-
公开(公告)号：CN110765966B
公开(公告)日：2022-03-25
申请号：CN201911046777.0
申请日：2019-10-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向手写文字的一阶段自动识别与翻译方法，所述方法主要包含文本识别方法和端到端识别与翻译方法。该方法使用注意力机制代替CRNN中的RNN结构，使计算可以并行化，降低计算成本；在Transformer模型的训练过程中对解码器的输入做随机替换，模拟预测过程中预测出错的情况，缓解了过拟合问题；提出了一种端到端的识别与翻译模型，使用基于迁移学习的方式训练端到端模型，不需要显式给出识别结果，直接对图片内容做翻译。本发明具有如下优点：1、文本识别模型的训练速度大幅提高。2、训练阶段随机替换解码器输入，使得识别模型的泛化能力大幅提高。3、端到端识别与翻译模型的翻译准确率高于两阶段模型。
-
公开(公告)号：CN113553797A
公开(公告)日：2021-10-26
申请号：CN202110892232.2
申请日：2021-08-04
Applicant: 哈尔滨工业大学
IPC: G06F40/103 , G06T11/60 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种端到端的风格一致的文字图像生成方法，所述方法包括如下步骤：步骤一、对源风格图像中的文字进行擦除，补充背景纹理，得到无文字的背景图像；步骤二、将目标文本渲染为图像并嵌入背景重建模块输出的无文字的背景图像中，在相同背景下将源图像的文本风格迁移到目标文本中。本发明采用端到端的方法，将文本风格迁移、文字擦除等工作整合为一个网络，减少中间步骤可能带来的效果和性能的损失。本发明通过使用GAN算法，能够生成更加真实、风格更一致、语义更连贯的结果。
-
公开(公告)号：CN112052322A
公开(公告)日：2020-12-08
申请号：CN202010917746.4
申请日：2020-09-03
Applicant: 哈尔滨工业大学
IPC: G06F16/332 , G06F16/335 , G06F16/36
Abstract: 本发明公开了一种基于粒计算的智能机器人对话策略生成方法，所述方法包括如下步骤：步骤S1、构建需求模式库；步骤S2、构建需求知识图谱；步骤S3、构建粒计算模型；步骤S4、基于粒计算模型生成对应对话策略；步骤S5、完成对话。本发明的方法通过粒计算模糊聚类的方法对需求库的用户需求数据进行分析从而构建合适的询问路径，并最终完成用户的完整需求构建。本发明可以在较少的几轮对话后，基于领域先验知识较为精确的构建用户的大型需求以及确保稳定的需求准确度和需求覆盖度。
-
公开(公告)号：CN115827228B
公开(公告)日：2025-04-25
申请号：CN202211537162.X
申请日：2022-12-02
Applicant: 哈尔滨工业大学
IPC: G06F9/50 , G06F16/9032
Abstract: 本发明公开了一种多端软服务机器人对话状态迁移方法，所述方法包括如下步骤：步骤S1、对话状态要素构建；步骤S2、对话日志设计；步骤S3、状态触发机制设计；步骤S4、状态相关对话流程扩充；步骤S5、对话状态存储。本发明能够将对话抽象为可在不同端设备传输的文件，实现对话流程的抽象化，使得将未完成的对话流程进行传输变为可能，让对话伴随着场景进行转移，使得一个未完成的对话流程可以在任何时间属于同一用户任何场景下的设备中随时随地被唤醒并继续，实现各个端对同一个对话的同步，保持对话长任务在多个端设备之间的连续进行。
-
公开(公告)号：CN119167983B
公开(公告)日：2025-04-08
申请号：CN202411334373.2
申请日：2024-09-24
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向多出口神经网络高效能推理的出口选择与分区部署策略生成方法，所述方法包括如下步骤：步骤S1、多出口DNN运行性能分析与建模；步骤S2、多出口DNN各出口性能分析；步骤S3、多出口DNN分区部署方案优化；步骤S4、多出口DNN出口选择方案优化。该方法适用于支持多个不同的复杂多出口DNN以及分布式异构的边缘计算环境，通过对多出口DNN的计算性能、出口准确率等进行分析，结合遗传算法与分层强化学习算法对DNN进行出口选择与分区部署，生成合适的多出DNN的分区部署方案，在延迟约束的情况下，使得端设备的能耗达到最优，实现高效能的DNN推理。
-
Patent Agency Ranking
公开(公告)号：CN117953379B
公开(公告)日：2025-04-08
申请号：CN202410164245.1
申请日：2024-02-05
Applicant: 哈尔滨工业大学
