-
公开(公告)号：CN112379849B
公开(公告)日：2021-04-09
申请号：CN202110062697.5
申请日：2021-01-18
Abstract: 本发明提出了一种基于序列可预测的并行深度学习训练数据输入方法，该方法在数据预取和缓存的时候，充分利用数据的访问序列可以预先确定这一特点，结合缓存命中率以及磁盘访问性能确定从底层并行文件系统中预取数据时的预取数据块大小再进行数据分配和缓存，从而使得大规模训练中第一轮训练的本地命中率得到很大提升。之后轮的训练中采用数据请求合并、根据下一轮将要使用的数据提前进行缓存替换，使整体分布式训练过程的通信开销减小，从而加快各节点的数据输入速度。本发明还基于上述方法提出了一种数据输入系统，该系统包括随机序列产生模块、数据预取模块和缓存替换模块，可以在保证全局数据随机读取的要求下，加快数据从存储中读取的速度。
-
公开(公告)号：CN112561038A
公开(公告)日：2021-03-26
申请号：CN202011522568.1
申请日：2020-12-21
Applicant: 之江实验室
IPC: G06N3/04 , G06N3/063 , G06N3/08 , G06F40/211
Abstract: 本申请公开了一种批数据集构建方法、装置、电子设备及存储介质。该方法通过对用于Transformer语言模型训练的数据样本集合进行排序，利用有序的数据样本生成高质量的批数据，从而构建训练批数据集。该方法提高单次载入GPU显存的有效训练样本数量，同时最大程度降低无效的占位文字数量，降低无效数据对GPU计算资源的占用，从而大大提高训练效率，降低训练时间。
-
公开(公告)号：CN112379849A
公开(公告)日：2021-02-19
申请号：CN202110062697.5
申请日：2021-01-18
Abstract: 本发明提出了一种基于序列可预测的并行深度学习训练数据输入方法，该方法在数据预取和缓存的时候，充分利用数据的访问序列可以预先确定这一特点，结合缓存命中率以及磁盘访问性能确定从底层并行文件系统中预取数据时的预取数据块大小再进行数据分配和缓存，从而使得大规模训练中第一轮训练的本地命中率得到很大提升。之后轮的训练中采用数据请求合并、根据下一轮将要使用的数据提前进行缓存替换，使整体分布式训练过程的通信开销减小，从而加快各节点的数据输入速度。本发明还基于上述方法提出了一种数据输入系统，该系统包括随机序列产生模块、数据预取模块和缓存替换模块，可以在保证全局数据随机读取的要求下，加快数据从存储中读取的速度。
-
公开(公告)号：CN118857274B
公开(公告)日：2025-01-24
申请号：CN202411344842.9
申请日：2024-09-25
Applicant: 之江实验室
IPC: G01C21/08 , G06F18/25 , G06F18/15 , G06F18/213 , G06F18/22 , G06N3/0464 , G06N3/048
Abstract: 本说明书公开了一种模型训练方法和地磁导航的航迹规划方法及装置。所述模型训练方法包括：获取目标区域的地磁信息以及目标载体在第一时刻所处运动环境的环境信息并输入待训练的航迹规划模型，通过决策网络，确定目标载体的运动决策信息；根据运动决策信息以及第一时刻的状态信息，确定第二时刻的状态信息；根据第一时刻的状态信息和第二时刻的状态信息，确定奖励值；将第一时刻的状态信息和第二时刻的状态信息输入价值网络，以通过价值网络，确定第一时刻的状态信息对应的评价值以及第二时刻的状态信息对应的评价值；根据第一时刻的状态信息的评价值、第二时刻的状态信息对应的评价值以及奖励值，确定损失值并进行模型训练。
-
公开(公告)号：CN118673959A
公开(公告)日：2024-09-20
申请号：CN202411153835.0
申请日：2024-08-21
Applicant: 之江实验室
IPC: G06N3/04 , G06N3/086 , G06V10/764 , G06V10/82
Abstract: 在本说明书提供一种混合精度量化方法、装置、介质及设备，通过确定深度神经网络模型中的各层的量化位宽，对深度神经网络模型进行量化，确定候选量化模型，并将样本分别输入深度神经网络模型以及候选量化模型，确定候选量化模型的量化误差、加速比以及压缩效果，进而确定候选量化模型的适应度，最后，根据预设的进化算法以及候选量化模型的适应度，确定深度神经网络模型的目标量化模型，使得混合精度量化方法能够根据少量无标签样本确定深度神经网络模型的目标量化模型，提高了混合精度量化方法的泛用性。
-
Patent Agency Ranking
公开(公告)号：CN118015316A
公开(公告)日：2024-05-10
申请号：CN202410410287.9
申请日：2024-04-07
Applicant: 之江实验室
IPC: G06V10/75 , G06V10/774 , G06V10/82 , G06V20/17
Abstract: 本说明书公开了一种图像匹配模型训练的方法、装置、存储介质、设备，获取由第一基准图像和第一待匹配图像组成的第一样本组，将第一样本组输入预先训练的教师模型，确定第一基准图像与第一待匹配图像的匹配度，作为伪标注，将第一样本组输入图像匹配模型，确定第一基准图像与第一待匹配图像的当前匹配度，图像匹配模型的复杂度小于教师模型的复杂度，根据当前匹配度与伪标注的差异，对图像匹配模型进行训练，本方法利用预先训练的复杂度较高、输出结果精准的教师模型，使得复杂度较低、运算速度较快的图像匹配模型可以学习到教师模型的策略，最终训练得到运算速度快、输出结果精准的图像匹配模型，可应对时限短、批量大的图像定位匹配任务。
