“训练步骤”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2135533个，建议您升级VIP下载更多相关专利

[发明专利]知识图谱构建过程中命名实体识别模型的训练方法和系统-CN202210663574.1在审
发明人：宋佳祥;杨雅婷;许娟;朱宁;白焜太;刘硕 -专利权人：神州医疗科技股份有限公司
申请日： 2022-06-13 - 公布日： 2022-09-13 - 主分类号： G06F40/295 文献下载
摘要：本申请公开了一种知识图谱构建过程中命名实体识别模型的训练方法和系统，包括：步骤S1、构建种子训练集；步骤S2、利用种子训练集对命名实体识别模型进行训练，更新命名实体识别模型；步骤S3、基于更新的命名实体识别模型对输入样本进行识别，生成样本识别结果；步骤S4、基于样本识别结果中的模糊命名实体更新种子训练集；步骤S5、重复步骤S2‑步骤S4，直至样本识别结果中无模糊命名实体，训练结束。本申请公开的知识图谱构建过程中命名实体识别模型的训练方法和系统，通过半监督学习的方法，提高了知识图谱构建过程中对命名实体的识别准确度，减少了人工工作量，降低了人工成本。
知识图谱构建过程命名实体识别模型训练方法系统

[发明专利]基于注意力调制对抗网络的图像修复方法、模型和装置-CN202310197598.7在审
发明人：李若彤;章勇勤;范建平;彭先霖;杜林格;马晓龙;蓝善祯;钟涵文 -专利权人：西北大学
申请日： 2023-03-03 - 公布日： 2023-07-25 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于注意力调制对抗网络的图像修复方法、模型和装置：模型构建方法：步骤1：采集多幅墓葬壁画的图像；步骤2：将有实际破损的图像分为训练集、测试集、验证集；步骤3：将无实际破损的图像作为修复模型的训练集；步骤4：将训练集和测试集以及图像破损区位置送入改进后的检测网络中训练；步骤5：将修复模型的训练集和随机生成的二值掩码图像送入改进后的调制对抗生成网络中训练；步骤6：验证集送入检测模型再转换为二值图；步骤7：将壁画图像与二值图送入训练好的修复网络，得到修复好的图像。
基于注意力调制对抗网络图像修复方法模型装置

[发明专利]基于多尺度卷积组与并行的卷积神经网络图像去噪方法-CN201910705382.0有效
发明人：罗静蕊;王婕 -专利权人：西安理工大学
申请日： 2019-08-01 - 公布日： 2022-02-22 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了基于多尺度卷积组与并行的卷积神经网络图像去噪方法，具体为：步骤1、准备训练集，选择合适的数据集作为训练集中的原始图像，并对其进行预处理操作，采用高斯白噪声模拟真实噪声并加入到原始图像中，作为与之对应的噪声图像；步骤2、构建网络模型，结合多尺度卷积组与并行的卷积网络方式搭建网络模型；步骤3、根据步骤2中所构建的网络模型设置网络的超参数、损失函数和优化算法；步骤4、进行网络训练，使用步骤2中的构建网络模型来分别训练单噪声训练集和多噪声训练集，来得到多个与训练集相对应的网络模型；步骤5、测试网络性能。
基于尺度卷积并行神经网络图像方法

[发明专利]敏感词屏蔽质量评估模型的训练方法及相应的评估方法-CN202110924568.2有效
发明人：李东海;石崇德;侯晓焱 -专利权人：北京华宇元典信息服务有限公司;清华大学
申请日： 2021-08-12 - 公布日： 2022-04-12 - 主分类号： G06N20/00 文献下载
摘要：本申请涉及一种敏感词屏蔽质量评估模型的训练方法、装置、敏感词屏蔽质量评估方法、装置和电子设备。该敏感词屏蔽质量评估模型的训练方法，包括：步骤1：基于敏感词所属领域的文书获取敏感词屏蔽质量评估模型的预训练语料；步骤2：使用所述预训练语料对所述敏感词屏蔽质量评估模型进行预训练；步骤3：屏蔽训练用法律文书中的敏感词并以所述敏感词屏蔽质量评估模型恢复敏感词和提取支撑词；步骤4：随机屏蔽所述敏感词和/或所述支撑词并训练所述敏感词屏蔽质量评估模型；以及，步骤5：迭代执行所述步骤2到步骤4直到所述敏感词屏蔽质量评估模型获得的敏感词和支撑词的结果稳定。
敏感屏蔽质量评估模型训练方法相应

