“训练样本集”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478497个，建议您升级VIP下载更多相关专利

[发明专利]基于增量学习的模型推理方法及电子设备-CN202310325897.4在审
发明人：赵景程;熊超;牛昕宇 -专利权人：深圳鲲云信息科技有限公司
申请日： 2023-03-23 - 公布日： 2023-09-22 - 主分类号： G06N5/04 文献下载
摘要：所述方法包括：每获取一批训练样本集，分别对每批的训练样本集执行聚类操作，根据聚类结果构建每批训练样本集对应的模板样本库，利用每批训练样本集对初始模型进行训练，得到每批训练样本对应的目标模型，获取测试样本集，计算所述测试样本集中的每个测试样本与每个所述模板样本库中每个模板样本的相似度值，确定所述相似度值中最大值对应的所述模板样本的目标模板样本库，利用目标模板样本库对应的目标模型对测试样本集进行推理，得到每个测试样本的推理结果本申请可以防止出现灾难性遗忘的问题，提高对测试样本集推理的准确性。
基于增量学习模型推理方法电子设备

[发明专利]模型训练方法、血细胞信号检测方法、装置及设备-CN202110872689.7在审
发明人：刘晓康;许德鹏;陈齐文;杨鹏升 -专利权人：深圳市瑞图生物技术有限公司
申请日： 2021-07-30 - 公布日： 2023-02-07 - 主分类号： G06F18/214 文献下载
摘要：本申请涉及一种模型训练方法、血细胞信号检测方法、装置及设备，所述方法包括：获取训练样本集；训练样本集包括通过至少两种采集方式采集到的目标血细胞信号；根据预设标准对训练样本集进行人工标注，得到训练样本集对应的目标标注信息；将训练样本集输入至初始深度学习神经网络模型中，得到训练样本集对应的预测标注信息；根据目标标注信息、预测标注信息对初始深度学习神经网络模型的参数进行更新，生成预设的深度学习神经网络模型。
模型训练方法血细胞信号检测装置设备

[发明专利]模型训练方法、装置、计算机设备及存储介质-CN202011162501.1在审
发明人：陈志远 -专利权人：上海眼控科技股份有限公司
申请日： 2020-10-27 - 公布日： 2021-02-05 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及一种模型训练方法、装置、计算机设备及存储介质。该方法包括获取第一训练样本集合，所述第一训练样本集合包括多个第一图片样本；获取多个样本旋转角度，对于各所述样本旋转角度，将所述第一训练样本集合中的各所述第一图片样本旋转至所述样本旋转角度，得到与所述样本旋转角度对应的第二训练样本集合；其中，各所述样本旋转角度大于预设的角度阈值；基于各所述第二训练样本集合分别对初始模型进行训练，得到与各所述第二训练样本集合一一对应的中间模型；对所述多个中间模型进行模型蒸馏，得到目标模型。
模型训练方法装置计算机设备存储介质

[发明专利]基于直推式半监督深度学习的细粒度图像分类方法-CN202111478946.5在审
发明人：石伟伟;黑新宏;谢国;王晓帆;贾萌;鲁晓锋 -专利权人：西安理工大学
申请日： 2021-12-06 - 公布日： 2022-04-19 - 主分类号： G06V10/764 文献下载
摘要：本发明公开的基于直推式半监督深度学习的细粒度图像分类方法，包括以下步骤：准备细粒度图像的半监督学习训练样本集，将训练样本集划分为有标注训练样本集和无标注训练样本集；构建树型类层级结构；根据类层级结构，搭建深度卷积神经网络模型；在有标注训练样本集上训搭建的网络模型；为所有训练样本推断出对应的层级类标签向量集合；为每一个训练样本计算出与之对应的置信度；使用整个训练样本集从随机初始化开始训练搭建的网络模型；重复执行步骤5～7，直到前后两轮次所学习到的网络模型对无标注样本所推断出的细粒度类标签向量基本一致；将待分类的细粒度图像输入训练好的网络模型，在细粒度分类层得到该图像的预测类别。
基于直推式半监督深度学习细粒度图像分类方法

