“深度模型”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1075939个，建议您升级VIP下载更多相关专利

[发明专利]多任务深度模型的训练方法、装置、电子设备及存储介质-CN202110554415.3在审
发明人：温皓星;易根良;石晓巍;王洪雨;李玉国;翟艺涛;郑刚 -专利权人：北京三快在线科技有限公司
申请日： 2021-05-20 - 公布日： 2021-08-24 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开了一种多任务深度模型的训练方法、装置、电子设备及存储介质，该方法包括：按照抽样比例对训练样本进行抽样；根据抽样样本对初始的多任务深度模型进行预训练，记录多任务深度模型中每个子任务网络过拟合的训练步数；根据训练步数，对多任务深度模型中的子任务网络的独立层进行调整；根据训练样本对多任务深度模型进行训练，在一个子任务网络过拟合时，结束对该子任务网络的训练，并保存当前多任务深度模型，直至多任务深度模型的所有子任务网络训练结束；根据测试数据集对保存的多个多任务深度模型进行测试，将满足目标条件的多任务深度模型确定为最终的多任务深度模型。
任务深度模型训练方法装置电子设备存储介质

[发明专利]文本处理方法、深度学习模型训练方法以及样本生成方法-CN202310005798.8在审
发明人：徐钰坪;朱志凡;冯仕堃;黄世维 -专利权人：北京百度网讯科技有限公司
申请日： 2023-01-03 - 公布日： 2023-03-31 - 主分类号： G06F16/335 文献下载
摘要：本公开提供了一种文本处理方法、深度学习模型训练方法、样本生成方法、文本处理装置、深度学习模型训练装置、样本生成装置、电子设备、存储介质以及程序产品，涉及数据处理技术领域，尤其涉及人工智能、自然语言处理、深度学习技术领域。具体实现方案为：获取输入文本；获取目标深度学习模型，其中，目标深度学习模型是根据目标第二深度学习模型得到的，目标深度学习模型用于执行目标任务，目标任务包括文本处理；通过目标深度学习模型对输入文本进行处理
文本处理方法深度学习模型训练以及样本生成

[发明专利]一种适配硬件的深度学习压缩转换框架-CN202210186112.5在审
发明人：刘勇;姜博丰;陈军 -专利权人：浙江大学
申请日： 2022-02-28 - 公布日： 2022-06-07 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种适配硬件的深度学习压缩转换框架，包括参数管理模块，与深度学习压缩模块、模型转换模块分别连接，用于获取用户自定义的参数并传输给深度学习压缩模块，将硬件资源信息传输给深度学习压缩模块，将硬件的接口信息传输给模型转换模块；深度学习压缩模块，与模型转换模块、数据分析对比模块分别连接，利用用户自定义的参数结合硬件资源信息，训练生成深度学习目标检测模型后进行压缩处理；模型转换模块，与数据分析对比模块连接，按照用户需要的格式，将压缩处理后的深度学习目标检测模型进行格式转换并存储；所述数据分析对比模块，将压缩前的深度学习目标检测模型、压缩并格式转换后的深度学习目标检测模型进行比较并输出结果。
一种硬件深度学习压缩转换框架

[发明专利]基于梯度先验驱动的深度网络图像去雨方法-CN202211036506.9在审
发明人：吴静;陈华松;范媛媛;李晶;杜蒙瑞;袁林阳;陈怡琳;王君豪 -专利权人：淮阴工学院
申请日： 2022-08-26 - 公布日： 2022-11-25 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及图像复原技术领域，公开了一种基于梯度先验驱动的深度网络图像去雨方法，包括：步骤1：获取雨天拍摄的待处理受损图像；步骤2：融合基于模型驱动的方法和基于深度神经网络方法，在构建深度网络框架模型时，引入梯度域特征构建模型驱动深度网络的误差控制项，构建梯度先验驱动的深度网络去雨模型；步骤3：对所述梯度先验驱动的深度网络去雨模型进行求解，输出雨痕图像和恢复的清晰图像。与现有技术相比，本发明在结合模型驱动方法和深度学习兼容的基础上，在构建深度网络框架模型时，引入了梯度域特征构建模型驱动深度网络的误差控制项，改善了图像去雨能力和信息恢复质量。
基于梯度先验驱动深度网络图像方法

