“输入样本”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1597828个，建议您升级VIP下载更多相关专利

[发明专利]一种对样本进行分类的方法及系统-CN202010753433.X在审
发明人：车正平;尹程翔;伍堃;姜波;唐剑 -专利权人：北京嘀嘀无限科技发展有限公司
申请日： 2020-07-30 - 公布日： 2020-11-06 - 主分类号： G06K9/62 文献下载
摘要：本说明书实施例公开了一种对样本进行分类的方法和系统，所述方法包括：获取多个输入样本，所述多个输入样本中的每一个包括内容和问询，所述多个输入样本包括至少一个待分类样本和至少一个参考样本；基于样本分类模型，对所述多个输入样本进行处理，得到所述多个输入样本对应的多个处理结果；对于所述至少一个待分类样本中的每一个，基于所述待分类样本对应的处理结果，确定所述待分类样本的分类结果。本说明书实施例基于样本分类模型，可以基于部分类别已知的参考样本，确定待分类样本的分类结果，另外可以处理多模态数据中模态内的信息以及多模态数据间的关联关系，提高了分类效率以及分类准确性。
一种样本进行分类方法系统

[发明专利]利用神经网络中的后向传递知识改进知识蒸馏-CN202180040212.0在审
发明人：阿雷夫·贾法里;梅赫迪·雷扎霍利扎德;阿里·戈德西 -专利权人：华为技术有限公司
申请日： 2021-06-05 - 公布日： 2023-02-03 - 主分类号： G06N3/084 文献下载
摘要：所述方法包括：使用训练数据集训练学生神经网络模型，其中，所述训练数据集包括多个训练数据样本，所述训练包括：针对所述训练数据集中的每个训练数据样本，向教师神经网络模型输入所述训练数据样本的输入，其中，所述教师神经网络模型根据所述训练数据样本的所述输入生成第一输出；向所述学生神经网络模型输入所述训练数据样本的所述输入，其中，所述学生神经网络模型根据所述训练数据样本的所述输入生成第二输出；计算所述第一输出和所述第二输出相对于所述训练数据样本的所述输入的损失的梯度；生成包括扰动输入和辅助输出的新辅助训练数据样本，其中，所述新辅助数据样本的输入是根据所述计算出的梯度通过扰动所述训练数据样本的所述输入而生成的，所述辅助输出是通过向所述教师神经网络模型提供所述扰动输入而生成的，所述教师神经网络模型根据所述扰动输入生成所述辅助输出；将所述新辅助训练数据样本添加到所述训练数据集中。
利用神经网络中的传递知识改进蒸馏

[实用新型]微生物样本智能处理装置-CN202222220242.4有效
发明人：何林声;龚俊帆;袁强 -专利权人：重庆科杰医疗技术有限公司
申请日： 2022-08-23 - 公布日： 2023-03-10 - 主分类号： C12M1/26 文献下载
摘要：本实用新型提供了一种微生物样本智能处理装置，属于微生物学装置技术领域。它解决了现有微生物样本智能处理装置布局维护不方便的问题。它包括样本杯输入组件、样本处理组件、培养基盒处理组件、划线模组和培养基盒装箱组件，样本处理组件包括样本传递模组、沿样本杯输入组件的输入方向设置的加注位、样本丢弃位、振荡模组、将样本杯输送至蘸液位的输送模组和称重扫描模组，输送模组的输送方向与样本杯输入组件的输入方向垂直，加注位处设有加注模组，样本传递模组上设有样本杯开盖模组。
微生物样本智能处理装置

