“学习神经网络”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1116986个，建议您升级VIP下载更多相关专利

[发明专利]基于深度神经网络自动学习的遥感影像场景分类方法-CN202011095311.2在审
发明人：黄浩哲;李海峰;彭剑;陈力;崔振琦 -专利权人：中南大学
申请日： 2020-10-14 - 公布日： 2021-01-01 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了基于深度神经网络自动学习的遥感影像场景分类方法，包括以下步骤：设计与初始化神经网络结构空间；学习神经网络的结构，构建最优深度神经网络模型；利用遥感影像数据集训练所述的最优深度神经网络模型，训练过程为从头训练；利用训练完成的最优深度神经网络模型进行遥感影像场景分类。本发明方法包括神经网络结构学习过程与神经网络结构评估过程，通过上述流程，不仅能获得更高性能的机器学习模型，同时其高度自动化的过程能够有效节省机器学习模型结构设计过程中的人力与时间。
基于深度神经网络自动学习遥感影像场景分类方法

[发明专利]一种网络表示学习方法、装置、设备及存储介质-CN202211196991.6在审
发明人：张春会 -专利权人：京东方科技集团股份有限公司
申请日： 2022-09-28 - 公布日： 2022-12-23 - 主分类号： G06N3/08 文献下载
摘要：本公开提供一种网络表示学习方法、装置、设备及存储介质，其中网络表示学习方法利用目标神经网络进行目标领域下的网络表示学习；目标神经网络包括N级第一神经网络和N‑1级第二神经网络；第t级第一神经网络的输出为第t级第二神经网络的输入；第(t‑1)级第二神经网络的输出为第t级第一神经网络的输入和第t级第二神经网络的输入；网络表示学习方法包括：获取异构网络数据；将异构网络数据输入至目标神经网络中，得到第一网络表示；基于异构网络数据和第一网络表示，确定训练数据；基于训练数据，对逻辑回归模型和目标神经网络进行训练，将逻辑回归模型和目标神经网络训练完成时，目标神经网络输出的第二网络表示作为目标领域任务的目标网络表示。
一种网络表示学习方法装置设备存储介质

[发明专利]一种用于识别细胞图像的神经网络模型的训练方法及系统-CN202211230727.X在审
发明人：杨志明 -专利权人：深思考人工智能科技（上海）有限公司
申请日： 2022-10-08 - 公布日： 2023-01-31 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例提供一种用于识别细胞图像的神经网络模型的训练方法及系统，将自监督学习技术中的对比学习网络模型作为识别细胞图像的神经网络模型，且采用对比学习技术对所述神经网络模型进行预训练，得到预训练后的所述神经网络模型；将预训练后的所述神经网络模型采用迁移学习技术进行调整，得到训练完成的所述神经网络模型，应用于细胞图像的识别使用。这样，本发明实施例采用了对比学习技术与迁移学习技术相结合的方式，训练得到用于识别细胞图像的神经网络模型，提高了训练质量，从而使得采用这种方式训练得到的所述神经网络模型对细胞图像的识别正确率提高。
一种用于识别细胞图像神经网络模型训练方法系统

[发明专利]基于类别树的深度学习方法和神经网络系统-CN201711105722.3有效
发明人：朱定局 -专利权人：华南师范大学
申请日： 2017-11-10 - 公布日： 2020-09-01 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及一种基于类别树的深度学习方法和神经网络系统，通过多级深度学习神经网络逐层训练和逐层应用，降低了输入项数和输出类别数，从而降低了各级深度学习神经网络的结构复杂性及训练和应用难度，降低了深度学习神经网络的计算复杂些，同时提高了深度学习神经网络的准确率。
基于类别深度学习方法神经网络系统

[发明专利]基于生成对抗网络的新增学习情境识别方法-CN202310928932.1在审
发明人：郭龙江;王璟馨;李普;李津;任美睿;张立臣;刘勇 -专利权人：陕西师范大学
申请日： 2023-07-26 - 公布日： 2023-10-27 - 主分类号： G06N3/045 文献下载
摘要：一种基于生成对抗网络的新增学习情境识别方法，由数据预处理、构建组合神经网络、训练组合神经网络、测试组合神经网络、组合神经网络性能评估步骤组成。由于本发明应用了生成对抗网络，将该网络应用于内外分布检测神经网络的训练中，有利于内外分布检测神经网络在对抗学习中交替迭代参数、取得更好的分类结果，有效地区分了内、外分布样本，有利于后续用零样本学习神经网络对新增学习情境的分类本发明具有网络结构较简单、网络性能较好、适用范围较广等优点，可用于移动学习资源智能推荐等应用场景。
基于生成对抗网络新增学习情境识别方法