[发明专利]一种基于SGX的安全高效的深度学习模型预测系统和方法-CN202010338636.2有效
发明人：翁健;黄宏伟;杨雅希;罗伟其 -专利权人：暨南大学
申请日： 2020-04-26 - 公布日： 2023-05-30 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种基于SGX的安全高效的深度学习模型预测方法，S1、模型提供者终端通过模型导入模块上传深度学习模型，模型导入模块根据SGX中的深度学习计算框架将不同格式的深度学习模型转换为能够在深度学习计算框架中执行的模型；S2、模型使用者终端和SGX中的RPC服务器模块进行密钥协商，得到通信密钥，通信密钥用于加密模型使用者终端提供的待预测数据和SGX中的深度学习模型的预测结果；S3、模型使用者终端利用通信密钥对待预测数据进行签名、加密和对预测结果进行解密和验证，本发明借助SGX，基于SGX运行深度学习模型，保证模型运行过程中数据的机密性和完整性，同时也能够保证模型本身的机密性和完整性。
一种基于 sgx 安全高效深度学习模型预测系统方法

[发明专利]深度预测模型的训练方法及装置、介质和电子设备-CN202110852004.2在审
发明人：戴夏强 -专利权人： OPPO广东移动通信有限公司
申请日： 2021-07-27 - 公布日： 2021-11-05 - 主分类号： G06T7/55 文献下载
摘要：本公开提供一种深度预测模型的训练方法、深度预测模型的训练装置、计算机可读介质和电子设备，涉及图像处理技术领域。该方法包括：将图像序列输入待训练模型，得到图像序列对应的深度预测图像集合；在深度预测图像集合中获取当前图像对应的第一深度预测图像和当前图像在图像序列中的前一图像对应的第二深度预测图像；基于第一深度预测图像和第二深度预测图像计算当前图像对应的目标损失函数；基于目标损失函数对待训练模型进行权重更新，以获取深度预测模型。本公开可以优化深度预测模型预测结果的连续性和一致性，使得深度预测模型对图像序列中静止物体的深度预测结果保持一致，同时使得对图像序列中运动物体的预测结果过渡平滑。
深度预测模型训练方法装置介质电子设备

[发明专利]深度学习模型的鲁棒性评估方法、装置及存储介质-CN201910515046.X有效
发明人：刘焱;郝新;王洋 -专利权人：百度在线网络技术（北京）有限公司
申请日： 2019-06-13 - 公布日： 2022-05-17 - 主分类号： G06N3/04 文献下载
摘要：本发明实施例提出一种深度学习模型的鲁棒性评估方法、装置及计算机可读存储介质。其中深度学习模型的鲁棒性评估方法包括：获取与待评估的深度学习模型对应的开源模型和数据集；将数据集中的原始图像输入到开源模型中，生成与原始图像对应的对抗样本；调用待评估的深度学习模型，使用对抗样本对待评估的深度学习模型进行攻击；统计数据集中的原始图像对应的对抗样本对待评估的深度学习模型的攻击成功率；利用攻击成功率确定待评估的深度学习模型的鲁棒性指标。本发明实施例不用提供深度学习模型的网络结构定义和参数，属于黑盒评估方式，仅需调用该模型即可达到接近白盒攻击算法的评估效果。且该方法大大减少了攻击次数，提升了评估效率。
深度学习模型鲁棒性评估方法装置存储介质

