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941942个,建议您升级VIP下载更多相关专利
  • [发明专利]模型训练方法、装置及电子设备-CN202211090650.0在审
  • 许超 - 维沃移动通信有限公司
  • 2022-09-07 - 2023-06-23 - G06F18/214
  • 本申请公开了一种模型训练方法、装置及电子设备,属于信号处理技术领域,该方法包括:获取初始训练信息,其中,初始训练信息包括第一子任务、第一损失函数和训练模型;基于训练模型对第一子任务进行第一任务训练,得到训练模型的第一模型权重参数,其中,第一任务训练的损失函数为第一损失函数;基于训练模型、第一模型权重参数对第二子任务进行第二任务训练,得到训练模型的第二模型权重参数,其中,第二子任务与第一子任务不同,第二任务训练的损失函数为第二损失函数,第二损失函数与第一损失函数不同;基于第二模型权重参数,得到训练模型的目标模型权重参数。
  • 模型训练方法装置电子设备
  • [发明专利]基于预训练的缺陷检测方法及装置-CN202310671297.3在审
  • 钱智明;潘正颐;侯大为;童竹勍 - 常州微亿智造科技有限公司
  • 2023-06-08 - 2023-07-11 - G06T7/00
  • 本发明涉及工业质检技术领域,提供一种基于预训练的缺陷检测方法及装置,方法包括:基于多模态预训练数据集,采用多模态预训练方式对骨干网络模型进行预训练;构建至少一个适配器网络模型,对适配器网络模型进行预训练;构建缺陷检测模型,缺陷检测模型包括任务网络模型、预训练后的骨干网络模型和适配器网络模型;基于缺陷检测训练数据集对缺陷检测模型进行训练;并通过提示学习法将图像输入训练后的缺陷检测模型进行缺陷检测。由此,在预训练的基础上实现模型训练,且通过提示学习方法结合训练后的缺陷检测模型实现缺陷检测,既可以解决训练样本量不足的问题,又可以提高检测效率,从而可以应用于中小批量的产品的缺陷检测。
  • 基于训练缺陷检测方法装置
  • [发明专利]针对心电图数据使用二值化神经网络的心律不齐检测方法-CN201910516177.X有效
  • 孙扬帆;吴迅冬;程雨夏;吴卿 - 杭州电子科技大学
  • 2019-06-14 - 2022-06-14 - G16H50/20
  • 本发明公开了一种针对心电图数据使用二值化神经网络的心律不齐检测方法,本发明首先获取训练模型数据,在训练之前对数据进行预处理;构建一组全精度的卷积网络模型,并输入数据进行训练,对网络参数进行调整以获得较好的效果;参考获得的全精度模型,构建二值化网络模型,将数据输入进行训练,对模型参数进行微调,在训练中采用Stop‑BN的训练方法以提高训练效果;将已训练好的全精度模型作为老师模型,未训练的二值化模型作为学生模型,使用老师模型对学生模型进行蒸馏训练,以获得直接训练二值化网络更好的训练效果。本发明针对房颤进行鉴别,可有效减少运算内存与运算时间,训练的网络模型取得较优成果以降低二值化带来的精度损失。
  • 针对心电图数据使用二值化神经网络心律不齐检测方法
  • [发明专利]模型训练方法、模型训练装置、存储介质和电子设备-CN202010844875.5在审
  • 赵震;郭玉红 - 北京嘀嘀无限科技发展有限公司
  • 2020-08-20 - 2020-12-22 - G06K9/62
  • 本发明实施例公开了一种模型训练方法、模型训练装置、存储介质和电子设备。本发明实施例在获取源域的待训练模型、第一图像集合和目标域的第二图像集合后,以各第一图像为输入,并以各第一图像对应的对象识别框和对象识别框的类别为训练目标对待训练模型进行训练,同时以各第二图像为输入,获取第二图像在待训练模型的不同层的输出,以对注意力判别模型和特征判别模型进行训练,从而响应于待训练模型的检测损失函数、注意力判别模型的注意力损失函数和特征判别模型的特征损失函数收敛,将训练后的待训练模型确定为目标模型。本发明实施例无需对目标域图像标记就可以对待训练模型进行训练,提升了模型对于目标域的物体检测能力,并降低了标记成本。
  • 模型训练方法装置存储介质电子设备
  • [发明专利]黑边视频检测方法及装置-CN201710916085.1在审
  • 马健 - 北京奇虎科技有限公司
  • 2017-09-30 - 2018-02-16 - G06K9/00
