-
公开(公告)号：CN109389162B
公开(公告)日：2019-11-19
申请号：CN201811142163.8
申请日：2018-09-28
Applicant: 北京达佳互联信息技术有限公司
IPC: G06K9/62
Abstract: 本公开是关于一种样本图像筛选方法和装置、电子设备及存储介质，其中所述方法包括：采用图像分类器分别对待筛选的各样本图像进行预测，得到所述各样本图像对应的特征向量和分类标签；对所述各样本图像对应的特征向量进行聚类，分别确定所述各样本图像所属的聚类中心；依据各所述样本图像对应的聚类中心和分类标签，对各聚类中心进行合并；依据合并结果筛选出目标样本图像。通过本公开的样本图像筛选方法，能够及时、准确地对“新”数据进行筛选无需人工手动干预，能够节省人力资源，通过筛选出的“新”数据可以进一步生成“新”标签。
-
公开(公告)号：CN109816047B
公开(公告)日：2022-05-24
申请号：CN201910122128.8
申请日：2019-02-19
Applicant: 北京达佳互联信息技术有限公司
IPC: G06V10/774 , G06K9/62 , G06F16/22
Abstract: 本申请公开了一种提供标签的方法、装置、设备及可读存储介质，属于深度学习技术领域。方法包括：基于深度学习模型预测目标内容的第一标签；根据第一标签获取与第一标签具有相关性的第二标签；将第一标签和第二标签作为目标内容的标签提供给标注系统进行标注。通过深度学习模型预测目标内容的第一标签，由于该第一标签比默认标签的标注精度要高，从而可以提高提供给标注系统的标签的准确率。此外，将第一标签和与第一标签具有相关性的第二标签作为目标内容的标签提供给标注系统，进一步提高了标注数据的可用比例，从而节省标注资源。
-
公开(公告)号：CN109190646B
公开(公告)日：2019-08-20
申请号：CN201810664593.X
申请日：2018-06-25
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本发明实施例提供了一种基于神经网络的数据预测方法、装置及神经网络系统，其中所述神经网络系统包括主干网络、至少两个分支网络以及投票单元，其中，所述至少两个分支网络的深度相同，且各个分支网络具有独立的模型参数；所述主干网络用于对目标图像进行特征提取，获得特征集合，并将所述特征集合输出至所述至少两个分支网络；所述分支网络用于根据输入的特征进行任务处理，输出对应的预测结果；所述投票单元用于融合所述至少两个分支网络输出的预测结果，确定最终输出结果。本发明实施例可以实现对神经网络模型的优化，提高了神经网络的预测精确度。
-
公开(公告)号：CN109389162A
公开(公告)日：2019-02-26
申请号：CN201811142163.8
申请日：2018-09-28
Applicant: 北京达佳互联信息技术有限公司
IPC: G06K9/62
Abstract: 本公开是关于一种样本图像筛选方法和装置、电子设备及存储介质，其中所述方法包括：采用图像分类器分别对待筛选的各样本图像进行预测，得到所述各样本图像对应的特征向量和分类标签；对所述各样本图像对应的特征向量进行聚类，分别确定所述各样本图像所属的聚类中心；依据各所述样本图像对应的聚类中心和分类标签，对各聚类中心进行合并；依据合并结果筛选出目标样本图像。通过本公开的样本图像筛选方法，能够及时、准确地对“新”数据进行筛选无需人工手动干预，能够节省人力资源，通过筛选出的“新”数据可以进一步生成“新”标签。
-
公开(公告)号：CN110543920B
公开(公告)日：2022-04-22
申请号：CN201910863873.8
申请日：2019-09-12
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本公开提供了一种图像识别模型的性能检测方法、装置、服务器及存储介质，属于互联网技术领域。所述方法包括：获取测试样本集，所述测试样本集包括多个测试样本以及对应的多个真实标签，将所述多个测试样本分别输入待检测的图像识别模型，获取所述图像识别模型输出的多个预测标签，获取多个文本相似度，一个文本相似度用于表示一个测试样本的真实标签和预测标签之间的相似度，根据所述多个文本相似度，确定所述图像识别模型的识别准确率。通过根据多个文本相似度，确定模型的识别准确率，可以兼容各种图像识别模型的标签体系，无需针对样本进行重新标注，即能够实现模型的性能检测，大大降低了时间和成本的消耗，提高了模型性能检测的效率。
-
Patent Agency Ranking
公开(公告)号：CN109816047A
公开(公告)日：2019-05-28
申请号：CN201910122128.8