[发明专利]一种基于递归神经网络的事件要素抽取方法-CN201910425854.7在审
发明人：陈兴蜀;蒋梦婷;王海舟;王文贤;殷明勇;唐瑞;蒋术语;马晨曦 -专利权人：四川大学
申请日： 2019-05-21 - 公布日： 2019-09-06 - 主分类号： G06F17/27 文献下载
摘要：本发明公开了一种基于递归神经网络的事件要素抽取方法，包括以下步骤：步骤1：构建基于递归神经网络的事件要素抽取模型；步骤2：获取语料，训练词向量；步骤3：使用标注的语料训练特征向量，包括词性特征向量、命名实体特征向量、依存关系特征向量；步骤4：构造出训练集中所需的目标向量，将步骤2的词向量和步骤3特征向量训练步骤1构建的事件要素抽取模型；步骤5：采用步骤4训练得到的事件要素抽取模型对测试数据进行事件要素的预测；步骤
事件要素抽取递归神经网络特征向量词向量构建向量语料测试数据词性特征命名实体目标向量训练步骤训练特征依存关系预测信息准确率标注输出预测

[发明专利]一种基于CenterNet的用于交通场景的目标检测方法-CN202111382211.2在审
发明人：赵奉奎;周爱博;张涌;吕立亚;李冰林 -专利权人：南京林业大学
申请日： 2021-11-19 - 公布日： 2023-05-23 - 主分类号： G06V20/58 文献下载
摘要：所述交通场景的目标检测方法，包括以下步骤：步骤一、数据采集，数据集分为训练集和测试集，利用标注框标注训练集中的每一张图片的每一个目标，获得训练集图像中每一个目标的位置、类别信息；步骤二、对训练集图像进行预处理；步骤三、改进ResNet50主干特征网络模型，优化目标检测网络模型；步骤四、训练卷积神经网络，得到最终权重和训练完的卷积神经网络；步骤五、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，将步骤四中训练完成的权重作为预测模型的输入
一种基于 centernet 用于交通场景目标检测方法

[发明专利]一种风机叶片状态监测方法及系统-CN201910502111.5在审
发明人：徐东华;文传博 -专利权人：上海电机学院
申请日： 2019-06-11 - 公布日： 2020-12-11 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种风机叶片状态监测方法，该方法包括以下步骤：步骤S1：构建风机叶片图像的训练数据集和测试数据集；步骤S2：构建卷积神经网络；步骤S3：利用训练数据集训练卷积神经网络，得到训练好的卷积神经网络；步骤S4：利用测试数据集测试训练好的神经网络，若满足条件，则执行步骤S5，否则，执行步骤S3；步骤S5：使用交替方向乘子法对训练好的卷积神经网络进行压缩，得到压缩卷积神经网络；步骤S6：采集待测风机叶片图像
一种风机叶片状态监测方法系统

[发明专利]一种基于深度神经网络的数码印花织物缺陷检测方法-CN202011155761.6在审
发明人：苏泽斌;武静威;李鹏飞;景军锋;张缓缓 -专利权人：西安工程大学
申请日： 2020-10-26 - 公布日： 2021-01-26 - 主分类号： G06T7/90 文献下载
摘要：本发明公开了一种基于深度神经网络的数码印花织物缺陷检测方法，具体按照以下步骤实施：步骤1、采集分辨率为416×416大小的RGB彩色数码印花织物缺陷图像；建立神经网络；步骤2、利用步骤1获得的彩色数码印花织物缺陷图像，进行目标信息的提取和标定，建立数码印花织物缺陷样本数据集，得到训练集、验证集和测试集；步骤3、利用步骤1建立的神经网络和ImageNet数据集的训练集建立损失函数，利用损失函数训练神经网络，得到预训练模型，利用步骤2得到的训练集和验证集对预训练模型进行调整和验证；步骤4、利用步骤2得到的测试集对模型进行评价。
一种基于深度神经网络数码印花织物缺陷检测方法

