-
公开(公告)号：CN116580265B
公开(公告)日：2025-04-22
申请号：CN202310604430.3
申请日：2023-05-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774
Abstract: 本发明提供一种目标检测模型对抗训练方法，所述方法包括：S1、获取目标图像数据集和初始对抗图案，所述目标图像数据集包括多个图像样本，且每个图像样本中设置有目标边界框标注；S2、对初始对抗图案进行分形变换以获得目标对抗图案；S3、将步骤S2得到的目标对抗图案注入所述目标图像数据集中每一图像样本的目标边界框内得到对抗训练集，并采用对抗训练集训练目标检测模型至收敛。本发明引入了引入分形变换损失对对抗图案进行迭代更新，使得生成的对抗图案具有一定的自相似性，采用具有自相似性的对抗图案对目标检测模型进行对抗训练，能够提升目标检测模型的鲁棒性，使得模型具有较强的对抗能力。
-
公开(公告)号：CN117333738A
公开(公告)日：2024-01-02
申请号：CN202311308831.0
申请日：2023-10-10
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/40
Abstract: 本发明实施例提供了一种图像分类模型训练方法，该方法包括：S1、获取包括多个图像样本的原始图像数据集及其对应的特征矩阵；S2、对原始图像数据集对应的特征矩阵进行降维处理，并将降维处理后的特征矩阵进行高斯建模以获得特征矩阵中每个特征值的高斯分布；S3、基于步骤S2中每个特征值的高斯分布对其依次进行高斯采样，以使高斯采样所得的所有特征值构成新的特征矩阵，并基于新的特征矩阵生成新的图像数据集；S4、采用新的图像数据集和原始图像数据集构成增强图像训练集训练图像分类模型至收敛。该方法提高了图像分类模型在少样本情况下的性能。
-
公开(公告)号：CN118070868A
公开(公告)日：2024-05-24
申请号：CN202410293163.7
申请日：2024-03-14
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于边缘计算架构的模型结构化剪枝方法及装置，该方法包括：根据集群中每一边缘设备的硬件资源信息，对边缘设备进行分组；对于同一组的边缘设备，将神经网络加速器在该边缘设备硬件的实际运行时间与内存资源消耗作为资源约束条件，对该边缘设备上部署的神经网络模型进行剪枝；校准修剪后的神经网络模型。该方法提高了计算设备的硬件处理速度，降低了内存消耗，进而提升了计算机系统的内部性能。
-
Patent Agency Ranking
公开(公告)号：CN119360125A
公开(公告)日：2025-01-24
申请号：CN202411768569.2
申请日：2024-12-04
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06N5/04
Abstract: 本发明提出一种模型推理时的模型自适应更新方法和装置，包括：数据库存储图像分类模型推理时得到的数据样本，数据样本包括：数据特征及其对应的类别概率；通过将当前数据样本的数据特征和其余数据样本的数据特征间的余弦距离检索得到当前数据样本的邻居，通过对所有邻居的各类别概率进行平均，得到各类别的平均概率，取平均概率最高的类别作为当前数据样本的伪标签；根据数据样本及其对应的伪标签，构建损失函数，以对图像分类模型进行更新训练，使用更新训练后的图像分类模型对待分类图像进行图像分类，得到待分类图像的图像分类结果。与现有模型推理时自适应技术相比，模型调整更精准有效，极大提高了模型在不同场景的推理准确率。
-
公开(公告)号：CN119045823A
公开(公告)日：2024-11-29
申请号：CN202410642450.4
申请日：2024-05-23
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种支持多硬件的深度学习模型编译方法和编译器，包括：获取需要编译的深度学习模型的计算图与目标设备信息；将目标设备信息基于预设的硬件模型转换为硬件属性中间形式，基于深度学习模型的基本操作获取线性操作中间形式，基于深度学习模型的张量，获取张量形状中间形式；基于张量与张量形状中间形式，获取内存中间形式，并采用异构内存传输折叠方法优化内存拷贝行为；基于获取的线性操作中间形式获取循环中间形式，采用融合、堆叠、向量化的方法，优化循环中间形式中的循环，并转化为向量中间形式，基于预设的计算模型获取异构设备数据操作规则中间形式；基于前面获取的多个中间形式，获取可在目标设备进行推理的可执行代码。
-
公开(公告)号：CN117333738B
公开(公告)日：2025-04-22
申请号：CN202311308831.0
申请日：2023-10-10
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/40
Abstract: 本发明实施例提供了一种图像分类模型训练方法，该方法包括：S1、获取包括多个图像样本的原始图像数据集及其对应的特征矩阵；S2、对原始图像数据集对应的特征矩阵进行降维处理，并将降维处理后的特征矩阵进行高斯建模以获得特征矩阵中每个特征值的高斯分布；S3、基于步骤S2中每个特征值的高斯分布对其依次进行高斯采样，以使高斯采样所得的所有特征值构成新的特征矩阵，并基于新的特征矩阵生成新的图像数据集；S4、采用新的图像数据集和原始图像数据集构成增强图像训练集训练图像分类模型至收敛。该方法提高了图像分类模型在少样本情况下的性能。
-
公开(公告)号：CN118070868B
公开(公告)日：2025-04-08
申请号：CN202410293163.7
申请日：2024-03-14
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于边缘计算架构的模型结构化剪枝方法及装置，该方法包括：根据集群中每一边缘设备的硬件资源信息，对边缘设备进行分组；对于同一组的边缘设备，将神经网络加速器在该边缘设备硬件的实际运行时间与内存资源消耗作为资源约束条件，对该边缘设备上部署的神经网络模型进行剪枝；校准修剪后的神经网络模型。该方法提高了计算设备的硬件处理速度，降低了内存消耗，进而提升了计算机系统的内部性能。
-
公开(公告)号：CN116580265A
公开(公告)日：2023-08-11
申请号：CN202310604430.3
申请日：2023-05-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774
Abstract: 本发明提供一种目标检测模型对抗训练方法，所述方法包括：S1、获取目标图像数据集和初始对抗图案，所述目标图像数据集包括多个图像样本，且每个图像样本中设置有目标边界框标注；S2、对初始对抗图案进行分形变换以获得目标对抗图案；S3、将步骤S2得到的目标对抗图案注入所述目标图像数据集中每一图像样本的目标边界框内得到对抗训练集，并采用对抗训练集训练目标检测模型至收敛。本发明引入了引入分形变换损失对对抗图案进行迭代更新，使得生成的对抗图案具有一定的自相似性，采用具有自相似性的对抗图案对目标检测模型进行对抗训练，能够提升目标检测模型的鲁棒性，使得模型具有较强的对抗能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.065 seconds)
