“网络模型”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1484132个，建议您升级VIP下载更多相关专利

[发明专利]一种基于跨通道级联卷积层的神经网络模型优化算法-CN201910499162.7在审
发明人：肖清林 -专利权人：福建奇点时空数字科技有限公司
申请日： 2019-06-11 - 公布日： 2019-10-15 - 主分类号： G06K9/62 文献下载
摘要：一种基于跨通道级联卷积层的神经网络模型优化算法，包括：设置建模参数、确定待优化的神经网络模型；神经网络模型包括多个卷积神经网络、在神经网络模型的卷积层后面添加跨通道级联卷积层；对初步优化的神经网络模型中多个权重中的每个权重的权重改变进行采样；通过权重改变乘以权重的符号来更新权重，得到再次优化的神经网络模型；利用再次优化后的神经网络模型对样本进行训练；得到最终优化的神经网络模型。本发明通过添加跨通道级联卷积层，提高了模型的表达能力，以及对图形、文本的识别率，再通过对初步优化的神经网络模型中的权重进行更新，大大减少了本神经网络模型优化算法的运算次数，提高了工作效率，最终达到算法优化的目的
神经网络模型权重卷积级联优化算法优化卷积神经网络工作效率建模参数算法优化识别率采样更新样本运算文本

[发明专利]一种网络模型压缩方法、装置、存储介质和电子设备-CN202010837744.4在审
发明人：沈力;黄浩智;王璇 -专利权人：腾讯科技（深圳）有限公司
申请日： 2020-08-19 - 公布日： 2020-12-08 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开了一种网络模型压缩方法、装置、存储介质和电子设备，所述方法涉及人工智能领域中的深度学习方向，包括：获取训练完成的第一生成式对抗网络模型，初始化第二生成式对抗网络模型，将训练数据分别输入至第一生成式对抗网络模型、和第二生成式对抗网络模型进行处理，得到第一输出结果和第二输出结果，基于第一输出结果和第二输出结果，生成交叉判别损失，基于交叉判别损失，迭代更新第二生成式对抗网络模型的网络模型参数，得到压缩后的目标生成式对抗网络模型该方案可以获取到有效保存第一生成式对抗网络模型能力，并且大大减少网络模型参数量的第二生成式对抗网络模型。
一种网络模型压缩方法装置存储介质电子设备

[发明专利]神经网络模型的并行训练方法、装置、电子设备-CN202110925104.3在审
发明人：方佳瑞;于洋 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-08-12 - 公布日： 2022-04-12 - 主分类号： G06N3/08 文献下载
摘要：本发明提供了一种神经网络模型的并行训练方法包括：对目标神经网络模型进行分割，得到所述目标神经网络模型的块结构；当对所述目标神经网络模型进行训练时，对所述张量信息的状态变化进行监测；根据所述张量信息的状态变化，确定所述目标神经网络模型的块结构的状态；基于所述目标神经网络模型的块结构的状态，对不同块结构对应的目标神经网络模型的参数的存储位置进行调整，本发明还提供了神经网络模型的并行训练装置、电子设备及存储介质本发明能够使实现对目标神经网络模型并行进行训练，通过并行训练的方式，提升神经网络模型的并行训练速度，同时也提高了对大规模神经网络模型的处理能力。
神经网络模型并行训练方法装置电子设备

[发明专利]用于具有用户交互的时间序列预测的自动深度学习架构选择-CN202180071234.3在审
发明人：陈蓓;王大阔;M·威斯托巴;B·比塞尔;L·吴;淦创;M·辛 -专利权人：国际商业机器公司
申请日： 2021-11-12 - 公布日： 2023-07-14 - 主分类号： G06Q10/04 文献下载
摘要：一种用于自动生成用于时间序列预测的深度神经网络架构的系统和方法。该系统包括处理器，用以：接收与当前用例相关联的预测上下文；基于相关联的预测上下文，选择被配置用于当前用例时间序列预测任务的预测模型网络；复制所选择的预测模型网络以创建多个候选预测模型网络；将时间序列数据输入到多个候选预测模型网络中的每个候选预测模型网络架构；利用输入时间序列数据并行地训练多个候选预测模型网络中的每个相应候选预测模型网络；通过在并行训练的同时应用一个或多个模型参数的相应不同集合来修改多个候选预测模型网络中的每个候选预测模型网络架构；以及确定用于解决当前用例时间序列预测任务的最适合的经修改预测模型网络
用于具有用户交互时间序列预测自动深度学习架构选择

