-
公开(公告)号：CN111340179A
公开(公告)日：2020-06-26
申请号：CN202010012122.8
申请日：2020-01-07
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种卷积神经网络拓扑方法，利用已训练参数经验对神经网络结构进行拓扑，包括：获取待拓扑的卷积神经网络，对其训练多次，验证并记录其在图像测试集上的准确率；对训练后的卷积神经网络进行一次或多次拓扑得到待拓扑卷积神经网络对应的复杂卷积神经网络，其中，第一次拓扑是从预设的拓扑方式中随机选择一种方式对待拓扑的卷积神经网络进行拓扑操作，从第二次拓扑开始的每次拓扑是从预设的拓扑方式中随机选择一种方式对上一次拓扑后的卷积神经网络进行拓扑操作。本发明适用于图像分类数据集上任何卷积神经网络的结构拓扑，本发明的实现的最终效果是神经网络是功能保持的，尽管网络复杂度有所提升，但是对于同样的输入网络具有同样的输出。
-
公开(公告)号：CN119444637A
公开(公告)日：2025-02-14
申请号：CN202411509319.7
申请日：2024-10-28
Applicant: 中国科学院计算技术研究所
Abstract: 本申请公开了一种基于多方协同注意力机制的主题图像编辑与生成方法，方法包括：输入多模态指令至主题定位模块，定位作用区域，并在作用区域内提取主题图像和目标图像；将主题图像及目标图像输入预训练的深度学习模型，在自注意层内执行自注意力局部查询，实现整合源图像的背景和主题图像的前景；并执行自注意力全局注入，实现目标图像的细节增强；结合自注意力局部查询及自注意力全局注入的结果，输出编辑和生成的目标图像。本发明极大减少主题类模型生成一致性图像所需的时间，促进其在更广范围内的实际应用。
-
公开(公告)号：CN116310328A
公开(公告)日：2023-06-23
申请号：CN202310190417.8
申请日：2023-02-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/096
Abstract: 本发明提出一种基于跨图像相似度关系的语义分割知识蒸馏方法，包括：统计该教师特征图集中两两特征图间像素的相似度，得到教师图像相似度矩阵，统计该学生特征图集中两两特征图间像素的相似度，得到学生图像相似度矩阵；统计该两两特征图的该教师图像相似度矩阵和该学生图像相似度矩阵的最小平方误差，作为该两两特征图的误差，集合该训练集中所有两两特征图的误差，得到总误差，以训练更新该学生模型，执行语义分割任务。通过迁移跨图像间的相似度关系，学生模型可以学习到教师模型全局像素特征关系依赖，从而提高语义分割准确度。
-
公开(公告)号：CN111242281A
公开(公告)日：2020-06-05
申请号：CN202010014858.9
申请日：2020-01-07
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种深度卷积神经网络权值优化方法，包括以下步骤：获取初始种群，进行初始化和基因编码；对初始种群中所有个体进行梯度下降的参数训练，直至到达预设的次数；计算个体适应度并进行排序；基于遗传算法，对初始种群进行选择、交叉、变异操作，获得新一代种群；判断是否到达终止条件，若否则对新一代种群进行迭代训练和进化。本发明采用遗传算法与梯度下降方法相结合，来优化深度卷积神经网络权值，能够提高深度卷积神经网络的识别率，同时提高了深度卷积神经网络的获得速度。
-
Patent Agency Ranking
公开(公告)号：CN119741228A
公开(公告)日：2025-04-01
申请号：CN202411828017.6
申请日：2024-12-12
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于混合精度量化的扩散模型极低比特量化方法和装置，包括：获取待极低比特量化的扩散模型，获取该极低比特量化的初始量化精度，增加该初始量化精度得到高比特量化精度，减少该初始量化精度得到低比特量化精度；统计该扩散模型中各组权重数据的长尾分布程度；将该长尾分布程度最高的至少一组权重数据按照该高比特量化精度进行量化，并将该长尾分布程度最低的至少一组权重数据按照该低比特量化精度进行量化，并将该扩散模型的其余权重数据按照该初始量化精度进行量化，得到量化模型；将噪声图像和降噪要求的文本向量输入该量化模型，该量化模型根据该文本向量对该噪声图像进行降噪，得到符合该降噪要求的去噪图像。
