“训练分类器”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9016760个，建议您升级VIP下载更多相关专利

[发明专利]一种数据分类方法-CN201810415714.7在审
发明人：赵寒枫;陈佐;杨胜刚;陈邦道;梅雪松;余湘军;李浩之;王芍 -专利权人：湖南大学
申请日： 2018-05-03 - 公布日： 2018-09-28 - 主分类号： G06K9/62 文献下载
摘要：本发明公开一种数据分类方法，步骤包括：S1.获取用于训练分类器的训练集样本，并按照训练所需迭代次数将获取的训练集样本进行等分，得到多个训练子集样本；S2.基于Adaboost算法使用多个弱分类器分别对各训练子集样本进行训练，且每个弱分类器训练时，选择部分训练子集样本以及上一个弱分类器得到的部分错误样本组合构成最终的训练样本，由训练完成后的各弱分类器得到最终的ADB强分类器；S3.使用训练得到的ADB强分类器对待分类数据进行分类，输出分类结果。本发明分类训练时数据完整，且可避免训练数据成倍数增长及过拟合，具有实现原理简单、分类效率及精度高等优点。
弱分类器训练子集样本训练集样本强分类器数据分类训练分类器错误样本分类结果分类数据分类效率数据完整训练数据训练样本分类迭代拟合输出

[发明专利]小样本涂装分类器训练方法、对象检测方法以及电子设备-CN202110697613.5在审
发明人：姚达琛;刘皓松;李诚 -专利权人：上海商汤临港智能科技有限公司
申请日： 2021-06-23 - 公布日： 2021-09-24 - 主分类号： G06K9/00 文献下载
摘要：本申请公开了一种小样本涂装分类器训练方法、对象检测方法以及电子设备，该小样本涂装分类器训练方法包括：获取涂装对象的第一训练图像；将第一训练图像输入预先训练的大样本涂装分类器，获取涂装对象的第一训练特征；利用第一训练特征训练小样本涂装分类器；其中，大样本涂装分类器用于提取图像中涂装对象的特征，小样本涂装分类器用于利用涂装对象的特征对涂装对象进行分类。本申请通过预先训练的大样本涂装分类器提取图像训练特征，小样本涂装分类器直接利用图像训练特征进行训练，有利于提高小样本涂装分类器的训练效果。
样本分类训练方法对象检测以及电子设备

[发明专利]Adaboost分类器训练方法及系统-CN201610866106.9有效
发明人：田凤彬;于晓静 -专利权人：北京君正集成电路股份有限公司
申请日： 2016-09-29 - 公布日： 2020-04-07 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种Adaboost分类器训练方法及系统。所述方法包括：通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器；使用训练出的SVM分类器提取第二训练集的样本特征；根据提取出的第二训练集的样本特征训练Adaboost分类器。本发明能够缩短Adaboost分类器的训练时间。
adaboost 分类训练方法系统

[发明专利]分类器的训练方法、图像检测方法及各自系统-CN201510989019.8有效
发明人：于炀 -专利权人：上海玮舟微电子科技有限公司
申请日： 2015-12-24 - 公布日： 2019-10-18 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种分类器的训练方法、图像检测方法及各自系统。该训练方法用于训练级联强分类器。各强分类器采用以下步骤训练：1)根据所接收的用于训练的各样本的数量，初始化各样本的样本权重；2)将所得到的各样本特征值及其权重输入一弱分类器进行分类训练，使得当前弱分类器中错误概率最小；3)基于预设偏见量比例，按当前弱分类器训练结果更新下一阶弱分类器的各样本权重；重复上述步骤2)‑3)，直至最后一阶弱分类器训练完毕。将当前阶强分类器所分类出的误差最小类别中的样本予以剔除，将剩余部分输入下一阶强分类器，直至最后一阶强分类器训练结束。图像检测方法利用经训练的级联强分类器对所获取的差异估计块进行分类。本发明解决了分类器分类准确率低、训练成本高等问题。
强分类器弱分类器样本一阶图像检测分类器权重级联分类分类准确率差异估计错误概率训练结果初始化预设剔除重复更新

[发明专利]一种人脸检测模型训练方法、装置和介质-CN201711032994.5在审
发明人：余家林;陈帅斌;蒋泽飞;夏虹 -专利权人：杭州登虹科技有限公司
申请日： 2017-10-30 - 公布日： 2018-02-23 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种人脸检测模型训练方法、装置和介质，用以减少人脸检测模型所需的训练时间，提高人脸检测算法人脸检测模型训练的效率。人脸检测模型训练方法，包括针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储；根据存储的分类结果集合，如果判断出所述强分类器不满足第一预设条件，则增加用于训练强分类器的弱分类器数量后，利用所述训练样本重新训练得到新的强分类器，直至得到的强分类器满足所述第一预设条件；利用得到的强分类器更新级联分类器；如果所述级联分类器的误检率不大于第一预设阈值则结束训练，否则更新训练样本重新训练，直至级联分类器的误检率不大于第一预设阈值
一种检测模型训练方法装置介质