[发明专利]一种深度神经网络模型的构建方法和装置-CN201810465595.6有效
发明人：何文奇;海涵;彭翔;刘晓利;廖美华;卢大江 -专利权人：深圳大学
申请日： 2018-05-16 - 公布日： 2022-05-31 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种深度神经网络模型的构建方法和装置。对原始数据进行随机相位加密得到训练数据，利用训练数据训练第i‑1深度神经网络模型，得到第i深度神经网络模型，将训练数据输入第i深度神经网络模型得到第i输出结果，与训练数据对应的原始数据进行比对，判断比对结果是否满足预设收敛条件，若满足，则确定第i深度神经网络模型为构建的深度神经网络模型，若不满足，则令i＝i+1，重新利用训练数据训练第i‑1深度神经网络模型。由于训练数据输入到深度神经网络模型中，得到的输出结果是与原始数据进行比对的，因此该模型为能够破解随机相位加密的解密模型，解决了缺少能破解随机相位加密的算法模型的技术问题。
一种深度神经网络模型构建方法装置

[发明专利]一种基于高斯dropout的深度学习模型不确定度计算方法-CN202110043576.6在审
发明人：刘磊;郑芮;孙明斋 -专利权人：中国科学技术大学
申请日： 2021-01-13 - 公布日： 2021-04-30 - 主分类号： G06K9/62 文献下载
摘要：一种基于高斯dropout的深度学习模型不确定度计算方法，包括如下步骤：步骤1、对深度学习模型权重进行dropout采样，等价于对普通深度学习模型权重施加了一个贝努利分布，即在不改变模型结构的情况下将普通深度学习模型转换成贝叶斯深度学习模型；步骤2、对于深度学习模型进行训练时，采用变分推断的方法求出模型近似后验分布，即用一个分布近似后验概率的分布，计算二者之间的KL散度并且通过优化使得二者之间的KL散度最小化，最后得到最佳近似后验分布；步骤3、将贝叶斯深度学习模型的优化简化成训练好带有高斯dropout层的深度学习模型；步骤4、得到高斯dropout贝叶斯深度学习模型，采用Monte Carlo采样得到输出分布，计算采样的样本均值和标准差即得到输出分布结果
一种基于 dropout 深度学习模型不确定计算方法

[发明专利]一种基于深度学习模型的链路评估方法和系统-CN201811221654.1在审
发明人：徐亦达;李超;刁博宇;安竹林;徐勇军 -专利权人：中国科学院计算技术研究所
申请日： 2018-10-19 - 公布日： 2019-03-29 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及一种基于深度学习模型的链路评估方法，包括：设置深度学习模型结构；采集网络中链路的流量数据和该链路的占用度数据为数据对；对所有该数据对进行划分以建立训练集和测试集；以该训练集对该深度学习模型进行训练，确定该深度学习模型的参数；以该测试集对该深度学习模型进行测试，若测试正确率小于测试阈值，则调整该参数并对该深度学习模型重新训练，反之则以该深度学习模型为链路评估模型；通过该链路评估模型以该链路的当前流量数据获取该链路的当前占用度
链路链路评估学习流量数据测试集训练集测试度数模型结构占用度正确率采集占用评估网络

[发明专利]一种基于深度学习的一体化车牌识别方法-CN201811627897.5有效
发明人：张卡;何佳;尼秀明 -专利权人：安徽清新互联信息科技有限公司
申请日： 2018-12-28 - 公布日： 2023-04-07 - 主分类号： G06V20/62 文献下载
摘要：本发明公开了一种基于深度学习的一体化车牌识别方法，构建深度神经网络模型：该深度神经网络模型包括基础网络、多尺度网络、车牌类型判断网络、车牌位置检测网络、车牌字符识别网络和输出结构合并层，训练深度神经网络模型：将收集的车牌样本图像送入所述深度神经网络模型中，以训练深度神经网络模型，车牌识别：通过训练后的深度神经网络模型，对待识别车牌图像进行车牌识别，以输出车牌参数，所述车牌参数包括车牌类型、车牌字符和车牌矩形位置参数；通过该深度神经网络模型使得模型消耗内存小，车牌识别鲁棒性强，识别结果更加准确，解决了传统车牌识别时模型消耗内存很大，运算量很大的缺陷。
一种基于深度学习一体化车牌识别方法

