专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果1164519个,建议您升级VIP下载更多相关专利
  • [发明专利]一种分类模型训练方法、聚方法及电子设备-CN202111150725.5在审
  • 曹宜超 - 北京百度网讯科技有限公司
  • 2021-09-29 - 2022-01-11 - G06F16/35
  • 本公开提供了一种分类模型训练方法、聚方法及电子设备,涉及人工智能技术领域,尤其大数据、深度学习、意图识别等技术领域。具体方案为:获取第一无标注文本数据集;将第一无标注文本数据集输入第一分模型进行迭代训练,得到目标分类模型;不但是通过第一无标注文本数据集对第一分模型进行迭代训练,且在迭代训练过程中第一分模型的损失值通过第一无标注文本数据集的预测意图类别标签以及参考意图类别标签计算得到,预测意图类别标签和参考意图类别标签为迭代训练过程中基于第一分模型得到,即预测意图类别标签和参考意图类别标签为迭代训练过程中基于第一分模型得到的,以实现对模型的训练,这样,可提高模型训练的效果。
  • 一种分类模型训练方法电子设备
  • [发明专利]一种基于多假生成对抗网络的过采样方法-CN202111251327.2在审
  • 董明刚;廖晨;叶威 - 桂林理工大学
  • 2021-10-26 - 2022-02-01 - G06N3/04
  • 一种基于多假生成对抗网络的过采样方法。首先通过一个条件变分自编码器学习不平衡图像数据的特征;然后使用变分自编码器中的解码器初始化GAN中的生成器,帮助分别器更好的确定类别分布;然后使用不平衡数据集来训练多假生成对抗网络,同时为多假生成对抗网络添加梯度惩罚项,以提升GAN训练的稳定性,并保证样本生成多样性;将多假生成对抗网络中的分类损失替换为焦点损失,使GAN在训练时更加侧重那些难于分对的样本;最后为训练后的GAN模型输入少数类别标签及随机噪声,即可生成高质量的少数样本本发明能够有效地为不平衡图像数据集中的少数生成高质量的样本,使数据成为平衡数据集,并帮助分类器提高不平衡场景下的分类性能。
  • 一种基于多假类生成对抗网络采样方法
  • [发明专利]机器人、VSLAM初始化方法、装置和可读存储介质-CN202111578877.5在审
  • 谭嘉豪;闫瑞君;刘运航 - 深圳市普渡科技有限公司
  • 2021-12-22 - 2022-03-25 - G01C21/00
  • 一种VSLAM初始化方法,包括:将视觉传感器获取的图像数据与运动传感器获取的运动数据同步;根据同步后的运动数据,对滑动窗口内预设帧数的图像数据中的特征点三角化,得到特征点对应的地图点;根据滑动窗口内预设帧数的图像数据中的特征点和特征点对应的地图点,迭代优化预设帧数的图像数据对应于视觉传感器的位姿,得到视觉传感器的初始位姿;通过松耦合对齐第一初始位姿变化和第二初始位姿变化,解算预设帧数的每一帧图像数据对应的速度和重力方向作为运动传感器的初始位姿本申请的技术方案避免了纯视觉初始化鲁棒性不足,而且有利于运动传感器在平面运动以及匀速运动等运动自由度受限的工作环境下,仍能达到快速且鲁棒的初始化效果。
  • 机器人vslam初始化方法装置可读存储介质
  • [发明专利]显示装置-CN201980099541.5在审
  • 朴埈贤;金瞳祐;文盛载;赵康文 - 三星显示有限公司
  • 2019-11-26 - 2022-04-01 - H01L27/32
  • 所述多个像素包括:第一型像素,在第一型像素中共电极和电极图案通过形成在像素限定层中并暴露电极图案的部分的开口孔彼此连接;以及第二型像素,不具有开口孔,并且在第二型像素中共电极和电极图案彼此不连接,并且第一型像素和第二型像素在显示区域中被布置为彼此相邻。
  • 显示装置

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top