：王皓冉;宋志坚;王满宁 -专利权人：复旦大学
申请日： 2022-11-23 - 公布日： 2023-03-28 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了针对多模态医学影像的主动学习方法，包括：获取初始无标注数据集，初始无标注数据集包括若干个模态集合，其中模态集合为若干个样本的集合；构建编码器，通过多模态对比学习方法对编码器进行预训练，得到预训练的特征编码器；通过预训练的特征编码器计算初始无标注数据集中每个样本模态间的逐点互信息，基于逐点互信息，得到价值样本子集；对价值样本子集进行标注，得到标注数据；根据标注数据及价值样本子集对预训练的特征编码器进行调整训练
针对多模态医学影像主动学习方法

[发明专利]一种基于吸引因子的特征选择的文本分类方法-CN202010158078.1有效
发明人：周红芳;韩霜 -专利权人：广州智赢万世市场管理有限公司
申请日： 2020-03-09 - 公布日： 2023-04-14 - 主分类号： G06F16/35 文献下载
摘要：本发明公开了一种基于吸引因子的特征选择的文本分类方法，使用朴素贝叶斯分类器和支持向量机分类器进行数据集预处理，获取数据集，消除数据集中词条在文档中出现的频率超过25％的词条及词条出现的文档少于3篇的词条，采用交叉验证法划分测试集和训练集；使用基于吸引因子的特征选择方法，设置测试集和训练集特征词数量，生成最优特征子集；使用朴素贝叶斯分类器和支持向量机分类器对训练集的最优特征子集依次进行训练和分类，训练出分类器模型，将测试集的最优特征子集输入分类器模型得到分类结果
一种基于吸引因子特征选择文本分类方法

[发明专利]激光测距误差校正方法、装置、电子设备和存储介质-CN202110183163.8有效
发明人：侯昌韬 -专利权人：深圳市灵明光子科技有限公司
申请日： 2021-02-09 - 公布日： 2023-04-07 - 主分类号： G01S7/497 文献下载
摘要：本申请涉及激光测距技术领域，具体公开了一种激光测距误差校正方法、装置、电子设备和存储介质，其中，激光测距误差校正方法包括：获取激光测距训练集；按照预设的规则，基于激光测距训练集构建n个激光测距训练子集，其中，n为大于或等于1的整数；分别根据n个激光测距训练子集，构建n个误差校正模型集，其中，误差校正模型集包括至少一个误差校正模型，n个误差校正模型集与n个激光测距训练子集一一对应；获取待校正的激光测距数据
激光测距误差校正方法装置电子设备存储介质

[发明专利]一种基于两阶段深度特征选择的癌症基因分类方法、设备及存储介质-CN202110196365.6有效
发明人：董祥军;胡艳羽 -专利权人：齐鲁工业大学
申请日： 2021-02-22 - 公布日： 2023-02-28 - 主分类号： G06F18/24 文献下载
摘要：本发明涉及一种基于两阶段深度特征选择的癌症基因分类方法、设备及存储介质，包括：A、训练癌症基因分类模型：(1)获取训练数据：第一阶段：集成三种特征选择算法进行全面特征选择，得到特征子集；第二阶段：使用非监督神经网络获得特征子集最佳表示；(2)将特征子集最佳表示分为训练集和测试集，输入神经网络中进行训练；B、癌症基因分类：将待检测癌症基因数据预处理后输入训练好的癌症基因分类模型，实现癌症基因分类。
一种基于阶段深度特征选择癌症基因分类方法设备存储介质

[发明专利]分类器训练方法和装置、身份验证方法和系统-CN201410242769.4有效
发明人：刘杰;古开元;陆莉 -专利权人：腾讯科技（深圳）有限公司
申请日： 2014-06-03 - 公布日： 2019-01-11 - 主分类号： G06F21/31 文献下载
摘要：本发明提供了一种分类器训练方法，包括：获取训练样本集；根据一种预设分类条件特征确定根结点处的分类条件，根据根结点处的分类条件将训练样本集中的训练样本进行分类，获得对应根结点的孩子结点的分类子集；将根结点的孩子结点作为当前结点；循环执行根据另一种预设分类条件特征确定当前结点处的分类条件，根据当前结点处的分类条件对当前结点所对应的分类子集中的训练样本进行分类，获得对应当前结点的孩子结点的分类子集的步骤直至叶结点；确定当前结点处的用户身份分类结果本发明提供的分类器训练方法训练获得的决策树分类器分类性能好。本发明还提供了一种分类器训练装置、身份验证方法和系统。
分类训练方法装置身份验证系统