[发明专利]基于核心样本自适应扩充的小样本高光谱图像分类方法-CN202110244446.9在审
发明人：丁晨;陈非熊;庄旭思;陈家祯;王旭珂;李润泽;苏舸夫;石武军;吴昊 -专利权人：西安邮电大学;陕西山河明泽生态环境技术咨询有限公司
申请日： 2021-03-05 - 公布日： 2021-06-15 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于核心样本自适应扩充的小样本高光谱图像分类方法，首先对高光谱图像进行数据预处理，得到训练样本和测试样本；采用MCFSFDP聚类方法自适应确定测试样本中的核心样本；将核心样本加入至训练样本中，扩充得到训练样本集；将训练样本集代入至生成对抗网络中进行训练，生成与训练样本集数量一致的生成样本，并将生成样本加入至训练样本集中，扩充得到训练样本数据集；将训练样本数据集代入至BP神经网络模型中进行训练，得到最终的BP神经网络模型；将测试样本代入至最终的BP神经网络模型中，正向计算得到小样本高光谱图像的分类结果，通过对训练样本进行两次自适应样本扩充，有效提高了神经网络的泛化能力和小样本高光谱图像分类精度
基于核心样本自适应扩充光谱图像分类方法

[发明专利]模型训练方法、风格化图像生成方法、装置及电子设备-CN202310132740.X在审
发明人：刘伍琴;董未名;林敏轩;黄海斌;马重阳;徐常胜 -专利权人：中国科学院自动化研究所
申请日： 2023-02-06 - 公布日： 2023-06-23 - 主分类号： G06T3/00 文献下载
摘要：本发明提供一种模型训练方法、风格化图像生成方法、装置及电子设备，其中方法包括：获取第一训练样本集，第一训练样本集包括多个样本内容信息和多个样本风格信息，每个样本内容信息和每个样本风格信息分别为图像数据或者文本数据；获取第二训练样本集，第二训练样本集中包括多个样本图像；基于第一训练样本集，对风格迁移模型进行训练，确定预设风格迁移模型；基于第二训练样本集，对图像生成模型进行训练，确定预设图像生成模型；基于预设风格迁移模型和预设图像生成模型
模型训练方法风格图像生成装置电子设备

[发明专利]人机对话模型训练方法、人机对话方法及系统-CN202010195133.4有效
发明人：朱钦佩 -专利权人：思必驰科技股份有限公司
申请日： 2020-03-19 - 公布日： 2022-07-08 - 主分类号： G06F16/35 文献下载
摘要：本发明公开一种人机对话模型训练方法，所述人机对话模型包括编码器和解码器，所述方法包括：预先构建训练样本集，所述训练样本集至少基于有效问题‑答案对子集和无效问题‑答案对子集构成；采用所述训练样本集对所述编码器进行预训练得到初始编码器；采用所述训练样本集对所述初始编码器和所述解码器进行联合训练。本发明通过将无效问题融入到训练样本集中，并且基于该训练样本集对编码器进行预训练，使得训练得到的初始编码器学习到了需要进行特殊回复无效问题的特征，进一步基于训练样本集对初始编码器和解码器进行联合训练，从而得到了能够针对需要进行特殊回复的无效问句生成合适答复内容的人机对话模型
人机对话模型训练方法系统

[发明专利]一种极限学习机训练方法、训练装置以及终端设备-CN202180013308.8在审
发明人：何玉林;李旭 -专利权人：深圳大学
申请日： 2021-01-19 - 公布日： 2022-09-20 - 主分类号： G06Q10/06 文献下载
摘要：本申请公开一种极限学习机训练方法、训练装置以及终端设备，该方法包括：获取目标训练样本集，所述目标训练样本集包括至少两个目标子训练样本集；分别使用各个所述目标子训练样本集对各个原始极限学习机进行训练，得到各个所述目标子训练样本集对应的原始权重值本申请解决了目前极限学习机在保证高准确率的情况下，训练高维度训练样本的时间较长，效率较低的问题。
一种极限学习机训练方法装置以及终端设备