[发明专利]一种水电厂图像视觉识别人工智能报警方法及装置-CN202111150992.2在审
发明人：秦飞;温国强;王韶群;吕志来 -专利权人：北京许继电气有限公司
申请日： 2021-09-29 - 公布日： 2022-01-07 - 主分类号： G06V40/20 文献下载
摘要：本发明实施例提供了一种水电厂图像视觉识别人工智能报警方法及装置，方法用于在数据标注的过程中构建出自动标注工具；方法包括：数据集制作步骤、模型训练步骤、场景应用步骤；数据集制作步骤用于在制作标准数据集的过程中，构建出分类器；以实现自动标注工具标注离线样本数据，完成初始化人工标注的工作，制作标准的数据集；模型训练步骤用于在模型训练的过程中，构建出检测器；模型训练步骤中，对数据集制作步骤产生的训练集进行算法训练和用于分类器产生的测试集进行模型评估以及进一步形成目标检测模型；场景应用步骤在构建典型场景应用展现的过程中，构建出可视化组件；场景应用步骤用于水电厂图像视觉识别典型场景的推广应用。
一种水电厂图像视觉识别人工智能报警方法装置

[发明专利]一种顾及数据平衡的训练数据集生成方法-CN202211422609.9在审
发明人：高梓昂 -专利权人：三峡大学
申请日： 2022-11-14 - 公布日： 2023-02-03 - 主分类号： G06V20/13 文献下载
摘要：一种顾及数据平衡的训练数据集生成方法，它包括以下步骤：步骤1：对两期遥感影像进行预处理；步骤2：进行遥感影像的分组，并对遥感影像进行数据多样性抽样；步骤3：对步骤2得到的初始变化检测训练数据集进行旋转对称增强；对步骤2得到的初始变化检测训练数据进行缩小重组增强；对步骤2得到的初始变化检测训练数据进行放大重组增强；步骤4：将步骤3中得到的数据集进行合并后打乱顺序进行训练。本发明的目的是为了解决现有技术存在的简单的数据增强无法增强数据集中的多尺度特征的技术问题以及GAN生成的数据集依旧存在着类别极不平衡的技术问题，而提供的一种顾及数据平衡的训练数据集生成方法。
一种顾及数据平衡训练生成方法

[发明专利]一种基于动态建模的光伏出力预测方法-CN201710769135.8有效
发明人：张兆广;卢玺宁;吕铭刚;张征;蔡超;高玉华;路海侠;何凯;刘海涛;何琰;郑柱;白恺;李智;柳玉;宗瑾 -专利权人：国网冀北电力有限公司廊坊供电公司;北京清软创新科技股份有限公司;国网冀北电力有限公司电力科学研究院;华北电力科学研究院有限责任公司
申请日： 2017-08-31 - 公布日： 2021-09-21 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于动态建模的光伏出力预测方法，步骤1：对原始气象、出力数据进行预处理；步骤2：对步骤1当中得到的所述训练样本进行训练，得到初始的光伏出力预测模型；步骤3：对所述训练样本进行设定样本筛选条件；步骤4：采集新数据样本，对新数据进行预处理工作加入原始数据中，再根据上述步骤3的样本筛选条件进行筛选，形成新的训练样本；步骤5：对步骤4当中所述新的训练样本重新训练出力模型；判断新的出力模型与上一次更新的模型是否收敛，若满足条件则完成模型更新输出，退出迭代；若不满足则返回步骤4进行样本的进一步筛选；提高光伏处理预测精度、提高电网调度安全性与经济性的目的。
一种基于动态建模出力预测方法