  • 本发明提供了一种黑边视频检测方法及装置,该方法包括从待检测视频集合中筛选出视频训练数据集。确定待训练网络模型,并基于视频训练数据集为待训练网络模型设定训练参数。将视频训练数据集中的数据赋予待训练网络模型作为实际训练参数值,由待训练网络模型基于实际训练参数值进行模型训练,直到待训练网络模型收敛,得到训练后的检测模型。进而可以利用训练后的检测模型对待检测视频进行检测,检测出其中的黑边视频。由此,本发明实施例利用训练后网络模型对待检测视频进行测试,这种视频检测方式能够有效地筛选出更多且更难筛选出的黑边视频,并且黑边视频检测的准确率非常高。
  • 视频检测方法装置
  • [发明专利]神经网络模型训练方法、装置及电子设备-CN201911006317.5在审
  • 浦世亮;虞抒沁 - 杭州海康威视数字技术股份有限公司
  • 2019-10-22 - 2021-04-23 - G06N3/04
  • 本申请实施例提供了神经网络模型训练方法、装置及电子设备,该方法包括获取训练集;在训练集中选取样本图像输入到神经网络模型中进行训练;获取神经网络模型训练状态信息,其中,训练状态信息表示神经网络模型的性能;按照训练状态信息,确定当前的性能模式;按照当前的性能模式对应的训练方式,对神经网络模型进行训练。获取神经网络模型训练状态信息,以确定性能模式,并按照性能模式对应的训练方式,对神经网络模型进行训练,能够按照性能模式对应的训练方式,对神经网络模型进行训练,以提高各阶段训练的准确度,从而提高了神经网络模型的准确度
  • 神经网络模型训练方法装置电子设备
  • [发明专利]一种巡检方法及装置-CN202010103868.X在审
  • 杨洁;何东杰 - 中国银联股份有限公司
  • 2020-02-20 - 2020-06-30 - G06F11/30
  • 本发明公开了一种巡检方法及装置,其中方法包括:模型管理设备向各个移动设备发送模型训练指示,各个移动设备根据模型训练指示,按照对应的巡检路线在机房中行进时采集训练数据,基于本地模型训练数据训练得到中间模型并上报给模型管理设备,模型管理设备基于各个中间模型模型参数训练得到识别模型,识别模型用于确定机房的健康状态。通过将中间模型训练过程放置在移动设备侧执行,使得移动设备可以仅上报中间模型模型参数给模型管理设备,而无需上报全量的训练数据,从而能够节省通信开销,提高巡检效率。
  • 一种巡检方法装置
  • [发明专利]一种注意力机制模型训练方法、装置、终端及存储介质-CN202211143030.9在审
  • 任智祥;任一铭;田永鸿;高文 - 鹏城实验室
  • 2022-09-20 - 2022-12-16 - G06N3/08
  • 本发明公开了一种注意力机制模型训练方法、装置、终端及存储介质,包括:获取配置文件,根据配置文件识别各待训练模型,并向各待训练模型分配对应的并行训练策略;根据分配的并行训练策略及对应的模型参数进行数据并行处理,加载配置文件中对应的数据存储位置,得到各待训练模型对应的训练数据;调用全局自扩展模型并行算法,根据得到的训练数据、分配的并行训练策略及配置文件中的模型参数对各待训练模型进行并行训练,得到各待训练模型训练结果本发明实现了可自动伸缩的强扩展策略,框架可根据用户使用的模型,数据量大小自动扩展并行规模并修改矩阵切分维度,提高了注意力机制模型并行训练的效率。
  • 一种注意力机制模型训练方法装置终端存储介质
  • [发明专利]数据处理方法-CN202210010580.7在审
  • 袁珊娜;李婧;岳长琴;常园园 - 青岛海尔智能技术研发有限公司;海尔智家股份有限公司
  • 2022-01-05 - 2022-07-29 - G10L15/06
  • 本申请涉及语音识别技术领域,公开一种数据处理方法,包括:服务端获得至少一个客户端各自提交的未收敛的训练模型训练模型由至少一个客户端采用各自的本地语音数据,对用于语音识别的预设模型进行模型训练而得到;以预设模型为基础模型,以训练模型为目标模型,对基础模型和目标模型进行融合,得到融合模型;将融合模型发送至训练模型对应的客户端,以便训练模型对应的客户端继续采用本地语音数据,对融合模型进行模型训练。这样,可以在保证用户的隐私安全的同时,保证模型训练的进度。
  • 数据处理方法

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