[发明专利]检测偏离分布样本的方法和系统-CN201910656146.4有效
发明人：刘世霞;袁隽;陈长建;张慧;戴琼海;娄昕 -专利权人：清华大学;中国人民解放军总医院
申请日： 2019-07-19 - 公布日： 2022-02-08 - 主分类号： G06K9/62 文献下载
摘要：其中方法包括：利用多个训练样本的原始特征，训练出多个神经网络分类器；从多个神经网络分类器中获得多个训练样本的高层语义特征；利用多个训练样本的至少一个高层语义特征和至少一个原始特征，使用多种训练模型，训练出多个分类器，其中训练出的多个分类器用于检测偏离分布样本；将多个训练样本的至少一个高层语义特征和至少一个原始特征作为输入，获得训练出的多个分类器对多个训练样本的多个综合分类结果；利用获得的训练出的多个分类器的分类结果，确定多个分类器的每个分类器的权重，从而得到多个加权分类器。
检测偏离分布样本方法系统

[发明专利]分类器应用方法及装置-CN202010505890.7有效
发明人：童楚婕;彭勃;栾英英;严洁;徐晓健;李福洋 -专利权人：中国银行股份有限公司
申请日： 2020-06-05 - 公布日： 2023-06-23 - 主分类号： G06V10/764 文献下载
摘要：本发明提供了一种分类器应用方法及装置，其中方法包括：接收待识别图像；输入所述待识别图像至分类器获得分类器的分类结果；其中，所述分类器由真实训练样本集和经噪声发生器输出的伪造训练样本集训练后获得，所述噪声发生器随机地向真实训练样本中添加噪声获得含有图像破坏的伪造训练样本；输出所述分类结果。由于采用真实训练样本集之外的其它训练样本训练分类器，所以训练后获得的分类器可以识别真实训练样本集之外的图像，从而提高分类器的鲁棒性。
分类应用方法装置

[发明专利]神经网络分类器的建立方法、装置及图像分类方法、装置-CN202210002172.7在审
发明人：聂玉虎;刘加国;张永波;崔文朋;刘浩;池颖英;刘瑞;郑哲;李滕浩;徐鲲鹏;曹波;杨剑;荆臻 -专利权人：北京智芯微电子科技有限公司;国网信息通信产业集团有限公司;国网山东省电力公司营销服务中心（计量中心）;国家电网有限公司
申请日： 2022-01-04 - 公布日： 2022-05-13 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种神经网络分类器的建立方法、装置及图像分类方法、装置，建立方法包括：获取训练图像集，其中，训练图像集中的训练图像包括目标图像和背景图像两种类型；将训练图像集中的训练图像输入至神经网络分类器，获取每一训练图像的特征向量；根据特征向量及其对应训练图像所属类型构建损失函数；基于损失函数对神经网络分类器进行训练，得到训练好的神经网络分类器。该建立方法在建立神经网络分类器时，根据训练图像所属类型构建损失函数，并利用损失函数对神经网络分类器进行训练，可加快神经网络分类器的收敛速度，以获取对含有背景图像的图片集进行快速分类的神经网络分类器。
神经网络分类建立方法装置图像

[发明专利]一种分类器训练方法及装置-CN201610670755.1在审
发明人：刘镝;王志军;张尼 -专利权人：中国联合网络通信集团有限公司
申请日： 2016-08-15 - 公布日： 2018-03-06 - 主分类号： G06K9/62 文献下载
摘要：本发明的实施例提供一种分类器训练方法及装置，涉及计算机技术领域，用以降低分类器训练过程的训练时间和计算时间。该方法包括提取训练样本的生物特征训练集及对应的样本标签；将生物特征训练集划分为多个生物特征子训练集，每个生物特征子训练集中包含的生物特征数量相同；将每个生物特征子训练集作为分类器的输入特征，将对应的样本标签作为分类器的输出特征，分别对分类器进行训练，得到每个生物特征子训练集训练出的子分类器模型对应的拉格朗日乘子；将每个生物特征子训练集训练出的子分类器模型对应的拉格朗日乘子进行融合，并基于融合后的拉格朗日乘子向量得到训练后的分类器
一种分类训练方法装置

[发明专利]生成组合分类器的方法和装置以及图像检索方法和装置-CN201210128317.4有效
发明人：李斐;刘汝杰 -专利权人：富士通株式会社
申请日： 2012-04-26 - 公布日： 2013-10-30 - 主分类号： G06K9/62 文献下载
摘要：提供了一种生成组合分类器的方法和装置以及图像检索方法和装置。生成组合分类器的方法包括步骤：(a)基于多个训练样本集中的每个生成分类器，并将所生成的分类器添加到该训练样本集的相应分类器集合中；(b)针对每个分类器集合，生成该分类器集合中的分类器的线性组合以作为相应训练样本集的一级组合分类器；(c)生成一级组合分类器的线性组合以作为二级组合分类器；(d)根据最近生成的二级组合分类器或者针对多个训练样本集最近生成的分类器的线性组合对每个训练样本集中的训练样本的分类结果，更新相应训练样本集中的训练样本的权值，使得被误分类的训练样本的权值增大；(e)重复执行步骤(a)至(d)，直到满足预定截止条件为止。
生成组合分类方法装置以及图像检索

