-
公开(公告)号：CN113673242A
公开(公告)日：2021-11-19
申请号：CN202110960433.1
申请日：2021-08-20
IPC: G06F40/289 , G06F40/211 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于K邻近结点算法和对比学习的文本分类方法，该方法在训练阶段使用对比学习拉进类内距离，拉远类间距离，并且结合交叉熵损失，辅助对比学习进行联合训练，在推理过程中，通过联合训练好的模型，结合最邻近结点算法，进行联合预测，计算待推断文本的分类；本发明不仅能够在文本分类的准确率上取得比目前业内使用的文本分类方式更高的结果，而且在模型的鲁棒性上也取得了极大的提升。
-
公开(公告)号：CN113420865A
公开(公告)日：2021-09-21
申请号：CN202110660174.0
申请日：2021-06-15
Applicant: 之江实验室
Abstract: 本发明涉及一种基于多算子融合的深度神经网络推理加速方法和系统，该方法具体为：首先输入神经网络计算图，获取神经网络计算逻辑图，依据神经网络算子间计算关系，获取完整的神经网络前向计算的符号表达式；然后使用可融合算子搜索方法，利用算子符号表达式自动简化系统，化简神经网络前向计算的符号表达式，获取最简的符号表达式，实现多算子融合；再依据多算子融合结果，根据获得的最简符号表达式，构建新的神经网络计算推理逻辑图，解耦最简符号表达式，离线计算并存储为新的模型参数，构建相应的神经网络模型结构；最后加载新的模型参数实现推理加速。本发明能够减少算子执行间隙的开销，提升设备计算资源利用率，优化网络整体推理速度。
-
公开(公告)号：CN113191385A
公开(公告)日：2021-07-30
申请号：CN202110318366.3
申请日：2021-03-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于预训练标注数据不可知的图像分类自动标注方法，包括如下步骤：S1，获取待标注图像，收集预训练图像分类模型；S2，将预训练图像分类模型拆分成特征提取模型与标签预测模型，并初始化，固定标签预测模型参数，不参与后续迁移训练；S3，约束特征提取模型，使自动标注模型的输出具体类别确定，整体分布离散；S4，对特征提取模型输出特征进行聚类；S5，筛选出大小超过阈值的聚类簇，所对应的类别组成为待标注图像标签空间；S6，给所有待标注图像打上伪标签；S7，重新聚类并分配伪标签，对特征提取模型进行有监督训练；S8，迭代S3至S7；S9，使用迁移后的自动标注模型对待标注图像进行推理，得到标注结果。
-
公开(公告)号：CN113673241B
公开(公告)日：2024-04-09
申请号：CN202110885791.0
申请日：2021-08-03
IPC: G06F40/289 , G06F40/211 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于范例学习的文本摘要生成框架及方法，允许在摘要生成的过程中参考一些写作范例，框架包括检索和生成两个阶段，检索阶段，给定一个文本，使用对比学习去数据库中检索一些范例，假定越好的摘要在语义空间应该和原文离得更近，检索器的模型使用了孪生网络的结构；生成阶段，提出了一种结合范例进行摘要生成的方法，可以方便的加在目前所有主流的条件生成模型上，为了更好的学习范例，将待生成的摘要和范例摘要按照句子对齐；通过训练好的模型进行预测，即解码阶段，使用集束搜索算法并鼓励那些和范例更相似的束。
-
公开(公告)号：CN116821778B
公开(公告)日：2024-01-09
申请号：CN202311103044.2
申请日：2023-08-30
Applicant: 之江实验室
IPC: G06F18/24 , A61B5/11 , G06N3/0464 , G06N3/0442 , G06N3/084
Abstract: 本申请涉及一种基于WIFI信号的步态识别方法、装置和可读存储介质，其中，基于WIFI信号的步态识别方法包括：通过利用不同环境下采集的训练样本对所述步态特征提取器、环境判别器以及步态识别器进行训练，以使得所述特征提取器提取的所述人体步态特征包含人体步态信息的同时不包含环境信息作为目的，得到训练完成的步态识别模型，通过将所述第一时频图输入至训练完成的步态识别模型，输出所述待测对象所对应的身份信息。解决了相关技术中步态识别模型对环境变化敏感的问题，实现了步态识别模型
-
Patent Agency Ranking
公开(公告)号：CN117093871A
公开(公告)日：2023-11-21
