公开(公告)号：CN118691925A

公开(公告)日：2024-09-24

申请号：CN202410722931.6

申请日：2024-06-05

Applicant: 哈尔滨工程大学

Inventor： 吴艳霞 ,  任宁 ,  李晓松

IPC: G06V10/774 ,  G06V10/82 ,  G06V20/68 ,  G06V10/764 ,  G06N3/08

Abstract: 本发明公开了一种针对长尾分布特征的食物图像识别的数据增强方法、程序、设备及存储介质，通过结合全局与局部采样策略，并挖掘样本间的隐含联系，促进样本间的有效协作。针对长尾分布的特性，发明通过生成多样化的虚拟样本来扩充原始数据集，创建一个更加多元和全面的训练集。此外，采用联合累积学习策略，增强原始样本与虚拟样本的一致性，提升模型捕捉丰富语义特征的能力，并保持分类器的监督学习，通过引入新样本增强模型鲁棒性，从而提高图像识别的视觉效果和准确性。这种数据增强方法不仅提升了模型对食物图像的识别能力，还增强了图像的视觉效果，为基于图像的食物识别技术的发展提供了新的解决方案。

公开(公告)号：CN110941494A

公开(公告)日：2020-03-31

申请号：CN201911210933.2

申请日：2019-12-02

Applicant: 哈尔滨工程大学

Inventor： 吴艳霞 ,  任宁 ,  李晓松 ,  张硕 ,  王旭

IPC: G06F9/50 ,  G06N3/08

Abstract: 本发明提供的是一种面向深度学习的GPU并行计算的数据处理方法。首先输入数据对计算图进行建模：(1)构建有向图的顶点和边的操作规则；(2)运用拓扑排序定义图中操作的执行顺序；(3)通过训练模型更新参数。然后引入张量生命周期，再进行基于数据运算代价的计算图重写，以求得最优的操作策略主要包括以下步骤：首先进行基于代价的计算图建模，重定义CPU上的操作函数；然后将相同张量的换出操作融合到单个换出操作中；最后运用基于计算和传输代价的张量换回策略得到遍历序列。由此构造出一种基于形式化规则的计算图建模方法。最终本发明将可扩展神经网络和计算图相结合，能够提高模型的训练速度，有效的提高图像处理的效果。