一种基于多层特征融合的端点检测方法、装置以及设备

    公开(公告)号:CN111181574A

    公开(公告)日:2020-05-19

    申请号:CN201911403096.5

    申请日:2019-12-30

    Inventor: 李峰 刘宏刚

    Abstract: 本发明公开了一种基于多层特征融合的端点检测方法、装置、设备及计算机可读存储介质,包括:将带标签的样本数据集分别输入至初始端点检测网络的编码器中,将编码器的输出输入至解码器中;将编码器提取的特征与解码器提取的分辨率相同的特征进行融合,得到各个样本数据的融合特征;利用各个样本数据的融合特征确定各个样本数据的端点预测值,利用损失函数计算各个样本数据的端点预测值与标签值的误差;利用反向传播算法对初始端点检测网络的参数进行优化直至达到预设精度,得到目标端点检测网络;将待检测数据输入至目标端点检测网络中,输出端点检测结果。本发明所提供的方法、装置、设备及计算机可读存储介质,提高了端点检测的适应性及鲁棒性。

    一种检测数据的输入格式转换方法、装置、设备及介质

    公开(公告)号:CN111104531A

    公开(公告)日:2020-05-05

    申请号:CN201911285978.6

    申请日:2019-12-13

    Inventor: 刘鑫 刘红丽 李峰

    Abstract: 本发明公开了一种检测数据的输入格式转换方法,首先,获取当前目标检测模型对于输入数据的格式要求;根据预先存储的路径信息,读取输入的配置文件及符合配置文件中命名要求的目标图片,并将目标图片按照格式要求进行转换;根据配置文件,读取目标图片对应的目标文档,并将目标文档按照格式要求进行转换。由此可见,整个过程无需人工操作,大大减少了工作量,节省了大量时间,提高了转换操作效率和准确率;同时,对于任意格式类型的目标图片均可自动完成转换操作,适用性广,更好地满足用户的需求。此外,本发明所提供的一种检测数据的输入格式转换装置、设备及存储介质与上述方法对应。

    一种服务器集群自动部署的方法和装置

    公开(公告)号:CN104219099A

    公开(公告)日:2014-12-17

    申请号:CN201410497718.6

    申请日:2014-09-25

    Inventor: 刘正伟 李峰 陆峰

    Abstract: 本发明提出了一种服务器集群自动部署的方法和装置,该方法和装置包括:在镜像节点中预保存计算节点的不同操作系统的安装镜像;管理节点创建部署任务,设置计算节点的互联网协议IP地址并启动镜像节点的预启动执行环境PXE和动态主机配置协议DHCP服务;启动需要部署系统的计算节点,将其第一个启动引导顺序设置为预启动执行环境PXE引导;计算节点通过DHCP服务获取本机IP地址,从而从镜像节点上获取安装镜像;自动完成该计算节点的系统安装。通过本发明实现了云计算集群环境部署过程中的大规模集群节点的自动化配置,实现了大规模集群节点的快速配置,简化了配置流程,提高了配置效率。

    一种车辆识别方法、装置、设备及存储介质

    公开(公告)号:CN111738098A

    公开(公告)日:2020-10-02

    申请号:CN202010476802.5

    申请日:2020-05-29

    Inventor: 刘红丽 李峰 刘鑫

    Abstract: 本发明公开了一种车辆识别方法、装置、设备及存储介质,该方法包括:获取训练集,训练集包括多个包含指定路口的车辆图片及各车辆图片的车辆信息;利用神经网络学习并采样得到子网络模型为当前模型,利用训练集训练当前模型得到包括训练集精度或训练子网络模型的总次数的奖励参数;计算当前模型的约束条件值,基于约束条件值及奖励参数计算奖励值,利用奖励值更新神经网络的可训练参数,返回执行得到子网络模型的步骤,直至达到预设条件为止;并在达到预设条件后,选取出最佳网络模型;将待识别的车辆图片输入至最佳网络模型,得到最佳网络模型输出的待识别的车辆图片的车辆信息。从而能够大大提高识别精度及识别性能。

    一种车辆识别方法、装置、设备及存储介质

    公开(公告)号:CN111738098B

    公开(公告)日:2022-06-17

    申请号:CN202010476802.5

    申请日:2020-05-29

    Inventor: 刘红丽 李峰 刘鑫

    Abstract: 本发明公开了一种车辆识别方法、装置、设备及存储介质,该方法包括:获取训练集,训练集包括多个包含指定路口的车辆图片及各车辆图片的车辆信息;利用神经网络学习并采样得到子网络模型为当前模型,利用训练集训练当前模型得到包括训练集精度或训练子网络模型的总次数的奖励参数;计算当前模型的约束条件值,基于约束条件值及奖励参数计算奖励值,利用奖励值更新神经网络的可训练参数,返回执行得到子网络模型的步骤,直至达到预设条件为止;并在达到预设条件后,选取出最佳网络模型;将待识别的车辆图片输入至最佳网络模型,得到最佳网络模型输出的待识别的车辆图片的车辆信息。从而能够大大提高识别精度及识别性能。

Patent Agency Ranking