[发明专利]层数增减深度学习神经网络训练方法、系统、介质和设备-CN201810823422.7有效
发明人：朱定局 -专利权人：大国创新智能科技(东莞)有限公司
申请日： 2018-07-25 - 公布日： 2021-06-22 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种层数增减深度学习神经网络训练方法、系统、介质和设备，所述方法包括：将训练输入数据输入当前深度学习神经网络，通过当前深度学习神经网络计算得到第一输出数据；判断第一输出数据与预期输出数据是否相同；若不符合第一预设条件，则在当前深度学习神经网络中分类器之前增加一个隐层；否则，将测试输入数据输入当前深度学习神经网络，通过深度学习神经网络计算得到第二输出数据；判断第二输出数据与真实结果数据是否相同；若不符合第二预设条件，则将当前深度学习神经网络中分类器的前一个隐层删除；否则，输出当前深度学习神经网络。
层数增减深度学习神经网络训练方法系统介质设备

[发明专利]基于双深度神经学习网络的数据处理方法和疾病诊断装置-CN201711319805.2有效
发明人：朱定局 -专利权人：华南师范大学
申请日： 2017-12-12 - 公布日： 2022-12-09 - 主分类号： G16H50/20 文献下载
摘要：本发明提供一种基于双深度学习神经网络的数据处理方法，该方法包括：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集此外，还提供了一种基于深度学习神经网络的疾病诊断装置、一种计算机设备和计算机可读存储介质。
基于深度神经学习网络数据处理方法疾病诊断装置

[发明专利]降低神经网络的注解费用的方法和装置-CN202010077080.6有效
发明人：金桂贤;金镕重;金鹤京;南云铉;夫硕熏;成明哲;申东洙;吕东勋;柳宇宙;李明春;李炯树;张泰雄;郑景中;诸泓模;赵浩辰 -专利权人：斯特拉德视觉公司
申请日： 2020-01-23 - 公布日： 2023-08-18 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供一种学习方法，经过变换使得虚拟世界上的虚拟影像更像实际，包括：步骤(a)学习装置使得生成卷积神经网络对第N虚拟训练图像、第N元数据及第N‑K参照信息适用卷积运算，从而生成第N特征地图；步骤(b)，学习装置使得生成卷积神经网络对第N特征地图适用反卷积运算，从而生成第N变换图像；步骤(c)，学习装置使得判别卷积神经网络对第N变换图像适用判别卷积神经网络运算，从而生成类别得分向量；以及步骤(d)，学习装置使得生成卷积神经网络参照类别得分向量及与其对应的真值生成生成卷积神经网络损失，参照生成卷积神经网络损失执行反向传播，从而学习生成卷积神经网络的参数。
降低神经网络注解费用方法装置

[发明专利]图像处理方法、装置、设备及计算机可读存储介质-CN201810903741.9有效
发明人：杨少雄;赵晨 -专利权人：百度在线网络技术（北京）有限公司
申请日： 2018-08-09 - 公布日： 2021-08-17 - 主分类号： G06K9/00 文献下载
摘要：本发明提供一种图像处理方法、装置、设备及计算机可读存储介质，方法包括：获取待学习数据的先验特征；根据所述先验特征为神经网络模型设置初始化参数；根据所述待学习数据对所述神经网络模型进行训练，获得训练后的神经网络模型通过采用待学习数据的先验特征为神经网络模型设置初始化参数，从而能够有效提高神经网络模型的学习效率，进而能够提高神经网络模型的训练效率。
图像处理方法装置设备计算机可读存储介质

[发明专利]神经网络生成及目标检测的方法、装置、设备及存储介质-CN202111664271.3在审
发明人：王宇川;刘吉豪;刘宇;王晓刚 -专利权人：上海商汤智能科技有限公司
申请日： 2021-12-31 - 公布日： 2022-04-12 - 主分类号： G06N3/08 文献下载
摘要：本公开提供了一种神经网络生成及目标检测的方法、装置、设备及存储介质，其中，该方法包括：获取包括有至少两个候选神经网络的神经网络集，所述至少两个候选神经网络中的每个候选神经网络包括网络组成模块；在确定需要对所述神经网络集中的候选神经网络进行变异的情况下，基于预训练的强化学习网络对所述候选神经网络包括的至少一个网络组成模块进行变异，得到变异神经网络；基于变异神经网络对所述神经网络集进行更新，得到更新后的神经网络集；所述更新后的神经网络集包括的神经网络符合预设性能要求本公开通过强化学习网络可以学习到的较好的变异关系，在快速达到搜索收敛的同时，还使得所构建的更新后的神经网络集的网络性能更佳。
神经网络生成目标检测方法装置设备存储介质