-
公开(公告)号：CN116109873A
公开(公告)日：2023-05-12
申请号：CN202310174287.9
申请日：2023-02-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明提出一种基于多模型联合对比学习的图像分类方法和系统，包括：本发明提出多模型联合对比学习算法来引导不同的模型在特征层面进行交互，在多个模型之间相互地迁移各自的对比相似度概率分布。采用对比学习可使相同类别的样本在特征空间接近，不同类别样本在特征空间远离，进而得到具有判别性的表征空间。在多模型联合学习的场景下，对比学习可以使得不同模型的特征向量建立关系，从而在特征层面对多模型进行交互。通过多模型联合对比学习，每一个网络都可以学习更好的特征表达，从而提升图像分类的效果和下游的语义识别任务。
-
公开(公告)号：CN118587527A
公开(公告)日：2024-09-03
申请号：CN202410662573.4
申请日：2024-05-27
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/40 , G06V10/82 , G06N3/047 , G06N3/096 , G06N3/084
Abstract: 本发明提供了一种基于跨图像像素空间关系的扩散模型蒸馏方法，包括：获取教师模型和学生模型，两个模型均为生成式的扩散模型，教师模型是预先训练好的模型，学生模型所设置的迭代去噪的步数比教师模型更少；获取一个批次的样本数据，将每个样本数据分别输入两个模型以生成该样本数据对应的教师图像和学生图像；将当前批次生成的每张教师图像和学生图像分别输入预训练好的特征提取器，得到教师图像特征和学生图像特征；根据每两个教师图像特征计算两者像素间的第一空间关系矩阵，以及根据每两个学生图像特征计算两者像素间的第二空间关系矩阵；根据每对第一空间关系矩阵和第二空间关系矩阵间的KL散度求损失，根据损失更新学生模型的参数，其中，当一个第一空间关系矩阵和另一个第二空间关系矩阵所涉及的样本数据的编号一致时视两者为一对。
-
公开(公告)号：CN118521666A
公开(公告)日：2024-08-20
申请号：CN202410662575.3
申请日：2024-05-27
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于在线像素嵌入队列蒸馏扩散模型的方法，包括：获取教师模型和学生模型，学生模型所设置的迭代去噪的步数比教师模型更少；获取一个批次的样本数据，分别输入两个模型以生成图像对；将每个图像对的两张图像分别输入特征提取器，得到教师和学生图像特征；从当前批次的教师图像特征中，随机采样部分像素嵌入推入队列；从在线像素嵌入队列中随机采样部分像素嵌入，以生成参考嵌入矩阵；针对每个图像对，计算其对应的第一相似度矩阵和第二相似度矩阵；针对每个图像对，计算其对应的第一相似度矩阵和第二相似度矩阵之间的KL散度；根据当前批次生成的所有图像对相关的KL散度，确定损失以更新学生模型的参数。
-
公开(公告)号：CN111209972A
公开(公告)日：2020-05-29
申请号：CN202010021930.0
申请日：2020-01-09
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于混合连通性深度卷积神经网络的图像分类方法及系统，包括：获取包括多张原始图像的训练集，根据每张图片的类别标签统计得到该训练集的正确分类概率分布，将该训练集输入至深度卷积神经网络中，得到该训练集的特征向量，将该特征向量通过全连接层得到在不同类别上的预测分类概率分布，根据该预测分类概率分布与正确分类概率分布，求解一个交叉熵误差，通过该交叉熵误差迭代该深度卷积神经网络，直到该交叉熵误差小于预设值，保存当前该深度卷积神经网络作为图像分类网络；将待分类图像输入至该图像分类网络，输出该待分类图像的类别概率分布，选取概率最大的类别作为该待分类图像的图像分类结果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.032 seconds)