[发明专利]图像分类器的即时校准-CN202211038577.2在审
发明人： K·帕特尔;L·钟 -专利权人：罗伯特·博世有限公司
申请日： 2022-08-29 - 公布日： 2023-03-03 - 主分类号： G06V10/764 文献下载
摘要：图像分类器的即时校准。本发明涉及一种训练图像分类器的方法（700）。图像分类器确定用于输入图像的类概率的预测向量。首先，执行一个或多个初始训练步骤，产生用于图像分类器的可训练参数的当前值。选择训练图像和对应的类标签，并且确定用于在训练图像上训练图像分类器的当前标签向量。为此，根据当前参数值将图像分类器应用于训练图像。如果由图像分类器预测的类等于类标签，则基于预测向量将当前标签向量确定为软标签。使用当前标签向量来执行在训练图像上训练图像分类器的当前训练步骤。
图像分类即时校准

[发明专利]分类器训练方法、目标检测、分割或分类方法和装置-CN201410031141.X在审
发明人：张丽丹;刘志花;任海兵;赵川 -专利权人：北京三星通信技术研究有限公司;三星电子株式会社
申请日： 2014-01-23 - 公布日： 2015-07-29 - 主分类号： G06K9/62 文献下载
摘要：公开一种分类器训练方法、目标检测、分割或分类方法和装置。所述分类器训练方法，包括：获取多个训练样本，其中，每个训练样本对应于一个分类器；通过最小化预定的目标函数对分类器进行训练，从而获得每个分类器。
分类训练方法目标检测分割装置

[发明专利]一种基于混合分类器的短文本情感细分类方法-CN202010045736.6在审
发明人：卢莉 -专利权人：东方红卫星移动通信有限公司
申请日： 2020-01-16 - 公布日： 2020-06-05 - 主分类号： G06F16/35 文献下载
摘要：本发明公开了一种基于混合分类器的短文本情感细分类方法，采用支持向量机分类器、长短记忆网络分类器和基于词典的分类方法组合而成的混合分类器，使用少量的训练样本对各分类器进行训练，然后利用各分类器对未标注样本进行情感类别的预测，使用加权公式计算出文本的置信度，将置信度较高的文本加入到训练集中，再用新的训练集对分类器进行训练，如此迭代形成效果最佳的分类器进行分类。本发明具有分类效果好、标注训练集需求小的优点。
一种基于混合分类文本情感细分方法

[发明专利]一种半监督多视图学习的网页分类方法-CN201910652836.2有效
发明人：荆晓远;贾晓栋;訾璐;黄鹤;姚永芳;彭志平 -专利权人：广东石油化工学院
申请日： 2019-07-18 - 公布日： 2020-04-17 - 主分类号： G06F16/958 文献下载
摘要：本发明涉及互联网技术领域，更具体地，涉及一种半监督多视图学习的网页分类方法，包括：从网页中获取数据，建立训练集；通过已标记训练集训练分类器；通过训练好的分类器对已标记训练集和未标记训练集进行编码，获取样本特征；对样本特征进行密度聚类，获取聚类结果；根据聚类结果对未标记训练集的样本进行分类。本方案使用已标记训练集对分类器进行训练，在现有的多视图分类方法的基础上加入正交约束和对抗相似约束，再通过训练好的分类器对训练集里所有的数据进行密度聚类标记，最后对分类器进行准确率验证，多次迭代上述过程能使分类器的分类性能得到提升
一种监督视图学习网页分类方法

[发明专利]一种二分类器的训练方法、装置、及计算机设备-CN201810658424.5在审
发明人：宋博文 -专利权人：阿里巴巴集团控股有限公司
申请日： 2018-06-25 - 公布日： 2018-12-25 - 主分类号： G06K9/62 文献下载
摘要：公开了一种二分类器的训练方法、装置及计算机设备，该方法包括：利用以下步骤进行迭代处理，直至迭代次数达到预设的次数阈值：利用设定的学习算法与训练样本集进行训练，得到弱分类器，所述训练样本集中包括多个训练样本，所述多个训练样本中的任一训练样本具有权重；基于所述弱分类器的受试者工作特征ROC曲线确定所述弱分类器的分类阈值；得到所述弱分类器利用所述分类阈值对所述训练样本集的指定部分样本子集中任一训练样本的分类结果；基于所述分类结果对所述多个训练样本中的任一训练样本的权重进行调整；迭代结束后，对每一次迭代得到的弱分类器进行整合得到二分类器。
训练样本弱分类器二分类计算机设备训练样本集分类结果权重受试者工作特征迭代处理迭代结束学习算法样本子集一次迭代分类迭代预设整合

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条