-
公开(公告)号：CN101377776A
公开(公告)日：2009-03-04
申请号：CN200710121079.3
申请日：2007-08-29
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明基于移动虚拟分类面的交互式图像检索方法，采用移动虚拟分类面选取图像的数据点；对图像数据点进行逐一标注；利用前一个标注的图像数据点选取下一个图像数据点；利用标注的图像数据点查找访问图像，完成交互式图像检索。在图像检索的相关反馈过程中，主动学习常常被用来减轻人工标注的数据量，其主要思想是每次仅仅选取信息量最大的数据进行标注。传统的成批标注的方法忽略了数据点之间的关系，因此不够高效。本发明提出移动虚拟分类面选点策略，利用前一个标注的数据去为下一个数据的选取提供指导，从而在不增加标注数据量的条件下提高了所标注数据总的信息量。移动虚拟分类面选点策略使主动学习算法性能得到了显著提高。
-
公开(公告)号：CN119476375B
公开(公告)日：2025-03-25
申请号：CN202510053059.5
申请日：2025-01-14
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
IPC: G06N3/0495 , G06N3/084
Abstract: 本发明公开了一种用于深度神经网络的量化训练方法和系统，该方法包括：获取原始神经网络模型和验证数据集，通过层级敏感度评估和拓扑分析生成量化优先级；基于层敏感度矩阵，为各层配置差异化量化参数并建立量化约束；构建误差补偿机制，生成误差补偿策略；执行双尺度自适应量化训练，对前向和反向传播分别采用独立优化的量化策略；根据训练状态和资源约束动态调整量化参数；评估模型性能和资源效率。本发明通过多维度敏感度评估、动态量化策略和系统误差补偿，提升了量化训练的精度和效率，同时保证了部署资源约束的满足。
-
公开(公告)号：CN119476375A
公开(公告)日：2025-02-18
申请号：CN202510053059.5
申请日：2025-01-14
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
IPC: G06N3/0495 , G06N3/084
Abstract: 本发明公开了一种用于深度神经网络的量化训练方法和系统，该方法包括：获取原始神经网络模型和验证数据集，通过层级敏感度评估和拓扑分析生成量化优先级；基于层敏感度矩阵，为各层配置差异化量化参数并建立量化约束；构建误差补偿机制，生成误差补偿策略；执行双尺度自适应量化训练，对前向和反向传播分别采用独立优化的量化策略；根据训练状态和资源约束动态调整量化参数；评估模型性能和资源效率。本发明通过多维度敏感度评估、动态量化策略和系统误差补偿，提升了量化训练的精度和效率，同时保证了部署资源约束的满足。
-
公开(公告)号：CN118886453B
公开(公告)日：2024-11-29
申请号：CN202411376160.6
申请日：2024-09-29
Applicant: 中国科学院自动化研究所
IPC: G06N3/0455 , G06N3/082 , G06N3/084 , G06N3/0985
Abstract: 本公开涉及一种基于低秩量化大模型的预测方法、装置、电子设备、存储介质和计算机程序产品，所述基于低秩量化大模型的预测方法包括：获取预测模型，其中，预测模型为大模型；通过将预测模型中的线性层的参数进行低秩分解，得到第一低秩矩阵、第二低秩矩阵、和第三低秩矩阵；基于第一低秩矩阵、第二低秩矩阵、和第三低秩矩阵，构建与线性层对应的量化低秩模块，其中，量化低秩模块依次包含第一激活量化层、第一线性层、尺度缩放层、第二激活量化层、和第二线性层；通过将预测模型中的线性层替换为量化低秩模块，得到压缩后的预测模型；将输入数据输入到压缩后的预测模型，得到与输入数据对应的预测结果。能够解决模型预测推理速度低下的问题。
-
公开(公告)号：CN117953272A
公开(公告)日：2024-04-30
申请号：CN202311801526.5
申请日：2023-12-25
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/82 , G06V20/13 , G06V20/10 , G06V10/44 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/0495
Abstract: 本发明提供一种图像分类方法及装置，所述方法包括：获取目标卷积神经网络，目标卷积神经网络是通过对预训练的卷积神经网络进行优化得到的，预训练的卷积神经网络是根据带有类别标签的图像数据进行训练得到的；将待识别图像输入至目标卷积神经网络中，得到目标卷积神经网络输出的待识别图像对应的类别信息；其中，目标卷积神经网络的优化方式包括：将预训练的卷积神经网络中的各个卷积操作层替换为Winograd卷积；对Winograd卷积中的域变换操作和逐元素乘法操作进行量化；对量化后的Winograd卷积进行量化参数和变换矩阵的优化。本发明实现了在确保图像分类效果的同时又节省了卷积神经网络推理的计算资源和时间资源的消耗。
