“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]基于生成对抗网络的水下灰度偏振图像复原方法-CN202110749303.3有效
发明人：胡浩丰;齐鹏飞;刘铁根;李校博;程振洲;韩迎东 -专利权人：天津大学
申请日： 2021-07-01 - 公布日： 2022-12-09 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于生成对抗网络的水下偏振图像复原方法，步骤1、使用黑白偏振相机在清水下采集清晰的水下偏振图像和浑浊的水下偏振图像；步骤2、进行图像数据预处理，构建成图像数据集；步骤3、构建训练集、验证集和测试集；步骤4、构建包括生成器和判别器的深度神经网络；步骤5、对所述深度神经网络进行训练，生成对抗网络训练模型，最终得到训练好的深度神经网络训练模型；步骤6、将步骤3中的测试集放到训练好的深度神经网络训练模型进行测试与现有技术相比，本发明无需复杂地获取成对的水下偏振图像，通过数据集不配对的方式即可无监督地进行训练并获得清晰的水下偏振复原图像。
基于生成对抗网络水下灰度偏振图像复原方法

[发明专利]一种基于双流神经网络的手势识别方法-CN202110423826.9在审
发明人：刘龙;高鑫;朱国华 -专利权人：西安理工大学
申请日： 2021-04-20 - 公布日： 2021-07-30 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于双流神经网络的手势识别方法，具体包括如下步骤：步骤1，获取手势识别训练数据；步骤2，对步骤1得到的训练数据进行预处理；步骤3，确定双流网络模型结构；步骤4，设定步骤3构建的双流网络模型的训练参数；步骤5，根据步骤4设定的网络参数，对步骤3构建的双流网络模型进行训练，并将训练好的模型输出；步骤6，将待分类图片输入步骤5训练好的双流神经网络模型中，将双流网络产生的属于不同手势分类的概率向量进行融合
一种基于双流神经网络手势识别方法

[发明专利]一种基于生成对抗模仿学习的操作人员运动技能训练方法-CN202210199665.4在审
发明人：黄攀峰;武曦;刘正雄;马志强;常海涛;刘星 -专利权人：西北工业大学
申请日： 2022-03-02 - 公布日： 2022-05-24 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于生成对抗模仿学习的操作人员运动技能训练方法，基于一专家在环的遥操作训练框架，所述专家在环的遥操作训练框架包括专家和学员，通过在学员端施加引导力，在遥操作设备上模拟出专家对学员教导；在所述专家在环的遥操作训练框架中引入一训练者，所述训练者用于采用生成对抗模仿学习对其操作进行模仿；其中，训练过程包括以下步骤：步骤一、建立学员训练数据库；步骤二、基于训练数据库训练智能体来模拟操作员的行为；步骤三、基于训练好的智能体，设计学员运动技能训练方法
一种基于生成对抗模仿学习操作人员运动技能训练方法

[发明专利]一种面向知识图谱表示学习训练的局部训练方法-CN202010809387.0在审
发明人：涂志莹;万博;刘明义;王忠杰;徐晓飞 -专利权人：哈尔滨工业大学
申请日： 2020-08-12 - 公布日： 2020-11-06 - 主分类号： G06F16/36 文献下载
摘要：本发明公开了一种面向知识图谱表示学习训练的局部训练方法，所述方法包括如下步骤：步骤S1、获取知识图谱训练数据；步骤S2、计算训练所应使用的向量空间维度；步骤S3、判断是否可以通过调整原有模型得到新模型；步骤S4、模型训练；步骤S5、模型与数据存储。本发明可根据知识图谱的数据规模计算得出训练所需使用的向量空间维度，避免过小的维度造成模型性能不佳与过大的维度浪费计算资源与训练所需时间的问题。本发明对于变化的知识图谱，可以在原有表示学习模型的基础上进行训练调整，从而快速得到变化后知识图谱的表示学习模型，节省大量训练所需的时间，从而使上层应用可以更及时地感知到知识图谱的变化。
一种面向知识图谱表示学习训练局部方法

[发明专利]跨平台强化学习的机器人训练系统-CN202111207658.6在审
发明人：宋子豪 -专利权人：湖南太观科技有限公司
申请日： 2021-10-18 - 公布日： 2021-12-28 - 主分类号： G05B13/04 文献下载
摘要：本发明公开了跨平台强化学习的机器人训练系统，涉及机器人训练技术领域，步骤一、智能体通过Actor进行推演和采样，步骤二、Actor把采集好的样本上传到Trainer，Trainer进行训练，步骤三、Trainer把训练好的模型下发给Actor，步骤四、一个Trainer可以连接多个Actor，采用异步式并行模式完成推演和训练步骤。通过Actor和Trainer，可以实现将训练模型进行快速的更新和异步式并行模式完成推演和训练步骤，为两种环境提供一致的接口、事件总线、数据管理、容错机制，支持多智能体训练，进一步提高训练效率，模拟环境可以体现真实环境的复杂性
平台强化学习机器人训练系统