[发明专利]一种基于深度学习的钢材表面缺陷检测方法-CN202310606853.9有效
发明人：张磊;黄忠虎 -专利权人：南京杰智易科技有限公司
申请日： 2023-05-26 - 公布日： 2023-08-01 - 主分类号： G06T7/00 文献下载
摘要：本发明提供了一种基于深度学习的钢材表面缺陷检测方法，包括：构建初始深度学习网络模型；所述初始深度学习网络模型为YOLOv4模型；所述初始深度学习网络模型的Backbone网络的输入为预处理图像，输出为特征图；所述初始深度学习网络模型的Neck网络的输入为所述特征图，输出为自适应特征融合图；获取训练样本；所述训练样本包括钢材表面的缺陷数据和缺陷标签；基于所述训练样本，训练所述初始深度学习网络模型，得到训练好的深度学习网络模型；将钢材表面图片输入所述深度学习网络模型，模型输出预测的缺陷位置、缺陷类型和置信度；以满足工业生产中对钢材表面缺陷检测的需求。
一种基于深度学习钢材表面缺陷检测方法

[发明专利]水体模型动态变化的渲染方法、装置及电子设备-CN202210878528.3在审
发明人：林琳 -专利权人：网易（杭州）网络有限公司
申请日： 2022-07-25 - 公布日： 2022-11-08 - 主分类号： G06T13/00 文献下载
摘要：本申请提供一种水体模型动态变化的渲染方法及相关装置，该方法包括先获取待处理的水体模型所在的世界场景的场景深度，以及所述水体模型的像素深度；然后根据所述场景深度与所述像素深度得到所述水体模型在所述世界场景中的叠加深度；最后，通过预设时间参数控制所述叠加深度进行按序变化，并将按序变化的所述叠加深度与所述水体模型的透明参数进行对应，得到所述水体模型动态变化的渲染效果，从而不通过顶点动画来实现水体模型动态变化的渲染效果，减少水体模型对顶点数量的需求，同时降低了性能消耗。
水体模型动态变化渲染方法装置电子设备

[发明专利]训练方法及装置，深度补全方法、装置及系统，无人车-CN202210736828.8在审
发明人：赵杉杉;陈杨 -专利权人：京东科技信息技术有限公司
申请日： 2022-06-27 - 公布日： 2022-09-06 - 主分类号： G06T7/55 文献下载
摘要：本公开涉及一种训练方法及装置，深度补全方法、装置及系统，无人车，涉及计算机视觉领域，尤其涉及无人驾驶领域。本公开的方法包括：从用于训练的视频序列中获取当前帧、当前帧的前一帧和当前帧的下一帧，并将当前帧和前一帧组成当前图像对，将下一帧和当前帧组成下一图像对；将当前图像对和当前帧对应的稀疏深度图输入深度补全模型，根据深度补全模型输出的第一结果，调整深度补全模型的参数；将下一图像对和下一帧对应的稀疏深度图输入深度补全模型，根据深度补全模型输出的第二结果，再次调整深度补全模型的参数；重复上述过程，直至完成对深度补全模型的训练
训练方法装置深度系统无人

[发明专利]用于生成深度检测模型的方法和装置-CN201811236596.X有效
发明人：卢艺帆 -专利权人：北京字节跳动网络技术有限公司
申请日： 2018-10-23 - 公布日： 2020-11-24 - 主分类号： G06T7/55 文献下载
摘要：本申请实施例公开了用于生成深度检测模型的方法和装置。该方法的一具体实施方式包括：获取样本集，其中，样本包括拍摄图像和拍摄图像对应的样本深度图像；从样本集中选取样本，执行如下训练步骤：将样本中的拍摄图像输入至初始模型，得到样本对应的输出深度图像；根据样本对应的样本深度图像和输出深度图像中对应位置的像素点的深度值和/或梯度值的比较结果，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为深度检测模型。该实施方式实现了对深度检测模型的训练，从而可以利用得到的深度检测模型获取任一拍摄图像的深度图像。
用于生成深度检测模型方法装置