[发明专利]基于深度生成网络的高铁桥梁可靠度计算重要抽样方法-CN202211670970.3在审
发明人：项正良;何旭辉 -专利权人：高速铁路建造技术国家工程研究中心;中南大学
申请日： 2022-12-26 - 公布日： 2023-04-14 - 主分类号： G06F30/13 文献下载
摘要：本申请提供了一种基于深度生成网络的高铁桥梁可靠度计算重要抽样方法包括以下步骤：确定高铁桥梁随机参数的概率分布，随机抽样生成预定数量的训练样本；搭建可解释的深度生成网络抽样模型，定义深度生成网络的损失函数；训练可解释的深度生成网络和单调神经网络，并根据单调神经网络确定高斯分布抽样的阈值；对一维高斯分布进行抽样，筛选小于阈值的训练样本，得到第一输入样本，对多维高斯分布进行抽样，得到第二输入样本；将第一输入样本和第二输入样本合并为合成输入样本；将合成输入样本输入到可解释的深度生成网络模型，得到输出样本，根据随机参数的概率分布估计值计算输出样本的重要抽样密度，根据重要抽样密度计算高铁桥梁的可靠度。
基于深度生成网络铁桥可靠计算重要抽样方法

[发明专利]一种基于联合损失函数的图像对抗样本生成方法及系统-CN202210966497.7在审
发明人：薛伟;夏筱彦;万鹏程;王鑫宇 -专利权人：安徽工业大学
申请日： 2022-08-12 - 公布日： 2022-11-22 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于联合损失函数的图像对抗样本生成方法及系统。所述方法包括获取图像样本及随机噪声样本；将图像样本输入生成网络得到对抗样本并构建第一损失函数；将图像样本及对抗样本输入判别网络构建第二损失函数；将对抗样本输入待攻击模型以基于检测框构建第三损失函数；将图像样本输入待攻击模型获得注意力权重，通过图像金字塔获取对抗样本及随机噪声样本在不同尺度下特征张量，基于它们构建第四损失函数；基于前述各损失函数构建联合损失函数对生成网络及判别网络的权重更新；重复上述步骤直至获得最优生成网络，将图像样本输入其中以得到最终对抗样本本发明不用获取待攻击模型结构，具有对抗样本生成周期短、攻击迁移性强的优势。
一种基于联合损失函数图像对抗样本生成方法系统

[发明专利]基于区块链技术分布式数字交易所股指样本采集系统-CN201810764333.X在审
发明人：李俊山 -专利权人：李俊山
申请日： 2018-07-12 - 公布日： 2018-11-30 - 主分类号： G06Q10/06 文献下载
摘要：本发明涉及股指样本采集技术领域，具体涉及一种基于区块链技术分布式数字交易所股指样本采集系统，包括操作显示终端，操作显示终端的输入端分别电性连接有样本一、样本二、样本三和样本四，样本一、样本二、样本三和样本四的输入端均电性连接有交换机，交换机的输入端电性连接有区块链网络，交换机和区块链网络均电性连接有通信模块，区块链网络的输入端分别电性连接有智能合约一、智能合约二、智能合约三和智能合约四，智能合约一的输入端电性连接有行业分布，智能合约二的输入端电性连接有市场影响力；本发明能够有效克服现有技术所存在的股票价格指数样本采集步骤繁琐、数据更新慢的缺陷。
电性连接样本输入端区块智能交换机操作显示终端样本采集系统分布式数字样本采集市场影响力数据更新通信模块网络

[发明专利]音频调整装置及其调整方法-CN201110459090.7有效
发明人：郑惟仁;廖尤仲;林心薇;吴季庭;杨逸锋 -专利权人：冠捷投资有限公司
申请日： 2011-12-31 - 公布日： 2013-07-03 - 主分类号： H04R3/00 文献下载
摘要：该存储器用于储存一个先前输入音频样本。该处理器电连接于该存储器用于接收一个目前输入音频样本，且接收一个与环境声音相关的环境音频样本，并根据该存储器所储存的该先前输入音频样本及该环境音频样本，得到一个音频失真样本，且根据该音频失真样本及该目前输入音频样本，得到一个已处理音频样本。
音频调整装置及其方法