[发明专利]基于过程参数的衬底标记方法-CN201980011358.5在审
发明人： V·巴斯塔尼;A·伊普玛;D·松塔格;E·C·摩斯;H·E·采克利;林晨希 -专利权人： ASML荷兰有限公司
申请日： 2019-01-22 - 公布日： 2020-09-15 - 主分类号： G06N5/00 文献下载
摘要：使用分割规则(410、412、414)来对数据进行分割，并且根据通过分割而获得的数据的子集将衬底分割为子集(G1‑G4)。应用了针对每个子集特定的校正(COR1‑COR4)。使用对衬底的训练集(502)的决策树分析来获得分割规则(图5)。所述决策树分析使用在处理前与所述训练衬底相关联的预处理数据(256、260)，以及在经受所述过程步骤之后与训练衬底相关联的后处理数据(262)。基于后处理数据的子集的特性，从多个分割规则(512)中选择出限定所述决策树的分割规则(506)。同时隐含地获得相关联的校正(508)。
基于过程参数衬底标记方法

[发明专利]用于数据匹配的主动学习-CN202080053513.2在审
发明人： L·布雷默;U·巴杰帕;M·奥伯霍菲尔;A·鲁茨夏维尔德考斯塔 -专利权人：国际商业机器公司
申请日： 2020-07-24 - 公布日： 2022-03-11 - 主分类号： G06F16/00 文献下载
摘要：本发明方法包括：a)使用当前带标记数据点集合来训练机器学习模型，每个数据点都是多个数据记录，其中数据点的标记指示数据点的分类，所述训练产生被配置为将数据点分类为代表同一实体或不同实体的经过训练的机器学习模型b)可以使用当前未标记数据点集合的分类结果从当前未标记数据点集合中选择未标记数据点的子集。c)可以将未标记数据点的子集提供给分类者并且响应于所述提供而接收未标记数据点的子集的标记。可以使用当前带标记数据点集合加上带标记数据点的子集作为当前带标记数据点集合来重复步骤a)至c)。
用于数据匹配主动学习

[发明专利]用于训练稀疏神经网络同时保持稀疏性的系统和方法-CN202180024183.9在审
发明人： S.M.贾亚库马尔;R.帕斯卡努;J.W.雷;S.奥辛德罗;E.K.埃尔森 -专利权人：渊慧科技有限公司
申请日： 2021-06-04 - 公布日： 2022-11-11 - 主分类号： G06N3/08 文献下载
摘要：一种训练神经网络的计算机实现的方法。该方法包括通过选择神经网络的参数的第一子集并将网络参数的前向传递集合的所有其他参数设置为零来重复地确定网络参数的前向传递集合。然后，该方法根据网络参数的前向传递集合使用神经网络来处理训练数据项以生成神经网络输出，从神经网络输出和训练数据项来确定目标函数的值，选择网络参数的第二子集，确定包括参数的第一子集和第二子集的网络参数的后向传递集合
用于训练稀疏神经网络同时保持系统方法

[发明专利]客户系统的值分配给联络系统的记录的方法、系统及制品-CN202310771068.9在审
发明人：阿卜杜拉·阿斯哈·谢赫 -专利权人：亿势倍有限公司
申请日： 2023-06-28 - 公布日： 2023-09-05 - 主分类号： H04M3/523 文献下载
摘要：本公开的方法包括：接收联络记录系统中的第一组记录；接收客户记录系统中的第二组记录；创建第三组，其为所述第一组的子集；创建第四组，其为所述第一组的子集；创建第五组，其为所述第二组的子集；创建第六组，其为所述第二组的子集；基于所述第三组和所述第五组来创建第七组；基于所述第四组和所述第六组来创建第八组；基于所述第七组来训练模型，以得到训练好的模型；以及基于所述第八组和所述训练好的模型来创建第九组。
客户系统配给联络记录方法制品

[发明专利]基于多标签特征选择的基因分类方法、系统及设备-CN202310810555.1在审
发明人：吴全旺;李秀先;张智勇;曾洁;周鹏 -专利权人：重庆大学;招商局检测车辆技术研究院有限公司
申请日： 2023-07-04 - 公布日： 2023-09-19 - 主分类号： G16B40/20 文献下载
摘要：本发明提供了基于多标签特征选择的基因分类方法、系统及设备，方法包括：获取基因表达数据集，利用基于缺失基因数据的多标签特征选择模型对基因表达数据集进行特征选择，得到基因表达数据集的特征子集；利用基因表达数据集的特征子集，对基因分类模型进行训练，得到训练好的基因分类模型；基于待分类基因数据的特征子集，利用训练好的基因分类模型对待分类基因进行分类，得到待分类基因数据的标签。本发明采用基于多标签特征选择的基因分类方法，基于缺失数据完成多标签基因数据的特征选择，考虑基因标签和特征之间的所有依赖关系，并基于特征选择后的特征子集来完成基因分类，从而从根源上解决了现有的多标签基因分类准确性低的问题
基于标签特征选择基因分类方法系统设备