-
Patent Agency Ranking
公开(公告)号：CN111582220B
公开(公告)日：2023-05-26
申请号：CN202010419839.4
申请日：2020-05-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于移位图卷积神经网络骨骼点行为识别系统包括：图像获取模块、图像处理模块、提取模块和行为识别模块，其中图像获取模块用于获取行为图像；图像处理模块用于处理图像获取模块获取的行为图像进行图像处理；提取模块用于提取图像处理模块处理后图像的骨骼点；行为识别模块用于识别提取模块提取骨骼点行为特征的。本发明设计行为识别模块进行对骨骼点行为识别，减小图卷积计算量的新型图卷积，与传统图卷积不同，移位图卷积不是通过扩大卷积核来扩展感受范围，而是通过新型移位操作来使得图特征进行移位拼接，在显著减少计算量提高计算速度的情况下达到同样甚至更高的识别精度，避免传统图卷积的计算量会随着卷积核增大而增大。
-
公开(公告)号：CN111027568B
公开(公告)日：2023-04-18
申请号：CN201911047484.4
申请日：2019-10-30
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
Abstract: 本发明公开了一种迭代的神经网络批量规范化系统，包括特征预处理单元、神经网络构建单元和网络批量规范单元；所述特征预处理单元可以对需要进行识别的图片进行特征预处理，去除背景中干扰信息；所述神经网络构建单元可以训练出识别图像内容的学习网络，进一步处理图片；所述网络批量规范单元可以对神经网络的训练模式进行改进，提高训练过程中的收敛速度。本发明通过批量规范了神经网络的训练过程，减少了神经网络构建的代价，提高了神经网络的训练速度。
-
公开(公告)号：CN114511785A
公开(公告)日：2022-05-17
申请号：CN202210151693.9
申请日：2022-02-18
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提供了一种基于瓶颈注意力模块的遥感图像云检测方法及系统，属于遥感图像处理技术领域。该方法步骤如下：步骤1、获取并处理样本集；步骤2、搭建遥感图像云检测网络框架；步骤3、对遥感图像云检测网络进行迭代训练；步骤4、输出遥感图像云检测预测结果。检测系统包括样本获取模块、网络框架搭建模块、训练模块、输出模块四部分。本发明所构建的遥感图像云检测网络采用一种瓶颈注意力的结构，该结构结合了轻量化卷积，线性逆转残差结构，坐标注意力机制三者各自的优点，主要解决了网络采用轻量化卷积后，导致的特征量减少，精度下降等问题，实现了以低参数量和低运算量的云检测系统，达到更高精度的轻量型在轨云检测效果。
-
公开(公告)号：CN114360002A
公开(公告)日：2022-04-15
申请号：CN202111509411.X
申请日：2021-12-10
Applicant: 中国科学院自动化研究所
IPC: G06V40/16 , G06N20/20 , G06K9/62 , G06V10/774 , G06V10/80
Abstract: 本发明提供一种基于联邦学习的人脸识别模型训练方法及装置，方法包括：接收服务器发送的等效类别向量矩阵和第一骨干网络参数；基于第一骨干网络参数、目标客户端的样本人脸图像、目标客户端的第一类别向量及等效类别向量矩阵，对人脸识别模型进行训练，得到目标人脸识别模型及目标客户端的第二类别向量；向服务器发送第二类别向量和目标人脸识别模型的目标骨干网络参数。通过等效类别向量使得各目标客户端之间不共享类别向量，保证了用户的隐私信息，而且提升了用户人脸识别的准确率。
-
公开(公告)号：CN112184587A
公开(公告)日：2021-01-05
申请号：CN202011049771.1
申请日：2020-09-29
Applicant: 中科方寸知微(南京)科技有限公司 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本发明提出了一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统，该方法通过对网络模型中卷积网络感受野的减少、图像处理中的重叠切分以及硬件方面对内存扩展三者之间的协同优化，实现了对图像边缘数据的有效增强，在图像超分辨重建、去模糊、去雾化等低等级视觉任务的深度学习算法领域达到在适用于边缘端部署应用的目的。本发明同时也解决了在计算能力弱、内存空间小的边缘端部署深度神经网络的问题，以及发明中涉及的边缘端实时处理图像信号的任务，可以代替一些监控场景中传统的实时处理图像信号的模块，进而实现更加丰富的功能，和更加优秀的成像效果。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.087 seconds)