[发明专利]一种用于深度学习的资源管理系统及方法-CN201910009875.0在审
发明人：代豪;蒙孝宗;李清 -专利权人：咪付（广西）网络技术有限公司
申请日： 2019-01-05 - 公布日： 2019-03-22 - 主分类号： G06F9/50 文献下载
摘要：本发明公开了一种用于深度学习的资源管理系统及方法，所述系统包括：Kubernetes集群、Mysql存储模块和分布式存储器；所述Kubernetes集群包括训练管理平台和TensorFlow项目平台，所述训练管理平台包括注册器和控制器，所述TensorFlow项目平台由集群生成器构成；所述方法包括：步骤S100：创建包含TensorFlow训练脚本的Docker镜像，并将镜像推送到镜像仓库；步骤S200：注册TensorFlow项目，配置项目信息；步骤S300：创建TensorFlow项目平台，生成TensorFlow集群；步骤S400：启动任务训练，定时保存训练文件；步骤S500：任务训练结束，生成结果模型。通过本发明的系统及方法，可实现基于TensorFlow的深度学习训练任务资源的统一调度与管理，监控训练过程，支持自动中断与重启，减轻AI开发人员的工作负担，提高任务训练效率。
集群项目平台资源管理系统管理平台分布式存储器存储模块工作负担监控训练结果模型任务资源统一调度项目信息学习训练训练效率自动中断控制器生成器注册器脚本重启创建仓库保存学习配置开发管理

[发明专利]网络模型的训练方法、装置、电子设备及存储介质-CN202110883889.2在审
发明人：王力超 -专利权人：新石器慧通（北京）科技有限公司
申请日： 2021-08-03 - 公布日： 2021-08-31 - 主分类号： G06K9/00 文献下载
摘要：本公开涉及人工智能技术领域，提供了一种网络模型的训练方法、装置、电子设备及存储介质。该方法应用于无人车，即无人驾驶设备或自动驾驶设备，包括：执行第一训练步骤，以利用点云数据集中的有标签数据对改进的网络模型进行训练；执行处理步骤，以利用训练得到的改进的网络模型对点云数据集中的无标签数据进行打上伪标签的处理，生成无标签数据的伪标签数据；执行第二训练步骤，以利用伪标签数据和有标签数据对改进的网络模型进行训练；交替执行处理步骤和第二训练步骤，直至满足改进的网络模型的训练结束条件。本公开能够基于伪标签数据和有标签数据对改进的网络模型进行训练，因此，提升了网络模型的泛化性能，提高了网络模型的预测准确率。
网络模型训练方法装置电子设备存储介质

[发明专利]一种基于训练集优化的推荐系统的动态推荐方法-CN201110356894.4有效
发明人：欧阳元新;蒋祥涛;罗建辉;熊璋 -专利权人：北京航空航天大学
申请日： 2011-11-11 - 公布日： 2012-06-20 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种基于训练集优化的推荐系统的动态推荐方法，该方法具体为：步骤(1)建立初步推荐模型部分：根据原始的用户评分数据生成最初的推荐模型；步骤(2)AdaBoost训练：通过多次迭代学习训练数据，利用最初的推荐模型作为分类判定的依据并进行数据的分类和调整样本的学习次数；步骤(3)筛选错误样本：把经过多轮的AdaBoost训练之后被选定为难样本的数据当作错误样本去除从而构建出新训练数据集合；步骤(4)重构推荐模型：以新的训练数据为基础，结合训练结果重新生成推荐模型；步骤(5)产生推荐结果：利用新的推荐模型产生推荐结果。本发明能够利用原始训练数据集在内容上很大的相关性，排除一些在推荐服务中没有参考意义的数据，提高训练数据的有效性和最终推荐模型的精度。
一种基于训练优化推荐系统动态方法

[发明专利]一种基于生成对抗网络的桥梁裂缝自动检测方法-CN202010044919.6有效
发明人：张建;何至立;倪富陶 -专利权人：东南大学
申请日： 2020-01-15 - 公布日： 2022-11-15 - 主分类号： G06T7/00 文献下载
摘要：本发明的方法包括：步骤一：搭建基于生成对抗网络的卷积神经网络框架：步骤二：搭建数据库，采集桥梁裂缝信息，形成数据集；步骤三：基于全体数据集对分支网络进行预训练，同时保留每个训练批次的训练模型；步骤四：对步骤三的训练模型中选择效果最好的训练模型，将该效果最好的训练模型权重复原到整体网络的对应网络中；然后将全体数据集一分为二，开始对抗训练，每轮对抗训练中分支网络和判别网络2交替各训练1次，并交替更新分支网络和判别网络2的参数，使得判别网路1和判别网络
一种基于生成对抗网络桥梁裂缝自动检测方法