-
公开(公告)号：CN109754088A
公开(公告)日：2019-05-14
申请号：CN201811301455.1
申请日：2018-11-02
申请人： 谷歌有限责任公司
发明人： 乔尔·肖尔 , 塞尔吉奥·瓜达拉马·科塔多
CPC分类号： G06K9/6253 , G06F9/448 , G06K9/6273 , G06N3/0454 , G06N3/0472 , G06N3/08 , G06N3/082 , G06N3/084
摘要： 本申请涉及具有用于培训训练生成式对抗网络的模块化基础结构的计算系统。本公开的示例方面涉及提供用于训练生成式对抗网络(GAN)的模块化基础结构的计算系统。例如，模块化基础结构可以包括轻量级库，其被设计为使训练和评估GAN变得容易。用户可以与模块化基础结构交互和/或依赖于模块化基础结构来轻松地训练GAN。根据本公开的一个方面，模块化基础结构可以包括处理在GAN训练过程的各个阶段和其中的操作的多个不同代码集。代码集可以是模块式的。也就是说，代码集可以被设计为独立存在，但是可容易地且直观地组合。因此，用户可以采用一些或所有代码集，或者可以用自定义代码集替换某个代码集，同时仍然生成可行的组合。
-
公开(公告)号：CN109376763A
公开(公告)日：2019-02-22
申请号：CN201811068190.5
申请日：2018-09-13
申请人： 山东师范大学
CPC分类号： G06K9/6273 , G06N3/0454 , G06N3/08
摘要： 本发明公开了基于多样本推理神经网络的样本分类方法、系统及介质，包括：步骤(1)：建立多样本推理神经网络MSIN；步骤(2)：将若干个不同样本域的训练样本作为输入值，输入到多样本推理神经网络MSIN中，对多样本推理神经网络MSIN进行指定轮数的训练；在每轮训练结束后，将验证样本输入到多样本推理神经网络MSIN进行测试，保存使得多样本推理神经网络MSIN整体损失函数值最小的多样本推理神经网络MSIN作为最终网络；步骤(3)：将若干个不同样本域的测试样本作为多样本推理神经网络MSIN输入值，输入到训练好的多样本推理神经网络中，输出测试样本所对应的样本类别或测试样本所在的样本域。
-
公开(公告)号：CN108573256A
公开(公告)日：2018-09-25
申请号：CN201710149786.7
申请日：2017-03-14
申请人： 山东鲁能智能技术有限公司
CPC分类号： G06K9/325 , G06K9/342 , G06K9/6273
摘要： 本发明公开了一种变电站压板设备状态识别方法及装置，通过获取变电站压板设备的初始采集图像；从初始采集图像中提取出单个压板设备对应的待识别图像区域；对待识别图像区域进行深度重建，生成相对深度信息；根据计算得到的相对深度信息进行图论分割，将待识别图像区域分割为前景以及背景；将分割后的待识别图像区域输入至预先训练好的神经网络分类器中，输出待识别图像区域内压板设备的工作状态信息。本申请采用以深度信息重建的方式来确定图论分割的前景和背景，利用图论分割来分割图像，并利用训练后的神经网络来进行分割后图像的识别，对于光照和图像的质量要求较低，对现场光线干扰表现出较好的鲁棒性，识别准确性较高。
-
公开(公告)号：CN108229350A
公开(公告)日：2018-06-29
申请号：CN201711393015.9
申请日：2017-12-21
申请人： TCL集团股份有限公司
CPC分类号： G06K9/00711 , B25J9/1697 , B25J11/0005 , G05B2219/40425 , G06F17/30256 , G06K9/00255 , G06K9/00261 , G06K9/00268 , G06K9/00288 , G06K9/6273 , G06T7/269 , G06T2207/10016 , G06T2207/30201 , G06T2210/12 , G06K9/00228 , G06T7/248 , G06T2207/20084
摘要： 本发明公开了一种机器人装置的面部检测、识别和及跟踪方法和系统。所述方法包括从机器人装置的摄像机中获取视频帧；对所述视频帧执行面部检测处理，以检测所述视频帧中至少一个面部，并在所述面部检测处理后，识别所述视频帧中所检测到的至少一个所述面部。此所述方法还包括使用一特征点跟踪器和一相关跟踪器的组合，来执行基于视觉的跟踪处理以跟踪所识别出的至少一个面部，在所述基于视觉的跟踪处理后，执行检测和跟踪融合处理，并提供所述被识别出的至少一个面部的预期目标估计。
-
公开(公告)号：CN107679522A
公开(公告)日：2018-02-09
申请号：CN201711043801.6
申请日：2017-10-31
申请人： 内江师范学院
CPC分类号： G06K9/00335 , G06K9/46 , G06K9/6256 , G06K9/6273 , G06K9/629 , G06N3/0454 , G06N3/08
摘要： 本发明公开了基于多流LSTM的动作识别方法；获取由关节点表示的人体动作序列；对所述动作序列进行视角预处理，并对视角预处理结果进行特征提取；对所述动作序列进行动态属性萃取，并对动态属性萃取结果进行特征提取；分别对所述视角预处理结果和动态属性萃取结果进行特征提取，并对提取的特征进行特征融合；分别利用提取的特征以及融合的特征进行动作识别；再对识别结果进行决策融合，最终得到动作的识别结果；本发明整合了动作序列的空间特性和时间特性，融合了动作的静态特性和动态特性，动作识别的精度高，稳定性好，所需的训练数据少，收敛性速度快，适合处理复杂的动作类型。