申请号：CN202311335992.9
申请日：2023-10-16
Applicant: 之江实验室
IPC: G06F18/214 , G06F18/20 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种面向深度学习分布式训练测评方法和系统，其中，面向深度学习分布式训练测评方法包括：对各所述分布式神经网络模型分别进行训练，获得对应的第一性能指标；并基于各所述第一性能指标，调整各所述分布式神经网络模型的所述分布式优化算法、所述分布式策略并行度以及所述训练参数，以进行优化训练，得到对应的第二性能指标；基于各所述第二性能指标，确定最优分布式神经网络模型。本发明使用指标量化评估各分布式神经网络模型计算的性能，并基于评估指标进一步进行优化训练，提高了各分布式神经网络模型计算的性能，通过优化后的指标，获得最优分布式神经网络模型，帮助技术人员高效部署分布式神经网络模型。
-
公开(公告)号：CN117032739A
公开(公告)日：2023-11-10
申请号：CN202311285993.7
申请日：2023-10-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种镜像生成的方法、系统、存储介质及电子设备，包括：确定用户选择的生成目标镜像文件所需的基础镜像的环境信息，并展示给用户。再确定基于基础镜像生成目标镜像文件时所需的其他资源的资源信息，并根据资源信息，从资源库中确定生成目标镜像文件时所需的材料文件。根据环境信息和资源信息，采用指定规则，生成目标镜像文件对应的指令文件。根据材料文件及基础镜像，按照指令文件中的指令，自动完成目标镜像的构建。所述系统和方法使得用户无需掌握复杂的镜像构建语法，降低目标镜像构建的技术门槛，并能快速生成符合要求的目标镜像，提高了镜像构建的效率。
-
公开(公告)号：CN116151355B
公开(公告)日：2023-07-11
申请号：CN202310422202.4
申请日：2023-04-19
Applicant: 之江实验室
IPC: G06N3/08 , G06N3/0455 , G06N3/0442 , G06F40/295
Abstract: 本说明书公开了一种模型训练和业务执行的方法、装置、介质及设备。所述模型训练和业务执行的方法包括：将样本语句输入待训练业务模型，确定样本语句对应的初始语义特征，并对初始语义特征进行处理，基于第一膨胀系数和第二膨胀系数对所述处理后特征进行卷积处理，得到中间特征，基于第三膨胀系数和第四膨胀系数对所述中间特征进行卷积处理，得到目标特征，根据目标特征，确定头尾指针矩阵以及字间关系矩阵，根据头尾指针矩阵以及字间关系矩阵，确定目标特征矩阵，基于目标特征矩阵，识别样本语句中包含的实体对象，以最小化识别出的实体对象与样本语句中实际包含的实体对象之间的偏差为优化目标，对业务模型进行训练。
-
公开(公告)号：CN115080748B
公开(公告)日：2022-11-11
申请号：CN202210980591.8
申请日：2022-08-16
Applicant: 之江实验室
IPC: G06F16/35 , G06F40/205
Abstract: 本发明公开了一种基于带噪标签学习的弱监督文本分类方法和装置，包括如下步骤：S1：获取待标注文本和类别标签集合；S2：确定预训练自然语言模型；S3：获得待标注文本伪标签；S4：初始化文本分类模型，基于伪标签计算分类损失函数；S5：通过带噪标签损失筛选方法得到高置信度数据：将所有待标注文本的分类损失函数按升序排列，筛选前top‑N数据作为高置信度数据；本发明提供了一种基于带噪标签学习的弱监督文本分类方法和装置，解决在仅获取待标注文本和类别标签集合情况下，实现高准确率分类结果，减少文本标注成本。
-
公开(公告)号：CN114611715A
公开(公告)日：2022-06-10
申请号：CN202210512110.0
申请日：2022-05-12
Abstract: 本发明公开了基于标注者可靠度时序建模的众包主动学习方法和装置，所述方法包括以下步骤：初始化预测模型并建立可靠度时序模型，样本选择策略，众包标注者选择策略，样本分配策略，模型更新，迭代运算。本发明结合众包学习、主动学习以及时间序列建模，基于众包标注者可靠度时序建模，对标注者可靠度的变化进行实时追踪并筛选出可靠度最高的众包标注者，通过迭代运算不断更新更优的众包标注者以及信息度高的样本对预测模型不断优化，降低了众包标注成本，减少了低可靠度的标注者在学习中的负面影响，有效地提高了众包标签的质量以及预测模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.032 seconds)