[发明专利]人群密度检测模型训练方法和人群密度检测方法-CN201911044275.4在审
发明人：周康明;彭山珍 -专利权人：上海眼控科技股份有限公司
申请日： 2019-10-30 - 公布日： 2020-02-18 - 主分类号： G06K9/00 文献下载
摘要：本发明涉及一种人群密度检测模型训练方法和人群密度检测方法，包括：获取样本图像输入人群密度检测模型中的预设神经网络模型，得到第一样本特征图、第二样本特征图以及各密集度的样本概率值，将其输入预设选择网络模型，确定出样本目标特征图；将各密集度的样本概率值输入预设构建网络模型构建样本概率值特征图；将样本目标特征图和样本概率值特征图输入预设特征融合网络模型生成样本人群密度图；将样本人群密度图和样本图像组成特征图、预先标记的标签密度图和样本图像组成的特征图输入预设的判别器网络，得到人群密度检测模型的损失，根据损失对人群密度检测模型进行训练。
人群密度检测模型训练方法

[发明专利]高光谱图像分类的生成对抗网络的方法、装置、设备-CN202310674472.4在审
发明人：左东润;李卫东;高又松;王卫田 -专利权人：西安超越申泰信息科技有限公司
申请日： 2023-06-07 - 公布日： 2023-09-05 - 主分类号： G06N3/094 文献下载
摘要：本申请涉及深度学习技术领域，公开一种高光谱图像分类的生成对抗网络的方法，包括：采集高光谱样本图像的样本数据，并将样本数据输入到生成网络；生成网络将输入的样本数据进行训练，输出训练后的假样本；将假样本和真实样本输入到判别网络，判别网络根据真实样本判断假样本的真实性，输出真样本和假样本之间的误差；判别网络将误差信息反馈到生成网络，生成网络根据误差信息重新训练输入的样本数据，反复迭代，当误差小于指定阈值，结束迭代，获得高光谱图像分类的生成对抗网络该方法能够减少本生成对抗网络对外部输入样本数的依赖，降低学习成本。本申请还公开一种高光谱图像分类的生成对抗网络的装置、设备和存储介质。
光谱图像分类生成对抗网络方法装置设备

[发明专利]一种高质量困难样本生成方法-CN202010503558.7有效
发明人：王春辉;胡勇 -专利权人：拾音智能科技有限公司
申请日： 2020-06-05 - 公布日： 2023-05-02 - 主分类号： G06F16/33 文献下载
摘要：本发明公开一种高质量困难样本生成方法。所述方法包括：将输入文本和包含多样化信息的指定标签输入至条件变分自编码器，得到指定标签类别的生成样本；以输入文本和生成样本为训练样本，训练真伪判别器和相似判别器，真伪判别器判断生成样本是真实样本还是伪造样本，相似判别器通过计算输入文本与生成样本的余弦相似度，并与设定的阈值比较判断输入文本与生成样本是否相似；训练结果使真伪判别器判为真实样本的概率尽量大，使相似判别器判为相似的概率尽量大；条件变分自编码器输出既包含多样化信息又保留本身语义的困难样本本发明能够输出既包含多样化信息、又能尽量保留本身语义的困难样本，提高了困难样本生成的质量。
一种质量困难样本生成方法

[发明专利]解析分类结果的方法、装置及电子设备-CN201911056496.3在审
发明人：陈龙;倪煜;杜俭峰 -专利权人：北京金山云网络技术有限公司;北京金山云科技有限公司
申请日： 2019-10-31 - 公布日： 2021-05-04 - 主分类号： G06F16/28 文献下载
摘要：其中方法包括：获取目标样本经分类模型输出的所属类别；根据区别于所属类别的每一其他类别的历史样本，确定目标样本的对照样本；对于分类模型的每一输入特征，计算目标样本与对照样本在对应输入特征上的距离值；根据对于每一输入特征的距离值，获取目标样本的对应输入特征的特征值在目标样本属于所属类别上的贡献度。
解析分类结果方法装置电子设备