[发明专利]一种基于标签平滑正则化的车型识别方法-CN202210147659.4在审
发明人：董琪;胡昌辉 -专利权人：胡昌辉
申请日： 2022-02-17 - 公布日： 2022-08-05 - 主分类号： G06V20/40 文献下载
摘要：所述基于标签平滑正则化的车型识别方法包括步骤1：准备好的车型数据集，将其划分为训练集Tr，验证集v和测试集te；步骤2：对训练集Tr进行数据增强预处理操作，生成训练集tr；步骤3：用ImageNet训练后得到的ResNeXt网络预训练模型，初始化车辆图像特征提取网络ResNeXt的初始权重，将网络的最后一层全连接层替换为Softmax分类器；步骤4：用训练集tr，验证集v训练初始化后的ResNeXt网络；步骤5：用测试集te对训练好的网络模型进行测试评估，根据测试结果调整训练参数，重复步骤4，直至得到准确率最高的ResNeXt车型识别模型。
一种基于标签平滑正则车型识别方法

[发明专利]一种YOLO算法模型训练方法、目标检测方法、芯片及机器人-CN202310848452.4在审
发明人：游思遐;黄惠保;周和文;陈锦杰;张子倩 -专利权人：珠海一微半导体股份有限公司
申请日： 2023-07-12 - 公布日： 2023-10-20 - 主分类号： G06V10/764 文献下载
摘要：本发明公开一种YOLO算法模型训练方法、目标检测方法、芯片及机器人，该训练方法包括：步骤1：获取数据集；步骤2：对数据集中的全部数据进行随机尺寸变换处理；步骤3：将随机尺寸变换处理后的数据集导入YOLO算法模型中进行一次训练；步骤4：采用K‑means锚框优化算法对随机尺寸变换处理后的数据集进行自适应锚框优化处理，以更新用于YOLO算法模型训练的最优锚框尺寸；重复上述步骤2至4，直至YOLO算法模型训练次数达到第一预设次数，输出最优YOLO算法模型，完成YOLO算法模型训练流程。本发明将K‑mean锚框优化算法结合到YOLO算法模型训练过程中，有效减少步骤，同时提高锚框尺寸的适配度，从而有效提高YOLO算法模型的训练效果，训练后的YOLO算法模型的目标检测效果更优。
一种 yolo 算法模型训练方法目标检测芯片机器人

[发明专利]基于半监督学习的开关柜故障分类方法-CN202010489345.3在审
发明人：杨帆;黄河;李东东;赵耀;林顺富 -专利权人：上海电力大学
申请日： 2020-06-02 - 公布日： 2020-09-04 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了一种基于半监督学习的开关柜故障分类方法，具有这样的特征，包括以下步骤：步骤1，获取开关柜故障类型的样本数据，包括故障类型已知的有标签样本数据和故障类型未知的无标签样本数据；步骤2，对有标签样本数据采用拉普拉斯分值法进行特征选取，得到训练集；步骤3，采用S3VDD算法对训练集进行训练，得到故障类型的初始分类器；步骤4，通过样本标注法计算无标签样本数据对初始分类器的隶属度，并利用该隶属度扩充训练集，得到扩充训练集；步骤5，采用S3VDD算法对扩充训练集进行训练，直到全部的无标签样本数据的隶属度前后一致时，算法结束，得到训练好的分类器；步骤6，利用训练好的分类器对故障类型进行分类
基于监督学习开关柜故障分类方法

[发明专利]基于AI深度学习技术的玻璃容器质量检测方法-CN202310569793.8在审
发明人：郝福龙;郭蔚然;王铮;王亚鹏;申磊;赵慧阳 -专利权人：北京大恒图像视觉有限公司;潍坊天恒检测科技有限公司
申请日： 2023-05-19 - 公布日： 2023-08-08 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及图像识别和深度学习技术领域，提供了一种基于AI深度学习技术的玻璃容器质量检测方法，包括步骤1，将具有缺陷标签的玻璃容器图像数据作为训练集输入深度学习模型进行训练；步骤2，对训练集进行预处理和归一化；步骤3，对训练集进行特征提取；步骤4，通过特征和训练集生成损失函数，使深度学习模型收敛；步骤5，将待检测玻璃容器图像数据输入训练后的深度学习模型；步骤6，通过深度学习模型对待检测玻璃容器图像数据进行缺陷预测，生成回归框和缺陷类型；步骤7，对回归框对应缺陷进行二次特征提取，进一步判断缺陷类型。本发明通过对玻璃容器复杂背景区域的训练，可以解决传统算法无法检测的缺陷。
基于 ai 深度学习技术玻璃容器质量检测方法