[发明专利]端到端的深度神经网络模型压缩及异构转换系统及方法-CN202211292482.3在审
发明人：王旭强;江黛茹;张倩宜;郑剑;金尧;杨一帆;郑阳 -专利权人：国网天津市电力公司;国家电网有限公司;国网天津市电力公司信息通信公司
申请日： 2022-10-21 - 公布日： 2023-03-07 - 主分类号： G06N3/082 文献下载
摘要：本发明涉及一种端到端的深度神经网络模型压缩及异构转换系统及方法，包括：面向边缘侧设备的深度神经网络模型压缩模块，用于实现对待优化网络模型的剪枝，并根据网络特征对网络模型进行重训练，继而使用多种模型量化压缩方法得到较小精度损失的压缩网络模型后，将压缩后网络模型输入至面向边缘侧设备的异构模型转换模块；面向边缘侧设备的异构模型转换模块，用于实现网络模型由X86到ARM的转换，实现网络模型异构转换的自动化。本发明能够解决电力边缘测设备无法与通用的服务器端架构兼容，导致现有的深度神经网络模块无法直接应用在电力边缘侧设备中或者无法提供足够的性能，从而制约了边缘侧深度神经网络技术的应用的问题。
端到端深度神经网络模型压缩转换系统方法

[发明专利]基于二值神经网络模型的图像分类方法以及相关设备-CN202310927246.2在审
发明人：王耀威;李天翔;王乾蔚;黄钰均;陈斌;夏树涛 -专利权人：鹏城实验室
申请日： 2023-07-27 - 公布日： 2023-08-29 - 主分类号： G06V10/764 文献下载
摘要：本申请涉及人工智能技术领域，提供了一种基于二值神经网络模型的图像分类方法以及相关设备，基于二值神经网络模型的图像分类方法利用全精度神经网络模型对属于相同网络结构的第一神经网络模型进行逐层知识蒸馏得到的第二神经网络模型，能够使得第二神经网络模型充分学习到全精度神经网络模型的知识，之后再将第二神经网络模型的权重参数固定为1比特得到二值神经网络模型，能够极大程度地减少模型推理过程中占用的存储空间以及计算资源，利用该二值神经网络模型能够在诸如嵌入式设备或移动设备等存储空间和计算资源有限的微型设备上实现准确高效的图像分类
基于神经网络模型图像分类方法以及相关设备

[发明专利]基于知识转换的水下图像增强方法-CN202310657193.7在审
发明人：付先平;林鹏;樊子豪;王亚飞;张军 -专利权人：大连海事大学
申请日： 2023-06-05 - 公布日： 2023-09-29 - 主分类号： G06T5/00 文献下载
摘要：本发明方法，包括：搭建水下图像增强网络模型；构建第一损失函数；采用第一损失函数约束第一网络模型，采用N张水下图像训练第一网络模型得到教师网络模型；根据教师网络模型构建第二损失函数；采用第二损失函数约束第二网络模型，采用N张水下图像和M张转化图像训练第二网络模型得到学生网络模型；向学生网络模型输入原始图像，学生网络模型对原始图像进行增强处理。通过第二损失函数约束第二网络模型的训练，促进生成的图像更接近于参照图像，具有更鲜明的色彩、更高的对比度、更丰富的纹理与细节。
基于知识转换水下图像增强方法