[发明专利]应用神经网络深度学习的整体性智能识别方法-CN202010407034.8在审
发明人：戚意强;李博;张淞源 -专利权人：青岛翰林汇力科技有限公司
申请日： 2020-05-14 - 公布日： 2020-09-01 - 主分类号： G06K9/00 文献下载
摘要：本发明提供了一种应用神经网络深度学习的整体性智能识别方法，神经网络包括输入神经网络层和输出神经网络层，输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，输入神经网络层包含若干输入神经元，隐含神经网络层包含若干隐含神经元，输出神经网络层包含若干输出神经元，整体性智能识别方法包括以下内容：A、深度学习方法；B、识别方法。本发明采用整体集合式的信息学习认知，结合演化规律进行推测，有效规避对单独性识别个体信息所需要的手动调整，可以最大限度地减少人工负担。通过对现有信息演化进行深度学习，掌握演化函数计算方式，根据现有的信息值对未知信息值作出推测识别。
应用神经网络深度学习整体性智能识别方法

[发明专利]一种应用于智能机器人的增量学习方法及装置-CN202111676331.3在审
发明人：袁野;朱永同;万里红;刘娜;张赛 -专利权人：中原动力智能机器人有限公司
申请日： 2021-12-31 - 公布日： 2022-05-17 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种应用于智能机器人的增量学习及装置。该方法在模型初始化阶段，将所述混合数据集输入至第一深度学习神经网络模型，并完成第一深度学习神经网络模型的初始化，得到第一深度学习神经网络模型的初始权重参数；在知识蒸馏阶段，根据交叉熵损失函数和蒸馏损失函数继续对所述第一深度学习神经网络模型进行训练，得到第二深度学习神经网络模型及其第二权重参数；在权重对齐阶段，根据第一深度学习神经网络模型的初始权重参数对第二深度学习神经网络模型的第二权重参数进行对齐调整，得到第三深度学习神经网络模型及其第三权重参数本发明技术方案大大减轻了增量学习中的灾难性遗忘问题，提高了智能机器人对旧任务的记忆力和执行力。
一种应用于智能机器人增量学习方法装置

[发明专利]学习处理装置及检查装置-CN202080065129.4在审
发明人：和田谦 -专利权人：星徳科技术株式会社
申请日： 2020-09-16 - 公布日： 2022-04-29 - 主分类号： G06T7/00 文献下载
摘要：本发明为一种学习处理装置，是根据拍摄了检查对象物的图像数据和神经网络模型而构建在检查对象物的检查中使用的神经网络模型的学习处理装置(30)，学习处理装置(30)具有：学习部(30)，其根据包含多个学习用图像的图像数据的列表，以规定的学习条件实施学习处理来构建神经网络模型，学习部(30)在每次构建神经网络模型时，在该神经网络模型中嵌入固有的模型识别数据。
学习处理装置检查

[发明专利]编码方法、译码方法及装置-CN201811428115.5有效
发明人：徐晨;李榕;于天航;乔云飞;杜颖钢;黄凌晨;王俊 -专利权人：华为技术有限公司
申请日： 2018-11-27 - 公布日： 2021-10-15 - 主分类号： H03M13/13 文献下载
摘要：本申请实施例提供了一种编码、译码方法及装置，涉及通信领域，该方法可基于核矩阵生成对应的神经网络单元，再将神经网络单元组成编码神经网络或译码神经网络，实现了将小的神经网络单元进行连接后，得到编码神经网络或译码神经网络，从而在编码/译码的学习过程中，能够通过小的学习样本，泛化至整个码字空间，而弱化具有较长码字的信息对神经网络的复杂度以及学习难度的影响。
编码方法译码装置

[发明专利]一种基于单分类技术的图像类别增量学习方法-CN202010076321.5有效
发明人：侯春萍;丁杰轩;杨阳 -专利权人：天津大学
申请日： 2020-01-23 - 公布日： 2022-11-15 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种基于单分类技术的图像类别增量学习方法，包括下列步骤：数据集制作；初始分类神经网络搭建；步骤3：类增量学习神经网络搭建：对步骤2中初始分类神经网络进行修改，使初始分类神经网络具有类增量学习的功能：调整输出的类别以及类别数量参数，并将新类别图像的数据集放入指定文件夹中，训练类增量学习神经网络时，通过知识蒸馏算法来更新模型参数，即，融合蒸馏损失和交叉熵损失函数成为新的损失函数，此外在类增量学习神经网络中添加Bias correction结构，使类增量学习神经网络能够适应大规模的图像类别增量学习。步骤4：基于单分类技术的图像类别增量学习模型搭建。
一种基于分类技术图像类别增量学习方法