-
公开(公告)号：CN103390162B
公开(公告)日：2016-08-10
申请号：CN201310283875.2
申请日：2013-07-08
Applicant: 中国科学院计算技术研究所
IPC: G06K9/46 , G06K9/64 , H04N21/435
Abstract: 本发明提供一种台标检测方法，所述方法包括：对查询图像进行特征点定位，且对每个特征点提取HOG特征；对查询图像的每个特征点的HOG特征，在特征库中搜索其K个近邻，由每个特征点向对应于该K个近邻的K个投票位置进行投票。所述方法还包括：根据投票位置的得票数，确定所述查询图像中是否存在台标。所述检测方法兼顾效率与准确率，适用于多种应用场合。
-
公开(公告)号：CN113936168B
公开(公告)日：2024-11-01
申请号：CN202111088084.5
申请日：2021-09-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/762 , G06V10/82 , G06N3/088
Abstract: 本发明提出一种基于在线域自适应深度学习的图片分类方法和系统，包括通过特征提取网络提取源域图片数据和目标域图片数据的特征，得到源域特征和目标域特征；基于源域特征和目标域特征到聚类中心的距离显式表达域内类别条件分布概率；通过最小化源域数据标签与域内类别条件分布概率的相对熵距离，更新特征提取网络与类别聚类中心；通过求解运输问题，得到目标域样本的类别分配，通过最小化类别分配与域内类别条件分布概率的相对熵距离，再次更新特征提取网络与聚类中心，将待分类图片输入经过再次更新的特征提取网络，得到待分类图片的图片特征，计算图片特征与经过再次更新的类别聚类中心中所有类别中心的概率，取概率最大的类别作为分类结果。
-
公开(公告)号：CN113936295B
公开(公告)日：2024-08-16
申请号：CN202111103913.2
申请日：2021-09-18
Applicant: 中国科学院计算技术研究所
IPC: G06V40/10 , G06V10/764 , G06V10/82 , G06N3/096 , G06N3/045
Abstract: 本发明提出一种基于迁移学习的人物检测方法和系统，包括：构建用于图像目标检测的教师网络和其对应的学生网络，获取已标注人物类别标签的图片数据集作为训练数据集；以该训练数据集对该教师网络和该学生网络进行训练时，提取老师网络每层目标检测FPN的分类分支输出，得到包括NCHW四个通道输出结果的四维矩阵；通过在该四维矩阵的C通道方向求和，得到NHW维度的特征矩阵作为特征掩码矩阵，基于该特征掩码矩阵、老师网络和学生网络的FPN特征图，得到特征图约束损失；对教师网络的损失、学生网络的损失和该特征图约束损失进行求和，得到蒸馏损失，该蒸馏损失收敛后使用该学生网络对图片中的人物进行检测。
-
公开(公告)号：CN117689912A
公开(公告)日：2024-03-12
申请号：CN202211013747.1
申请日：2022-08-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/762 , B25J9/16 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明提出一种基于对象的强化学习方法和系统，包括：智能体采集在当前所处环境的观测图像，从该观测图像中识别出对象的位置，并对其进行无监督聚类，得到各对象的类别标签；以该对象的类别标签为监督，通过卷积神经网络对该观测数据进行对象抽取，得到该观测图像的对象表示；基于该观测图像的对象表示，构建该观测图像中对象间的关系，作为该观测图像的特征向量，基于该特征向量执行学习策略，得到目标动作，该智能体执行该目标动作与该环境产生交互。该发明可以提升强化学习中策略的推理能力，使其具备较高的泛化能力。
-
公开(公告)号：CN114429206A
公开(公告)日：2022-05-03
申请号：CN202111666701.5
申请日：2021-12-31
Applicant: 中国科学院计算技术研究所
IPC: G06N3/08 , G06N3/04 , G06V10/82 , G06V10/774 , G06K9/62
Abstract: 本发明提出一种基于细粒度结构化稀疏的在线训练方法和系统，包括：基于预设学习率和权重梯度，训练稠密模型；对该稠密模型的权重进行细粒度结构化稀疏，得到稀疏掩码，并基于该稀疏掩码训练稀疏模型，且在训练该稀疏模型的过程中更新该稀疏掩码和该稀疏模型的模型权重；固定该稀疏模型的网络结构再次训练该稀疏模型，且在再次训练该稀疏模型过程中仅更新该稀疏模型的模型权重，保存完成经过再次训练的稀疏模型的模型权重和稀疏掩码作为在线训练结果。稀疏模型比稠密模型的规模小，比稠密模型的通道数也小。在部署模型时采用稀疏模型，由于稀疏模型规模小，可以有效减少计算量，达到加速模型运行速度的技术效果。
-
Patent Agency Ranking