[发明专利]图像目标检测模型建立方法、装置、存储介质及程序产品-CN201811592967.8有效
发明人：蔡巍;胡佳慧;崔朝辉;赵立军;张霞 -专利权人：东软集团股份有限公司
申请日： 2018-12-25 - 公布日： 2021-02-19 - 主分类号： G06K9/46 文献下载
摘要：本发明提供一种图像目标检测模型的建立方法及装置，利用遮挡图像样本进行特征遮挡对抗网络模型的训练，通过特征遮挡对抗网络模型来获得图像样本的遮挡掩码，这样，在进行检测网络模型的训练时，将训练用的图像样本的特征图添加遮挡掩码，该遮挡掩码利用训练好的特征遮挡对抗网络模型获得。这样，由于特征遮挡对抗网络模型利用遮挡图像样本训练而获得，能够训练出生成更好掩码的特征遮挡对抗网络模型，进而利用该特征遮挡对抗网络获得用于检测网络模型训练用的遮挡掩码，从而，可以利用具有更好遮挡掩码的图像样本进行检测网络模型的训练，使得检测网络模型对遮挡情形得到充分训练，提高检测网络模型对遮挡物体检测的准确性。
图像目标检测模型建立方法装置存储介质程序产品

[发明专利]卷积神经网络模型压缩方法和装置、存储介质及电子装置-CN201910251951.9有效
发明人：金坤;李峰;赵世杰;左小祥 -专利权人：腾讯科技（深圳）有限公司
申请日： 2019-03-29 - 公布日： 2023-08-29 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种卷积神经网络模型压缩方法和装置、存储介质及电子装置。其中，该方法包括：将卷积神经网络模型中的第一批量标准化层的参数合并到卷积神经网络模型中的第一卷积层中，生成包含有第一目标卷积层的第一目标神经网络模型，其中，卷积神经网络模型与第一目标神经网络模型对于相同的输入具有相同的输出；将第一目标神经网络模型中的第一目标卷积层中范数小于第一阈值的卷积核删除，得到第二目标神经网络模型；对第二目标神经网络模型进行压缩，得到第三目标神经网络模型。本发明解决了相关技术中神经网络模型的使用效率低、灵活性差的技术问题。
卷积神经网络模型压缩方法装置存储介质电子

[发明专利]一种消化道解剖位置识别方法及装置-CN201711027594.5无效
发明人：白家莲;袁建;陈洪瀚 -专利权人：重庆金山医疗器械有限公司
申请日： 2017-10-27 - 公布日： 2018-04-06 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种消化道解剖位置识别方法及装置，该方法包括获取训练集和测试集；选取基于深度学习框架的深度网络模型作为当前深度网络模型，利用训练集对当前深度网络模型进行训练，利用测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度数据，判断该识别精度数据是否符合预设精度要求，若是，则完成训练，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回执行利用训练集对当前深度网络模型进行训练的步骤；将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置。
一种消化道解剖位置识别方法装置

[发明专利]基于生成对抗网络的图像超分辨率方法-CN202010329481.6在审
发明人：刘闯闯;严伊彤;金龙存;彭新一 -专利权人：华南理工大学
申请日： 2020-04-23 - 公布日： 2020-08-25 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了基于生成对抗网络的图像超分辨率方法。所述方法包括以下步骤：获取训练数据集、验证数据集；构建图像超分辨率模型，包括生成网络模型和判别网络模型；初始化建立的生成网络模型和判别网络模型的权重，初始化网络模型，选取优化器，设置网络训练的参数；使用损失函数来同时训练生成网络模型和判别网络模型，直到生成网络和判别网络达到纳什平衡；获取测试数据集并输入到训练好的生成网络模型，生成超分辨率图像；计算生成的超分辨率图像与真实的高分辨率图像之间的峰值信噪比，计算生成图像的图像重建质量的评价指标，评估图像的重建质量本发明通过优化网络结构来提升网络重建超分辨率图像的性能，解决图像超分辨率问题。
基于生成对抗网络图像分辨率方法