[发明专利]一种基于自动编码的图像识别模型训练方法及装置-CN202011043380.9在审
发明人：吴昊;安定;李贺;张蔚坪;郭冬旭 -专利权人：北京师范大学
申请日： 2020-09-28 - 公布日： 2021-02-09 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于自动编码的图像识别模型训练方法及装置，涉及图像处理技术领域。方法包括：获取图像训练样本集，利用自动编码模型对图像训练样本集进行降维处理，可以将其中的高维图像训练样本识别问题转化为特征表达向量的识别问题，极大的降低了计算的复杂程度，减少了冗余信息所造成的识别误差。对降维处理后的图像训练样本集进行优化，以得到优化后的图像训练样本集，能够进一步保证通过该优化后的图像训练样本集能够训练出能够对图像进行准确识别的图像识别模型，进而保证图像识别的准确性。根据优化后的图像训练样本集对初始图像识别模型进行训练，以得到训练好的能够进行准确识别的图像识别模型。
一种基于自动编码图像识别模型训练方法装置

[发明专利]一种农作物种类识别模型的建立方法、贷款额度评估方法-CN202310231310.3在审
发明人：杨智灵;李忠兴;骆新伟;张大东 -专利权人：中国工商银行股份有限公司
申请日： 2023-03-10 - 公布日： 2023-06-06 - 主分类号： G06V20/10 文献下载
摘要：所述方法包括：从农作物高光谱图像样本集中获取训练样本集以及对应的农作物标签；根据初始模型、训练样本集以及对应农作物标签，训练获得第一分类模型；根据第一剩余训练样本集和所述第一分类模型对训练样本集进行更新，获得更新后的训练样本集以及对应农作物标签；根据更新后的训练样本集以及对应的农作物标签，训练获得第二分类模型；重新对训练样本集进行更新，并重新训练获得第二分类模型直到满足训练结束条件，获得农作物种类识别模型本发明实施例提供的农作物种类识别模型的建立方法及装置，提高了模型的训练效率。
一种农作物种类识别模型建立方法贷款额度评估

[发明专利]一种建立数据识别模型的方法及装置-CN201610110817.3在审
发明人：姜晓燕;杨旭;代斌;褚崴 -专利权人：阿里巴巴集团控股有限公司
申请日： 2016-02-26 - 公布日： 2017-09-05 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种建立数据识别模型的方法及装置，用于根据包括正、负样本的训练样本建立数据识别模型，该方法采用采用训练样本进行逻辑回归训练，得到第一模型；对训练样本按比例采样，获得第一训练样本集；采用训练得到的第一模型对正样本进行识别，从第一模型识别后具有识别结果的正样本中选择出第二训练样本集；采用采样后得到的第一训练样本集与所述第二训练样本集进行深度神经网络DNN训练，得到最终的数据识别模型。本发明的装置包括第一训练模块、采样模块、选择模块和最终模型训练模块。本发明的方法及装置，提高了数据识别模型的稳定性。
一种建立数据识别模型方法装置

[发明专利]分类器应用方法及装置-CN202010505890.7有效
发明人：童楚婕;彭勃;栾英英;严洁;徐晓健;李福洋 -专利权人：中国银行股份有限公司
申请日： 2020-06-05 - 公布日： 2023-06-23 - 主分类号： G06V10/764 文献下载
摘要：本发明提供了一种分类器应用方法及装置，其中方法包括：接收待识别图像；输入所述待识别图像至分类器获得分类器的分类结果；其中，所述分类器由真实训练样本集和经噪声发生器输出的伪造训练样本集训练后获得，所述噪声发生器随机地向真实训练样本中添加噪声获得含有图像破坏的伪造训练样本由于采用真实训练样本集之外的其它训练样本训练分类器，所以训练后获得的分类器可以识别真实训练样本集之外的图像，从而提高分类器的鲁棒性。
分类应用方法装置