申请日：2019-02-19
Applicant: 北京达佳互联信息技术有限公司
Abstract: 本申请公开了一种提供标签的方法、装置、设备及可读存储介质，属于深度学习技术领域。方法包括：基于深度学习模型预测目标内容的第一标签；根据第一标签获取与第一标签具有相关性的第二标签；将第一标签和第二标签作为目标内容的标签提供给标注系统进行标注。通过深度学习模型预测目标内容的第一标签，由于该第一标签比默认标签的标注精度要高，从而可以提高提供给标注系统的标签的准确率。此外，将第一标签和与第一标签具有相关性的第二标签作为目标内容的标签提供给标注系统，进一步提高了标注数据的可用比例，从而节省标注资源。
-
公开(公告)号：CN110163296B
公开(公告)日：2020-12-18
申请号：CN201910459366.8
申请日：2019-05-29
Applicant: 北京达佳互联信息技术有限公司
IPC: G06K9/62
Abstract: 本公开是关于一种图像识别的方法、装置、设备及存储介质，方法包括：获取第一目标训练数据子集和第一目标更新数据子集，获取基于第一目标训练数据子集训练机器学习模型得到的识别模型；根据识别模型对第一目标更新数据子集中的每一个训练数据进行识别，得到识别结果；通过第一目标更新数据子集中的每一个训练数据的识别结果更新第一目标更新数据子集中对应的训练数据的初始标签，得到更新后的第一目标更新数据子集；将更新后的第一目标更新数据子集和第一目标训练数据子集进行合并处理，得到用于训练机器学习模型的目标训练数据，利用基于目标训练数据训练得到的目标识别物的识别模型进行图像识别，提高了模型的训练效率和识别结果的准确性。
-
公开(公告)号：CN110163296A
公开(公告)日：2019-08-23
申请号：CN201910459366.8
申请日：2019-05-29
Applicant: 北京达佳互联信息技术有限公司
IPC: G06K9/62
Abstract: 本公开是关于一种图像识别的方法、装置、设备及存储介质，方法包括：获取第一目标训练数据子集和第一目标更新数据子集，获取基于第一目标训练数据子集训练机器学习模型得到的识别模型；根据识别模型对第一目标更新数据子集中的每一个训练数据进行识别，得到识别结果；通过第一目标更新数据子集中的每一个训练数据的识别结果更新第一目标更新数据子集中对应的训练数据的初始标签，得到更新后的第一目标更新数据子集；将更新后的第一目标更新数据子集和第一目标训练数据子集进行合并处理，得到用于训练机器学习模型的目标训练数据，利用基于目标训练数据训练得到的目标识别物的识别模型进行图像识别，提高了模型的训练效率和识别结果的准确性。
-
公开(公告)号：CN109214412A
公开(公告)日：2019-01-15
申请号：CN201810765795.3
申请日：2018-07-12
Applicant: 北京达佳互联信息技术有限公司
CPC classification number: G06K9/6268 , G06K9/6256 , G06K9/629 , G06N3/0454
Abstract: 本发明实施例提供了一种分类模型的训练方法和装置，所述方法包括：获取图像数据；根据所述图像数据获得图像特征数据；获取用户与图像之间的评论数据；根据所述评论数据获得文本特征数据；拼接所述图像特征数据和所述文本特征数据获得融合特征数据；采用所述融合特征数据训练指定分类模型。本发明实施例将文本特征数据应用到指定分类模型中，由于文本特征数据会随着用户与图像数据之间评论数据越来越多，从而使得分类模型的分类结果变得越加准确。
-
公开(公告)号：CN110543920A
公开(公告)日：2019-12-06
申请号：CN201910863873.8
申请日：2019-09-12
Applicant: 北京达佳互联信息技术有限公司
IPC: G06K9/62
Abstract: 本公开提供了一种图像识别模型的性能检测方法、装置、服务器及存储介质，属于互联网技术领域。所述方法包括：获取测试样本集，所述测试样本集包括多个测试样本以及对应的多个真实标签，将所述多个测试样本分别输入待检测的图像识别模型，获取所述图像识别模型输出的多个预测标签，获取多个文本相似度，一个文本相似度用于表示一个测试样本的真实标签和预测标签之间的相似度，根据所述多个文本相似度，确定所述图像识别模型的识别准确率。通过根据多个文本相似度，确定模型的识别准确率，可以兼容各种图像识别模型的标签体系，无需针对样本进行重新标注，即能够实现模型的性能检测，大大降低了时间和成本的消耗，提高了模型性能检测的效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.027 seconds)
