“样本训练”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475917个，建议您升级VIP下载更多相关专利

[发明专利]一种对抗训练方法和系统-CN202210383948.4在审
发明人：范洺源;王力 -专利权人：支付宝（杭州）信息技术有限公司
申请日： 2022-04-13 - 公布日： 2022-07-05 - 主分类号： G06N20/00 文献下载
摘要：本说明书实施例公开了一种对抗训练方法和系统。所述方法包括：基于多个训练样本，对目标模型进行多轮迭代的对抗训练。其中一轮迭代包括：根据训练样本的信息增益，从所述多个训练样本中选取参与当前轮对抗训练的当前轮训练样本，其中，训练样本的信息增益与基于该训练样本生成的对抗样本对目标模型的威胁强度正相关；基于所述当前轮训练样本对目标模型进行对抗训练
一种对抗训练方法系统

[发明专利]一种模型训练方法、目标检测方法、以及相关设备-CN202110133274.8在审
发明人：黄泽昊;刘翱铭;王乃岩 -专利权人：北京图森智途科技有限公司
申请日： 2021-02-01 - 公布日： 2022-08-19 - 主分类号： G06V10/774 文献下载
摘要：本申请实施例公开了一种模型训练方法、目标检测方法、以及相关设备，本申请实施例可以获取训练样本集，所述训练样本集包括训练样本和验证样本；获取所述训练样本对应的增强策略；根据所述增强策略对所述训练样本进行增强操作，得到增强后训练样本；通过初始模型对所述增强后训练样本进行预测；基于对所述增强后训练样本的预测结果更新所述初始模型的参数，得到更新后模型；通过所述更新后模型对所述验证样本进行预测；基于对所述验证样本的预测结果更新所述增强策略，得到更新后增强策略；根据所述更新后增强策略对所述更新后模型进行迭代训练，得到训练后模型。本申请实施例提高了对模型训练准确性和精度。
一种模型训练方法目标检测以及相关设备

[发明专利]训练样本的选取方法、装置、计算机设备和存储介质-CN201911015081.1有效
发明人：付嘉懿;茹旷;潘晟锋;刘峰;刘云峰 -专利权人：深圳追一科技有限公司
申请日： 2019-10-24 - 公布日： 2023-02-03 - 主分类号： G10L15/06 文献下载
摘要：本申请涉及一种训练样本的选取方法、装置、计算机设备和存储介质。所述方法包括：根据初始训练样本集进行模型训练，得到第一识别模型；所述初始训练样本集中包括多个初始训练样本和各所述初始训练样本对应的标注；基于所述第一识别模型构造至少一个第二识别模型，并将所述第一识别模型和至少一个所述第二识别模型组成识别模型集合；根据所述识别模型集合从多个不具有标注的候选训练样本中选取出目标训练样本，所述目标训练样本为富含信息的训练样本。通过本发明实施例，由识别模型集合从多个候选训练样本中选取目标训练样本，不仅节省时间，而且节省人力成本。
训练样本选取方法装置计算机设备存储介质

[发明专利]超分辨率模型的训练方法、装置、设备及介质-CN202111596501.7在审
发明人：林丽健;王鑫涛;单瀛 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-12-24 - 公布日： 2022-04-12 - 主分类号： G06V10/774 文献下载
摘要：本申请公开了一种超分辨率模型的训练方法、装置、设备及介质，涉及机器学习领域。该方法包括：将训练视频拆分为p种训练样本，所述p种训练样本包括至少f个图像尺寸相同和视频帧数量相同的训练样本，所述p种训练样本中每种训练样本的视频帧数量不大于所述训练视频的视频帧数量，所述p种训练样本中每种训练样本的图像尺寸不大于所述训练视频的图像尺寸，p为大于1的正整数，f为正整数；按照所述视频帧数量和所述图像尺寸中的至少一种排列标准，将所述p种训练样本从小到大进行排列；按照所述p种训练样本的排列顺序，从所述p种训练样本中依次提取训练样本对所述超分辨率模型进行训练本申请可以加快超分辨率模型的训练速度。
分辨率模型训练方法装置设备介质

[发明专利]分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置-CN201710226186.6在审
发明人：孙洪杰;胡永健;刘琲贝 -专利权人：华南理工大学
申请日： 2017-04-08 - 公布日： 2017-08-08 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置，该方法包括提取训练样本的WLD特征和测试样本的WLD特征，并生成训练样本的字典矩阵A以及待测样本的字典矩阵Y；根据训练样本的字典矩阵A获取训练样本的核矩阵K；计算训练样本的核矩阵K的特征值和特征向量，生成训练样本的核投影矩阵；根据测试样本的字典矩阵Y获取测试样本的核矩阵K'；根据A、Y、K'和K得到对应的训练样本的核训练样本A'和待测样本的核测试样本Y'；将训练样本和测试样本均划分为若干个子图像，得到加权系数矩阵W；根据加权系数矩阵W、核训练样本A'和核测试样本Y'得到分类结果。
分块协同表示嵌入稀疏遮挡识别方法装置