[发明专利]一种网络参数自纠正的行人重识别方法及系统-CN202010065378.5有效
发明人：陈羽中;黄腾达;柯逍;林洋洋 -专利权人：福州大学
申请日： 2020-01-20 - 公布日： 2022-10-04 - 主分类号： G06V40/10 文献下载
摘要：本发明涉及一种网络参数自纠正的行人重识别方法及系统，该方法包括：A、使用已标注类标签行人视频训练深度网络得到参考网络模型；B、利用参考网络模型估计未标注类标签行人视频的伪标签，并选取一定比例训练深度网络得到目标网络模型；C、从选取的未标注视频中再选取一定比例，打乱其伪标签，训练深度网络得到偏差网络模型；D、计算噪声自适应损失，对目标网络模型中错误网络参数更新进行自纠正；E、将参考网络模型替换成目标网络模型，重复步骤B‑D，并增加未标注视频的选取比例直到所有未标注视频被选中，得到最终的目标网络模型；F、使用目标网络模型对查询视频进行行人重识别。
一种网络参数纠正行人识别方法系统

[发明专利]一种声学模型训练方法和装置-CN201310288097.6有效
发明人：王尔玉;卢鲤;张翔;刘海波;饶丰;李露;岳帅;陈波 -专利权人：腾讯科技（深圳）有限公司
申请日： 2013-07-10 - 公布日： 2014-11-12 - 主分类号： G10L15/06 文献下载
摘要：本发明实施方式提出一种声学模型训练方法和装置。方法包括：建立深层神经网络模型初始模型；将语音训练数据划分为N个不相交的数据子集合，针对每个数据子集合利用随机梯度下降算法更新深层神经网络模型初始模型，得到N个深层神经网络模型子模型，其中N为至少为2的自然数；融合N个深层神经网络模型子模型以得到深层神经网络模型中间模型，并当该深层神经网络模型中间模型符合预先设定的收敛条件时，判定该深层神经网络模型中间模型为训练后声学模型。本发明实施方式提高了声学模型的训练效率，并且不降低语音识别的性能。
一种声学模型训练方法装置

[发明专利]用户画像识别模型训练方法、设备、可读存储介质及产品-CN202011573593.2在审
发明人：王龙飞 -专利权人：北京百度网讯科技有限公司
申请日： 2020-12-24 - 公布日： 2021-03-26 - 主分类号： G06K9/62 文献下载
摘要：本申请公开了用户画像识别模型训练方法、设备、可读存储介质及产品，涉及数据处理中的深度学习、大数据。具体实现方案为：获取多组用户画像数据以及用户画像数据对应的标签信息；通过多组用户画像数据以及标签信息，对预设的基准网络模型和影子网络模型进行训练操作，获得基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；根据标签信息、第一预测标签、第二预测标签，对基准网络模型和影子网络模型的训练参数进行更新，获得基准网络模型对应的第一训练参数、影子网络模型对应的第二训练参数；采用第一训练参数以及第二训练参数对基准网络模型和影子网络模型进行训练从而能够提高用户画像识别模型鲁棒性以及识别精度。
用户画像识别模型训练方法设备可读存储介质产品

[发明专利]一种目标检测方法、装置、存储介质及电子设备-CN202310397030.X在审
发明人：张宇豪;唐华锦;王自铭;潘纲 -专利权人：之江实验室;浙江大学
申请日： 2023-04-04 - 公布日： 2023-07-07 - 主分类号： G06V20/00 文献下载
摘要：本说明书公开了一种目标检测方法、装置、存储介质及电子设备，本说明书实施例中根据待转换的脉冲神经网络模型所需的运行时长，对原始人工神经网络模型中每个神经元的激活函数进行调整，得到调整后激活函数。将通过调整后激活函数训练得到的训练后模型参数迁移到脉冲神经网络模型中，得到初始脉冲神经网络模型。在此方法中，由于人工神经网络模型中调整后激活函数是通过脉冲神经网络模型的运行时长进行调整的，所以，将通过调整后激活函数训练得到的模型参数迁移到脉冲神经网络模型中，无需脉冲神经网络模型消耗额外的运行时长来达到与人工神经网络模型接近的性能，从而减少了脉冲神经网络模型运行的计算量和功耗。
一种目标检测方法装置存储介质电子设备