“张越皖”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种面向应用集群的队列任务调度方法及系统-CN202210062739.X在审
发明人：徐亦飞;王超勇;朱利;王正洋;秦志强;张扬;张越皖;尉萍萍 -专利权人：西安交通大学
申请日： 2022-01-19 - 公布日： 2022-05-13 - 主分类号： G06F9/455 文献下载
摘要：本发明公开了一种面向应用集群的队列任务调度方法及系统，将线上和线下任务并存在Kubernetes集群中，基于打分策略对线下任务进行打分，并对线下任务进行优先级排定，保证优先级高的训练任务有着更少的等待时间的同时，考虑多方面因素来调整任务执行队列，对任务的动态变化进行实时监控，调整线上和线下任务的资源分配，保证线上任务的服务质量，同时可以根据不同维度手动暂停线下一个或者一批训练任务，和手动开启暂停的一个和一批训练任务，可应对突发事件或者特殊时期，提高了任务的分配效率，便于资源的管理和控制，解决了现有技术中，资源分配率低，服务质量低的问题。
一种面向应用集群队列任务调度方法系统

[发明专利]一种神经网络架构搜索方法、系统、设备及可读存储介质-CN202210085746.1在审
发明人：徐亦飞;王正洋;朱利;尉萍萍;王超勇;张越皖;张扬;徐明杰 -专利权人：西安交通大学
申请日： 2022-01-25 - 公布日： 2022-05-03 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了种神经网络架构搜索方法、系统、设备及可读存储介质，初始化DARTS网络的相关参数，将图像训练集输入至初始化后的DARTS网络中，根据目标函数计算损失值，根据梯度信息使用二阶泰勒展开式计算出网络损失变化，使用基于突触显著性的评分指标计算指标显著性，采用连接敏感性指标到神经网络架构搜索，用来指示操作的重要性，将可微架构结构搜索定义为初始化时的网络剪枝，在网络剪枝的初始化中采用称为操作显著性度量，实验结果表明，该框架是一种有前景的、可靠的可微神经结构搜索解决方案，在不同基准数据集和DARTS搜索空间上都取得了良好的性能。本发明方法非常高效，可以在几秒钟内完成架构搜索。
一种神经网络架构搜索方法系统设备可读存储介质

[发明专利]一种征信报告解析方法、系统、终端设备和存储介质-CN202210010909.X在审
发明人：徐亦飞;王超勇;朱利;王正洋;秦志强;张扬;张越皖 -专利权人：西安交通大学
申请日： 2022-01-05 - 公布日： 2022-04-15 - 主分类号： G06F40/205 文献下载
摘要：本发明提出了一种征信报告解析方法、系统、终端设备和存储介质，构建征信报告特征和征信报告特征组，并报告数据库中的征信报告标识，取出对应的征信报告，根据取出的征信报告，对征信报告特征进行计算；对征信报告所在文件夹内所有征信报告进行过滤、标记和计算，创建模型数据集，并将模型数据集保存至数据库。实现了同一个特征可以从不同格式的征信报告中，获取用户信息，并支持根据特定要求对用户信息的过滤，转化和函数计算，特征可以根据业务在线开发和计算，使征信报告的解析更加灵活，自动化和智能化，加快了征信报告的解析效率。解决了现有技术中针对不同样式的征信报告文件解析困难的问题。
一种报告解析方法系统终端设备存储介质

[发明专利]单图像超分与感知图像增强联合任务学习系统-CN202110466163.9有效
发明人：袁峰;李晓;张越皖;徐亦飞;李浬;桑葛楠 -专利权人：杭州喔影网络科技有限公司
申请日： 2021-04-28 - 公布日： 2021-11-16 - 主分类号： G06T5/00 文献下载
摘要：本申请涉及一种单图像超分与感知图像增强联合任务学习系统、电子装置和存储介质，其中，该单图像超分与感知图像增强联合任务学习系统包括深度网络模型，该深度网络模型包括第一网络、第二网络和第三网络。其中，第一网络包括大编解小编解码残差网络和包含了叠加的不同内核大小的轻量多尺度残差块的局部残差网络，利用多路径学习策略来同时描述局部和全局信息；第二网络包括两组并联且信息共享的卷积层，用来增强图像的高频细节；第三网络包括U‑net网络和颜色校正模块，用于寻求最佳融合颜色校正矩阵来学习颜色和色调映射。通过本申请，解决了现有技术的图像超分与感知图像增强联合任务不能很好地改善图像的视觉效果的问题。
图像感知增强联合任务学习系统

[发明专利]一种基于深度学习的42CrMo单相金相组织分割方法及系统-CN202011197268.0在审
发明人：徐亦飞;张诺;桑维光;张越皖;王冕;尉萍萍;徐武将;朱利 -专利权人：西安交通大学
申请日： 2020-10-30 - 公布日： 2021-03-02 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了一种基于深度学习的42CrMo单相金相组织分割方法及系统，通过将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；然后将U‑Net模型中的卷积层增加至六块卷积层，去除U‑Net模型中影像重叠策略Overlap‑tile strategy，在U‑Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U‑Net模型，利用六块卷积层，增加网络的深度更好的提取碳化物颗粒特征，将输入图像删减了影像重叠策略，避免图像重影干涉，更容易获取图像，在精度上更好的提取了碳化物颗粒特征信息，增加批量归一化处理，使得每层网络输入标准化，在一定程度上使得网络的收敛速度更快，进而提高了训练速度，从而有效提高了42CrMo金相图像的研究效率。
一种基于深度学习 42 crmo 单相金相组织分割方法系统

[发明专利]一种单图像的超分与感知图像增强的联合任务学习方法-CN202010716171.X在审
发明人：袁峰;李晓;张越皖;徐亦飞;李浬;桑葛楠 -专利权人：杭州喔影网络科技有限公司
申请日： 2020-07-23 - 公布日： 2021-02-19 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种单图像的超分与感知图像增强的联合任务学习方法，针对实际场景中的实际需求，常常将超分与感知图像增强两种任务混合组合，从低分辨率的原始图像中获得高质量的高分辨率增强图像。本申请提出了一个名为Deep SR‑PIE的超分与感知图像增强任务联合学习框架，该框架包括多路径超分辨率网络(MSRnet)、细节互补网络(DCN)和混合类U‑net增强网络(FULENet)。MSRnet利用多路径学习策略来同时描述局部和全局信息，DCN利用双旁通共享卷积来采样和增强高频细节，FULENet寻求最佳融合颜色校正矩阵来学习颜色和色调映射。通过对四个数据集的定量和定性评价，可以得出我们的联合学习框架在大多数指标上优于比较方法的结论。通过本申请提出的方法，可以更加快速高效地得到高质量的高质量的高分辨率增强图像。
一种图像感知增强联合任务学习方法