[发明专利]燃气系统供气负荷预测方法、装置、终端设备及存储介质-CN202110720808.7在审
发明人：张昕;容荣 -专利权人：广州杰赛科技股份有限公司
申请日： 2021-06-28 - 公布日： 2021-10-22 - 主分类号： G06F30/27 文献下载
摘要：本发明涉及负荷预测技术领域，公开了一种燃气系统供气负荷预测方法、装置、终端设备及存储介质，方法包括：获取用于训练供气负荷预测模型的输入样本与输出样本；其中，所述输入样本为包括历史气温、历史天气类型的多维向量，输出样本为与所述输入样本对应的燃气系统供气负荷；根据所述输入样本与输出样本进行高斯过程回归训练，建立多个输入样本之间的相关度矩阵；根据所述相关度矩阵建立供气负荷预测模型，并对待预测样本进行预测，得到对应的供气负荷预测值；其中，所述待预测样本为包括未来气温、未来天气类型的多维向量。
燃气系统供气负荷预测方法装置终端设备存储介质

[发明专利]训练样本获取方法、装置、计算机设备和可读存储介质-CN202111355498.X在审
发明人：贾乐成 -专利权人：深圳市联影高端医疗装备创新研究院
申请日： 2021-11-16 - 公布日： 2022-02-08 - 主分类号： G06V10/774 文献下载
摘要：本申请涉及一种训练样本获取方法、装置、计算机设备和可读存储介质，该方法通过获取初始样本集，根据初始样本集中的标记样本训练得到目标模型以及鉴别模型；将初始样本集中的未标记样本输入目标模型，得到标注数据；根据标注数据和未标记样本确定鉴别模型的输入参数，并将输入参数输入鉴别模型，得到评估分值；根据评估分值，确定是否根据标注数据和未标记样本更新初始样本集中的标记样本。本申请提供的训练样本获取方法，对于大量的训练样本的标注，无需工作人员进行标注，可以减少人力的消耗，从而提高获取训练样本的速度。
训练样本获取方法装置计算机设备可读存储介质

[发明专利]神经网络模型的训练方法和装置-CN202010080441.2在审
发明人：戴彬;林宙辰 -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： 2020-02-05 - 公布日： 2021-08-06 - 主分类号： G06N3/04 文献下载
摘要：本公开涉及一种一种用于图像识别的神经网络模型的训练方法，包括：第一训练阶段，计算对应于第一组输入图像样本的第一损失函数，并利用所述第一损失函数训练所述神经网络模型，其中，所述第一损失函数的计算包括：(1)针对所述第一组输入图像样本中的每一个输入图像样本，计算对应于所述输入图像样本的预测分类标签与真实分类标签之间的差异的分类项；以及(2)针对所述第一组输入图像样本中的每一个输入图像样本，计算对应于所述输入图像样本与其重构图像样本之间的差异的重构误差项
神经网络模型训练方法装置

[发明专利]一种基于两层邻域信息的双重最近邻分类方法及系统-CN202110089726.7在审
发明人：潘志斌;王祎琨 -专利权人：西安交通大学
申请日： 2021-01-22 - 公布日： 2021-05-18 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于两层邻域信息的双重最近邻分类方法及系统，所述方法包括：在训练集中寻找输入样本的k个最近邻，并将它们重新命名为输入样本的直接近邻；在训练集中寻找各直接近邻的可用邻域，所有可用邻域中的样本被看作输入样本的间接近邻；各直接近邻的可用邻域中与输入样本分布较近的被整体保留，与直接近邻一起作为输入样本的候选近邻；据候选近邻与输入样本的反向近邻关系，确定双重最近邻；利用所有双重最近邻的类标签，根据多数表决规则，对输入样本进行分类判决
一种基于邻域信息双重近邻分类方法系统