[发明专利]用于生成模型的方法和装置-CN201810617804.4有效
发明人：李伟健;王长虎 -专利权人：北京字节跳动网络技术有限公司
申请日： 2018-06-15 - 公布日： 2021-08-10 - 主分类号： G06K9/00 文献下载
摘要：该方法的一具体实施方式包括：获取训练样本集合，以及将训练样本集合划分成预设数量个训练样本组，其中，训练样本包括样本视频和针对样本视频预先标注的样本识别结果，样本识别结果用于指示样本视频是否为对显示样本对象的屏幕进行拍摄所获得的视频；对于预设数量个训练样本组中的训练样本组，将该组训练样本中的训练样本的样本视频作为输入，将所输入的样本视频所对应的样本识别结果作为期望输出，利用机器学习方法训练得到该组训练样本所对应的初始视频识别模型；
用于生成模型方法装置

[发明专利]一种分类模型训练方法、装置和系统-CN202010430059.X在审
发明人：王雄文;李楠 -专利权人：阿里巴巴集团控股有限公司
申请日： 2020-05-20 - 公布日： 2021-12-10 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种分类模型训练方法、装置和系统。所述方法包括：从样本数据中选取有标签的样本作为训练数据训练至少一个分类模型；根据训练后的当前分类模型，确定样本数据中未被选为训练数据的样本的标签及该标签的可信度，将可信度满足预设条件的标签添加至对应样本中，得到有标签的样本，并添加至当前训练数据中，使用添加后的当前训练数据训练当前至少一个分类模型；判断不满足终止训练条件时，重复从样本数据中未被选为训练数据的样本中删选样本加入训练数据，对分类模型进行迭代训练能够合理的协同利用有标签和无标签的样本完成分类模型的训练，充分利用了无标签样本的信息，使得训练的模型的可靠度更高。
一种分类模型训练方法装置系统

[发明专利]模型训练方法、装置及计算机存储介质-CN202210789561.9在审
发明人：王曦;蹇易 -专利权人：江苏云从曦和人工智能有限公司
申请日： 2022-07-06 - 公布日： 2022-11-04 - 主分类号： G06V10/778 文献下载
摘要：本申请提供一种模型训练方法、装置及计算机存储介质，包括利用教师模型针对每一个训练样本执行特征提取，获得每一个训练样本的教师特征；根据每一个训练样本的教师特征和真实标签，确定每一个训练样本的难样本；利用学生模型针对每一个训练样本执行特征提取，获取每一个训练样本的学生特征；根据每一个训练样本的学生特征、每一个训练样本的难样本，训练所述学生模型。据此，本申请可提供较佳的模型训练效果，并提升模型预测精度。
模型训练方法装置计算机存储介质

[发明专利]模型训练方法、网络态势预测方法、装置、设备及介质-CN202011474986.8有效
发明人：叶明武;邹晓明;刘楚群;钟超逸;张璐娟;郑兴月;曾夏叶;谭翠容;黄青平;雷雨;王曦彤;何溢 -专利权人：广东电网有限责任公司;广东电网有限责任公司河源供电局
申请日： 2020-12-14 - 公布日： 2022-04-12 - 主分类号： H04L9/40 文献下载
摘要：本发明公开了一种模型训练方法、网络态势预测方法、装置、设备及介质，包括：确定各个样本时间段的网络安全态势值；根据处理方式，对各个样本时间段的网络安全态势值进行处理，形成网络安全态势训练样本集；将网络安全态势训练样本集输入经由PSO算法优化的初始SVM模型中，获取各训练预测值与对应的实际值的误差；根据各训练预测值与对应的实际值的误差，确定训练样本集中的补丁训练样本；根据补丁训练样本，对初始SVM模型进行训练得到补丁SVM模型；根据训练样本集中的除补丁训练样本之外的剩余的正常训练样本，对初始SVM模型进行训练得到全局SVM模型。该模型训练方法训练效率较高并且训练出的SVM模型的准确性较高。
模型训练方法网络态势预测装置设备介质

[发明专利]一样本筛选方法、装置、存储介质及电子设备-CN202210694801.7在审
发明人：王俊 -专利权人：平安科技（深圳）有限公司
申请日： 2022-06-20 - 公布日： 2022-08-30 - 主分类号： G06F16/9035 文献下载
摘要：本申请公开了一种样本筛选方法、装置、存储介质及电子设备。其中，方法包括：基于样本集合构建获得以各样本为节点的样本图；所述样本集合中包括若干带有训练价值标签的标签样本以及若干未带有训练价值标签的待筛选样本；至少基于所述样本图中各所述标签样本以及各所述标签样本的训练价值标签进行模型训练，获得目标GNN图网络模型；基于所述目标GNN图网络模型确定所述样本图中各所述待筛选样本的训练价值；基于各所述待筛选样本的训练价值对各所述待筛选样本进行筛选，获得目标样本。本申请能够准确确定各待筛选样本的训练价值，进而后续根据各待筛选的训练价值准确的筛选获得目标样本。
样本筛选方法装置存储介质电子设备