-
公开(公告)号：CN117649613B
公开(公告)日：2024-04-26
申请号：CN202410128325.1
申请日：2024-01-30
Applicant: 之江实验室
IPC: G06V20/13 , G06V10/764 , G06V10/77 , G06V10/80
Abstract: 本说明书公开了一种光学遥感图像优化方法、装置、存储介质及电子设备。所述光学遥感图像优化方法包括：获取第一目标图像以及第一目标图像对应的第二目标图像，其中，第一目标图像为光学遥感图像，第二目标图像为合成孔径雷达SAR图像，对第一目标图像进行图像检测，以从第一目标图像中确定出部分存在图像信息缺失的图像区域，作为目标区域，根据第一目标图像的风格特征，对第二目标图像进行图像调整，得到调整后的第二目标图像，将目标区域内的第一目标图像替换为目标区域内调整后的第二目标图像，以将第二目标图像融合到第一目标图像中，得到优化后第一目标图像。进而可以将优化后的第一目标图像通过去云雾网络处理得到去云雾后恢复的图像。
-
公开(公告)号：CN117870654A
公开(公告)日：2024-04-12
申请号：CN202410048959.6
申请日：2024-01-11
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于点云配准的地磁导航方法、装置、介质及设备。所述方法包括：将目标区域的全局地磁矢量数据转换为点云，得到目标点云数据；实时采集目标载体历史轨迹上各采样点的地磁矢量数据并转换为点云，得到待匹配点云数据；对目标点云数据以及待匹配点云数据进行特征提取，得到目标点特征以及待匹配点特征；根据目标点特征以及待匹配点特征，构建目标点云数据与待匹配点云数据之间的初始匹配集合；将初始匹配集合输入点云匹配模型，确定目标点云数据中每个点与待匹配点云数据中每个点相匹配置信度；根据置信度对局部地磁矢量数据与全局地磁矢量数据进行匹配，根据匹配结果进行地磁导航。
-
公开(公告)号：CN117173438B
公开(公告)日：2024-02-27
申请号：CN202311134283.4
申请日：2023-09-04
Applicant: 之江实验室
IPC: G06V10/75 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/084 , G06N3/0895 , G06N3/0475 , G01C21/20 , G01C21/00
Abstract: 本说明书公开了一种深度耦合多源传感特性的景象匹配方法，针对不同类型的传感器分别采集的每个类型的实时景象，通过该类型的差异特征提取模型，得到该类型的而精细特征图，进而基于各类型的精细特征图，通过差异计算及生成器，抽象化不同类型的精细特征图的特征信息分离出可用精细特征，实现细粒度特征寻优，生成寻优实时图，进而基于寻优实时图和预存的寻优基准图进行多尺度景象匹配，得到匹配结果。可见，通过抽象不同类型的精细特征图的特征信(56)对比文件袁定兴.异源图像匹配的参考图制备与匹配方法研究《.中国优秀硕士学位论文全文数据库信息科技辑》.2023,(第1期),第I138-1538页.杜文超等.基于SAR图像的快速景象匹配方法《.雷达科学与技术》.2014,第12卷(第1期),第39-43页.Yongxian Zhang等.Air-Ground Multi-Source Image Matching Based on High-Precision Reference Image《.remotesensing》.2022,第14卷(第3期),第1-21页.
-
公开(公告)号：CN117058525B
公开(公告)日：2024-02-06
申请号：CN202311293164.3
申请日：2023-10-08
Applicant: 之江实验室
Abstract: 本说明书公开了一种模型的训练方法、装置、存储介质及电子设备，首先可获取待训练的图像处理模型中网络层的连接权重，并根据连接权重，确定所述待训练的图像处理模型中的成熟连接权重以及非成熟连接权重。然后，获取样本图像以及样本图像对应的标注，并根据样本图像以及样本图像对应的标注，分别调整成熟连接权重以及非成熟连接权重，得到训练完成的图像处理模型。最后，根据得到的训练完成的图像处理模型中的各连接权重，确定训练完成的图像处理模型中的非成熟连接权重并剪枝，得到最终的图像处理模型。该方法在实现模型压缩的同时，兼(56)对比文件缪及.卷积神经网络剪枝和量化方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2020,第2020年卷(第2期),I140-216.凌象政.循环神经网络压缩方法研究《.中国优秀硕士学位论文全文数据库 信息科技辑》.2022,第2022年卷(第1期),I140-576.Alex Renda等.Comparing Rewinding andFine-tuning in Neural Network Pruning.《Arxiv》.2020,1-31.Shiwei Liu等.Sparse Training viaBoosting Pruning Plasticity withNeuroregeneration《.35th Conference onNeural Information Processing Systems(NeurIPS 2021)》.2021,1-15.
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.028 seconds)