[发明专利]室内定位的方法及其系统-CN200910235698.4有效
发明人：林权;罗海勇;朱珍民 -专利权人：中国科学院计算技术研究所
申请日： 2009-10-12 - 公布日： 2010-04-14 - 主分类号： H04W4/04 文献下载
摘要：本发明涉及一种室内定位的方法及其系统，系统包括：步骤1，输入带位置标记的训练数据和无位置标记的训练数据，所述训练数据组成训练数据集；步骤2，根据无位置标记的训练数据和带位置标记的训练数据间的相似关系，由带位置标记的训练数据的位置标记得出无位置标记的训练数据对应的位置标记，使所述训练数据集中全部训练数据具有位置标记；步骤3，采用有监督学习方法由所述训练数据集定位待定目标。本发明能够降低室内无线定位技术训练数据采集代价。
室内定位方法及其系统

[发明专利]一种快速训练深度学习模型的方法及系统-CN201811299727.9在审
发明人：赵铭;林镇锋;易文峰;杨育;杨正刚;李小芬;徐文娟 -专利权人：深圳市康拓普信息技术有限公司
申请日： 2018-10-25 - 公布日： 2019-03-15 - 主分类号： G06N3/04 文献下载
摘要：一种快速训练深度学习模型的方法及系统；所述快速训练深度学习模型的方法包括以下步骤：步骤S1、准备深度学习模型以及与特定应用有关的训练数据；步骤S2、采用训练数据来训练深度学习模型，从而得到与特定应用有关的深度学习模型参数；步骤S3、结合深度学习模型参数和深度学习模型来生成特定应用预测模型。本发明的快速训练深度学习模型的方法及系统设计巧妙，实用性强。
快速训练学习模型参数训练数据应用系统设计预测模型

[发明专利]基于工业质检领域机器学习模型的产品缺陷检测方法-CN202211388209.0有效
发明人：常琪;赵何;张志琦 -专利权人：江苏智云天工科技有限公司
申请日： 2022-11-08 - 公布日： 2023-01-24 - 主分类号： G06F16/182 文献下载
摘要：本发明提供了一种基于工业质检领域机器学习模型的产品缺陷检测方法，包括：步骤1：将分布式训练模型存储至分布式存储服务器中；步骤2：将训练数据集和验证数据集存储至分布式存储服务器中；步骤3：利用训练数据集对分布式训练模型分别进行训练，并利用验证数据集进行验证；步骤4：利用训练后的分布式机器学习模型对产品缺陷进行检测。
基于工业质检领域机器学习模型产品缺陷检测方法

[发明专利]建立煤层含气量预测模型的方法、装置、终端与存储介质-CN202110260677.9在审
发明人：师素珍;齐佑朝;段培飞;韩琦 -专利权人：中国矿业大学(北京)
申请日： 2021-03-10 - 公布日： 2021-06-18 - 主分类号： G06Q10/04 文献下载
摘要：本发明实施例公开了建立煤层含气量预测模型的方法、装置、终端与存储介质，方法包括以下步骤：步骤1、获取原始数据；步骤2、对原始数据进行数据预处理，得到样本数据；步骤3、对样本数据进行主成分分析，得到分析后的特征数据集；步骤4、通过对特征数据集进行划分，得到训练集与测试集；步骤5、基于训练集训练LSTM模型，得到训练后的LSTM模型；步骤6、采用测试集对训练后的LSTM模型进行测试；步骤7、若测试通过，则将训练后的LSTM
建立煤层气量预测模型方法装置终端存储介质

[发明专利]一种基于自调制字典学习的图像分类方法-CN201310091623.X有效
发明人：杨育彬;唐晔;潘玲燕 -专利权人：南京大学
申请日： 2013-03-20 - 公布日： 2013-05-22 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于自调制字典学习的图像分类方法，包含如下步骤：训练阶段：步骤1，局部特征抽取；对于训练图像集中的每一幅训练图像进行局部特征描述子抽取生成训练图像集的局部特征集合；步骤2，自调制字典学习；步骤3，训练图像表示：包含特征稀疏编码和图像空间聚合两个子步骤。步骤4，分类模型学习；步骤5，局部特征抽取；步骤6，待分类图像表示；步骤7，模型预测。
一种基于调制字典学习图像分类方法

[发明专利]基于对比学习的自监督图像分类方法-CN202011134658.3有效
发明人：林志贤;彭祎祺;周雄图;张永爱;林珊玲 -专利权人：福州大学;闽都创新实验室
申请日： 2020-10-21 - 公布日： 2022-10-28 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种基于对比学习的自监督图像分类方法，包括以下步骤:步骤S1:获取无标签数据，并进行随机增强生成不同视图；步骤S2:对视图进行特征提取，无监督对比计算损失,得到无监督分类模型C1；步骤S3:对无标签数据中部分进行人工标注，作为训练验证集；步骤S4:将C1作为预训练模型，根据训练验证集进行微调；步骤S5:提取训练验证集的特征，有监督对比计算损失,得到C2；步骤S6:根据C2对无标签数据预测标签，并筛选置信度高于预设值的数据作为训练样本；步骤S7:基于训练样本，将C2作为预训练模型，选取小网络进行训练微调，将验证输出准确率最高的作为最佳分类模型C3。本发明能够有效利用无标签数据训练泛化的图像分类模型，解决多类图像分类问题。
基于对比学习监督图像分类方法