[发明专利]语言模型的训练方法、装置、电子设备和存储介质-CN202210516131.X在审
发明人：王雅晴;窦德景 -专利权人：百度在线网络技术（北京）有限公司
申请日： 2022-05-12 - 公布日： 2022-07-29 - 主分类号： G06F16/33 文献下载
摘要：本公开提供了一种语言模型的训练方法、装置、电子设备和存储介质，涉及人工智能技术领域，尤其涉及深度学习、自然语言处理技术领域。具体实现方案为：获取训练样本组，基于训练样本组中的训练样本构建样本关系图，样本关系图中的一个节点对应一个训练样本，边用于表示训练样本之间的样本相似度；基于训练样本组和样本关系图，获取预训练语言模型在节点维度的第一损失函数和在边维度的第二损失函数，并基于第一损失函数和第二损失函数，得到总损失函数；基于总损失函数对预训练语言模型的模型参数进行更新，得到目标语言模型，可综合考虑到训练样本和训练样本之间的样本相似度来获取总损失函数，有助于提升预训练语言模型的训练性能
语言模型训练方法装置电子设备存储介质

[发明专利]数据模型训练方法、装置、设备及介质-CN202111088635.8在审
发明人：黄哲 -专利权人：平安国际智慧城市科技股份有限公司
申请日： 2021-09-16 - 公布日： 2021-12-07 - 主分类号： G06K9/46 文献下载
摘要：本申请涉及人工智能技术领域，揭示了一种数据模型训练方法、装置、介质及设备，其中方法包括：获取初始图片集；识别并对目标物体分别进行轮廓标注；在每一个初始图片样本中建立虚拟坐标系，对目标轮廓的轮廓中心与图片中点进行坐标对齐；将坐标对齐后的初始图片样本作为第一训练样本，基于第一训练样本训练得到第一数据模型；将置信度参数大于预设的置信阈值的第一训练样本作为满意样本，将置信度参数不大于置信阈值的第一训练样本作为不满意样本，并移除不满意样本；获取补充训练样本，根据补充训练样本和满意样本得到第二训练样本；通过第二训练样本对第一数据模型进行训练，得到第二数据模型；从而提高了模型的训练效率。
数据模型训练方法装置设备介质

[发明专利]语言翻译模型的训练方法、翻译方法、装置和电子设备-CN202011114707.7有效
发明人：孙泽维;王明轩;李磊 -专利权人：北京有竹居网络技术有限公司
申请日： 2020-10-16 - 公布日： 2023-03-24 - 主分类号： G06F40/42 文献下载
摘要：本公开实施例公开了语言翻译模型的训练方法、翻译方法、装置和电子设备。该语言翻译模型的训练方法的一具体实施方式包括：获取训练样本集合，所述训练样本集合包括多个训练样本；对于每一个训练样本，确定该训练样本的第一集合，所述第一集合包括该训练样本以及至少一个拆分结果，所述拆分结果是对该训练样本拆分得到；使用多个训练样本对各自对应的第一集合对初始语言训练模型进行训练，得到训练后的语言翻译模型。由于训练样本的第一集合中包括训练样本和训练样本的拆分结果，使用上述方法得到的语言翻译模型翻译文档时，所得到的翻译文档的准确度和一致性较高。
语言翻译模型训练方法装置电子设备

[发明专利]机器学习模型训练加速方法、系统、电子设备及存储介质-CN202210904929.1在审
发明人：杨波;陆刚 -专利权人：携程计算机技术（上海）有限公司
申请日： 2022-07-29 - 公布日： 2022-10-11 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种机器学习模型训练加速方法、系统、电子设备及存储介质，其中，机器学习模型训练加速方法包括：确定机器学习模型的本轮迭代训练的样本过滤条件，样本过滤条件根据机器学习模型的输出结果和/或本轮迭代训练的损失函数值确定；过滤掉训练样本集中符合样本过滤条件的训练样本；采用经过过滤的训练样本集对机器学习模型进行下一轮迭代训练。本发明根据样本过滤条件，通过过滤对机器学习模型训练贡献度小的样本，减少机器学习模型训练依赖的样本量，从而提高机器学习模型的训练的效率。
机器学习模型训练加速方法系统电子设备存储介质

[发明专利]一种基于模型自训练的地基云图像云检测方法-CN202011637512.0在审
发明人：叶亮;闵华松;林云汉 -专利权人：武汉科技大学
申请日： 2020-12-31 - 公布日： 2021-04-16 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于模型自训练的地基云图像云检测方法，具体公开了通过获取地基云样本图像，确定已标注超像素样本和未标注超像素样本，根据已标注超像素样本，确定训练样本集，根据所述训练样本集，对预设的分类器模型进行训练，得到分类模型，循环选取部分所述未标注超像素样本更新至所述训练样本集，并对所述分类模型重复迭代训练，在检测到所述未标注超像素样本全部更新至所述训练样本集，确定训练后的分类模型为目标分类模型。
一种基于模型训练地基云图检测方法