公开(公告)号：CN118313322A
公开(公告)日：2024-07-09
申请号：CN202310019857.7
申请日：2023-01-06
Applicant: 中国科学院计算技术研究所
Inventor： 陈云霁 , 承书尧 , 靳鹏威 , 郭崎 , 杜子东 , 张蕊 , 田韵豪 , 胡杏 , 赵永威 , 郝一帆 , 关翔涛 , 韩虎生 , 赵政越 , 刘晰鸣 , 张曦珊 , 褚越杰 , 毛卫龙 , 陈天石
IPC: G06F30/327 , G06F30/3323 , G06F30/337 , G06F18/231
Abstract: 本发明提出一种基于近似电路生成的逻辑电路自动生成方法和系统，包括：获取待实现的黑盒函数，且该黑盒函数包括多组输入信号和输出结果的对应关系；对该黑盒函数进行采样得到函数样本，为该函数样本中每对输入信号和输出结果的对应关系对应关系构建用于表达逻辑电路结构的有向无环图，聚类所有该有向无环图的同层节点，得到多个簇；展开每个簇中的每个节点，合并展开后功能相同的子节点得到样本电路结构图。本发明的逻辑电路生成方法，可用于芯片设计流程中，降低人工参与成本，提高芯片设计效率。
-
公开(公告)号：CN117689865A
公开(公告)日：2024-03-12
申请号：CN202211025096.8
申请日：2022-08-25
Applicant: 中国科学院计算技术研究所
IPC: G06V10/25 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提出一种基于特征和融合模式搜索的目标检测方法和系统，包括：构建包括融合特征搜索单元和融合模式搜索单元的特征融合网络；融合特征搜索单元从图片的多尺度特征中搜索得到各尺度下的最优特征；从所有最优特征中选择两个特征作为候选特征对，融合模式搜索单元根据候选特征对，从包括多个候选融合操作的操作集中搜索得到融合策略，对候选特征对进行特征融合，得到融合特征；基于融合特征确定图片中检测目标的预测位置类别。使用了神经网络搜索算法并根据上述关键因素设计融合特征搜索单元和融合模式搜索单元，减小了搜索时的计算开销和内存开销并有效找到好的结构。
-
公开(公告)号：CN117671231A
公开(公告)日：2024-03-08
申请号：CN202211024977.8
申请日：2022-08-25
Applicant: 中国科学院计算技术研究所
IPC: G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提出一种基于特征和路径搜索的目标检测方法和系统，包括：构建包括融合特征搜索单元和融合路径搜索单元的特征融合网络；该融合特征搜索单元从图片的多尺度特征中搜索得到各尺度下的最优特征；对各尺度下的该最优特征的通道进行分组，该融合路径搜索单元从各分组中搜索得到候选特征，构建多个由两个候选特征构成的候选特征对；基于预设的融合策略对该候选特征对进行特征融合，得到每个该候选特征对的融合特征，以确定图片中检测目标的预测位置类别。
-
公开(公告)号：CN117151185A
公开(公告)日：2023-12-01
申请号：CN202310943969.1
申请日：2023-07-28
Applicant: 中国科学院计算技术研究所
IPC: G06N3/08 , G06N3/084 , G06N3/0464 , G06V10/764 , G06V10/82
Abstract: 本发明提出一种基于联合优化的深度神经网络自适应量化方法和系统，包括：将划分参数与神经网络参数联合优化，以使深度神经网络的数据划分和神经网络参数训练共同进行。保存训练完成后的划分参数，使用划分参数对执行模型的激活或权重进行量化，得到最终模型，以该最终模型执行相应任务。本发明可以更好地拟合深度神经网络激活和权重的数据分布，将深度神经网络中所有线性层的激活值和权重量化为低比特，从而减少量化误差，且本发明在模型的使用阶段，可以减少模型使用的计算量，加快图像分类的预测速度，减少分类产生的能耗，并减少模型存储所使用的空间大小。
-
公开(公告)号：CN115271090A
公开(公告)日：2022-11-01
申请号：CN202210700253.4
申请日：2022-06-20
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于因果关系驱动的分层强化学习框架，包括：因果关系发现模块，用于获取智能体的强化学习环境中各环境变量之间的因果关系，并构建为因果关系图；子目标分层结构构造模块，用于根据该环境变量的变化函数，构建分层强化学习的子目标集合，选取该环境变量中的可控变量，通过该因果关系图从该子目标集合中选出与该可控变量关联的子目标为可达子目标，以所有该可达子目标的逻辑关系为该分层强化学习的分层关系。还提出一种基于因果关系驱动的分层强化学习方法，以及一种数据处理装置。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.034 seconds)