IPC: G06V20/10 , G06V10/764 , G06V10/25 , G06N20/00 , G06V10/774 , G06V10/80
Abstract: 本发明公开了基于高光谱数据与机器学习的可信任种子鉴别方法及系统，本方法包括：收集农作物种子的原始高光谱图像，并进行预处理，农作物种子包括待预测种子和已知品种种子；对预处理后的所有农作物种子的原始高光谱图像进行特征提取，得到光谱特征数据，光谱特征数据包括整个种子区域的空间特征、平均光谱特征和方差光谱特征；对光谱特征数据进行预处理；基于预处理后的光谱特征数据，使用可信任k近邻分类方法对农作物种子进行品种分类，得到待预测种子的品种类别。本发明实现了一种自动、简单、高效和可信任的农作物种子品种鉴别方法，提高了光谱特征的判别性，提高了农作物种子品种的鉴别正确率，提高了每个种子分类结果的可信度。
-
公开(公告)号：CN119690274A
公开(公告)日：2025-03-25
申请号：CN202411743889.2
申请日：2024-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于云边端跨域数据的专家网络自动混合分布式算法，属于大模型分布式训练领域。本发明在大模型分布式训练领域引入了一种创新的方法，用OSDP分布式训练MOE模型，用于优化不同专家在GPU集群中的分布，确保更高的并行计算效率。这种组合动机是为了在不牺牲模型性能的情况下，提升训练效率。通过混合并行加速训练和节约硬件资源，降低大规模模型的训练成本，使得训练超大规模的深度学习模型变得更加经济可行。并且通过引入基于专家网络的自动混合分布式算法，实现了云、边、端协同的跨域异构数据融合，能满足工业智能领域在多基地、多数据源环境下的复杂需求。
-
公开(公告)号：CN119167983A
公开(公告)日：2024-12-20
申请号：CN202411334373.2
申请日：2024-09-24
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向多出口神经网络高效能推理的出口选择与分区部署策略生成方法，所述方法包括如下步骤：步骤S1、多出口DNN运行性能分析与建模；步骤S2、多出口DNN各出口性能分析；步骤S3、多出口DNN分区部署方案优化；步骤S4、多出口DNN出口选择方案优化。该方法适用于支持多个不同的复杂多出口DNN以及分布式异构的边缘计算环境，通过对多出口DNN的计算性能、出口准确率等进行分析，结合遗传算法与分层强化学习算法对DNN进行出口选择与分区部署，生成合适的多出DNN的分区部署方案，在延迟约束的情况下，使得端设备的能耗达到最优，实现高效能的DNN推理。
-
公开(公告)号：CN119046598A
公开(公告)日：2024-11-29
申请号：CN202411248876.8
申请日：2024-09-06
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了基于NPU的CoppersmithWinograd矩阵乘法加速方法，属于混合编程技术领域。解决了现有技术中不存在用于昇腾芯片的采用开源混合编程算子实现快速矩阵乘法方法的问题；本发明设计了Ascend_CoppersmithWinograd算子数据通路，对输入矩阵进行数据搬运并切分，得到分块矩阵；进行第一次矩阵间加减运算，得到矩阵乘法阶段的输入数据，对部分分块矩阵进行加零操作，得到转换后的矩阵；进行矩阵乘法运算，得到矩阵乘法结果；进行第二次矩阵间加减运算，得到子矩阵；对子矩阵进行数据搬运并合并，得到输出矩阵。本发明有效缩短了矩阵运算时间，提高了计算精度，可以应用于昇腾芯片混合编程。
-
公开(公告)号：CN112732251B
公开(公告)日：2024-08-16
申请号：CN202011564995.6
申请日：2020-12-25
Applicant: 哈尔滨工业大学
IPC: G06F8/38 , G06F16/958
Abstract: 本发明公开了一种面向服务互联网的服务价值网的半自动化生成方法。步骤1：根据先验知识构建抽象层价值网；所述抽象层价值网包括巨头节点、其他服务参与者和之间的价值交换关系；步骤2：根据巨头节点网站内的HTML文件中的信息通过计算自动生成节点，即服务参与者具体实例；步骤3：通过步骤2生成的节点与其对应价值的价值交换关系；步骤4：对步骤2和步骤3所得到的服务参与者具体实例和价值交换关系进行人工矫正；步骤5：基于步骤4中人工矫正过的价值交换关系，最终生成实例层面价值网。提高获取服务价值的效率并且给出一些针对服务价值的具体分析方法，根据整个服务体系中价值层面出现的一些缺陷与不足提出相应的优化及创新方案。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.037 seconds)