[发明专利]预测模型训练、数据预测方法、装置和存储介质-CN202110355929.6有效
发明人：杨子翊;叶兆丰;廖奔犇;张胜誉 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-04-01 - 公布日： 2021-06-25 - 主分类号： G16B40/00 文献下载
摘要：本申请涉及一种预测模型训练方法、装置、计算机设备和存储介质。该方法包括：获取训练样本集，训练样本集包括各个训练样本、各个训练样本对应的训练样本权重和各个训练样本对应的目标能量特征；基于训练样本权重从训练样本集中确定当前训练样本；将当前训练样本对应的当前目标能量特征输入到预训练预测模型中进行基础训练，当基础训练完成时，得到基础预测模型；基于基础预测模型更新各个训练样本对应的训练样本权重并迭代执行，直到模型训练完成时，得到目标预测模型，目标预测模型用于预测输入的蛋白质信息与输入的化合物信息对应的相互作用状态信息采用本方法能够提高训练得到的目标预测模型的预测准确性。
预测模型训练数据方法装置存储介质

[发明专利]模型训练方法、网络态势预测方法、装置、设备及介质-CN202011474986.8有效
发明人：叶明武;邹晓明;刘楚群;钟超逸;张璐娟;郑兴月;曾夏叶;谭翠容;黄青平;雷雨;王曦彤;何溢 -专利权人：广东电网有限责任公司;广东电网有限责任公司河源供电局
申请日： 2020-12-14 - 公布日： 2022-04-12 - 主分类号： H04L9/40 文献下载
摘要：本发明公开了一种模型训练方法、网络态势预测方法、装置、设备及介质，包括：确定各个样本时间段的网络安全态势值；根据处理方式，对各个样本时间段的网络安全态势值进行处理，形成网络安全态势训练样本集；将网络安全态势训练样本集输入经由PSO算法优化的初始SVM模型中，获取各训练预测值与对应的实际值的误差；根据各训练预测值与对应的实际值的误差，确定训练样本集中的补丁训练样本；根据补丁训练样本，对初始SVM模型进行训练得到补丁SVM模型；根据训练样本集中的除补丁训练样本之外的剩余的正常训练样本，对初始SVM模型进行训练得到全局SVM模型。该模型训练方法训练效率较高并且训练出的SVM模型的准确性较高。
模型训练方法网络态势预测装置设备介质

[发明专利]一种基于彩色数码相机单幅RGB图像的光谱重建方法-CN201710222003.3有效
发明人：万晓霞;梁金星 -专利权人：武汉大学
申请日： 2017-04-06 - 公布日： 2019-05-10 - 主分类号： G01N21/27 文献下载
摘要：本发明属于光谱成像技术领域，涉及一种基于彩色数码相机单幅RGB图像的光谱重建方法，包括测量训练样本光谱反射率；搭建拍摄环境，拍摄训练样本和重建对象RGB图像，校正图像；提取训练样本和重建对象各像素RGB响应值，计算任一像素与训练样本之间RGB值的欧氏距离，依据欧式距离从小到大对训练样本进行升序排列，取前p个训练样本为最优训练样本集；计算最优训练样本集的反距离加权矩阵；对最优训练样本集和待重建像素的响应值进行扩展；利用反距离加权矩阵对最优训练样本集的响应值扩展矩阵和光谱反射率矩阵进行加权；利用伪逆方法求解光谱重建转换矩阵，重建对应像素的光谱反射率，最终获得重建对象的光谱图像。
一种基于彩色数码相机单幅 rgb 图像光谱重建方法