-
公开(公告)号：CN107657249A
公开(公告)日：2018-02-02
申请号：CN201711017356.6
申请日：2017-10-26
申请人： 珠海习悦信息技术有限公司
CPC分类号： G06K9/00369 , G06K9/6215 , G06K9/6256 , G06K9/6273 , G06N3/0454 , G06N3/08
摘要： 本发明公开了一种多尺度特征行人重识别的方法、装置、存储介质及处理器。其中，该方法包括：根据预设多尺度特征提取法建立第一卷积神经网络模型；根据预设公开数据集训练第一卷积神经网络模型，得到第二卷积神经网络模型；根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练，得到第三卷积神经网络模型，其中，模型群组包含三个并联的第二卷积神经网络模型；输入目标行人图像和待识别行人图像至第三卷积神经网络模型，得到目标行人特征向量和待识别行人特征向量；计算目标行人特征向量和待识别行人特征向量之间的向量距离，根据向量距离得到识别结果。本发明解决了现有技术中的行人重识别方式存在的识别精度较低的技术问题。
-
公开(公告)号：CN107358214A
公开(公告)日：2017-11-17
申请号：CN201710596276.4
申请日：2017-07-20
申请人： 中国人民解放军国防科学技术大学
CPC分类号： G06K9/0063 , G06K9/6273 , G06N3/0454 , G06N3/08
摘要： 本发明提供一种基于卷积神经网络的极化SAR地物分类方法。技术方案是：计算相极化SAR图像中各个像素点相应的两个旋转域零角特征及四个传统的旋转不变特征，以上述六个特征参数作为分类特征集，形成多层特征图，再基于归一化后的多层特征图，以切片的形式输入至新搭建的高性能CNN分类器之中，经过相应的训练处理，以利用训练所得模型实现对极化SAR图像中不同地物类别像素点的分类处理。本发明实现简单，计算效率高，分类效果好。
-
公开(公告)号：CN107316295A
公开(公告)日：2017-11-03
申请号：CN201710529838.3
申请日：2017-07-02
申请人： 苏州大学
CPC分类号： G06T7/0008 , G06K9/6273 , G06T2207/10004 , G06T2207/20081 , G06T2207/20084 , G06T2207/30124
摘要： 本发明公开了一种基于深度神经网络的织物瑕疵检测方法，包括如下步骤，（1）、搭建图像采集系统，采集图像；（2）、将所图像分割为实验样本，同时增加织物样本图像数据，将增强后的织物图像作为训练样本，（3）、设计深度神经网络；（4）、设置参数并对所述深度神经网络进行初始化，将训练样本送入到深度神经网络进行训练，在网络训练完成之后，保存网络模型；（5）、将输入的新的织物样本送入网络模型进行检测。本发明提出的基于深度神经网络的织物瑕疵检测方法，以卷积神经网络为核心，通过卷积层进行特征提取，池化层保留有效特征并减少计算量，用全连接层进行分类。以mini-batch梯度下降法进行优化，L2正则化增强泛化能力，通过确定分类器输出的最大分量的对应位置进行缺陷的识别，效果参见图4所示，其中Actual表示样本真实的类别，Pred表示样本预测的类别。
-
公开(公告)号：CN107292885A
公开(公告)日：2017-10-24
申请号：CN201710671719.1
申请日：2017-08-08
申请人： 广东工业大学
CPC分类号： G06T7/0008 , G06K9/6273 , G06T5/002 , G06T2207/10024 , G06T2207/20081 , G06T2207/20084
摘要： 本发明公开了一种基于自动编码器的产品缺陷分类识别方法，包括：获取缺陷图像；通过堆叠至少四个稀疏自编码器提取所述缺陷图像的缺陷特征；通过分类器识别缺陷特征对应的缺陷类别。可见，本方案中，通过堆叠至少四个稀疏自编码器的堆叠形成了深度网络，同时对稀疏自编码器进行降噪处理，使得提取出来的缺陷特征更加抽象，提高了对产品缺陷的识别率并且提取的缺陷特征有很好的鲁棒性。同时，稀疏自编码器采用贪心逐层无监督训练，不需要大量的样本，同时，其可以替代图像预处理、缺陷分割、提取缺陷特征向量等步骤，降低了图像处理的繁琐程度，减少了计算量；本发明还公开了一种基于自动编码器的产品缺陷分类识别装置，同样能实现上述技术效果。
-
公开(公告)号：CN107180247A
公开(公告)日：2017-09-19
申请号：CN201710354956.5
申请日：2017-05-19
申请人： 中国人民解放军国防科学技术大学
CPC分类号： G06K9/6273 , G06N3/0454 , G06N3/08
摘要： 本发明公开了一种基于选择性注意力卷积神经网络的关系分类器及其分类方法，其涉及关系抽取和分类技术领域。该关系分类器包括四层结构，第一层至第四层结构依次为编码层、卷积层、选择性注意力层、池化和softmax层；其中，所述编码层用于将句子中的词转换为低维实数向量；所述卷积层用于获取每个词的高层特征；所述选择性注意力层用于通过最短依赖路径找出与两实体语义联系最紧密的词，由权重矩阵表示；所述池化和softmax层用于构建出句子向量表示，分类得到目标关系。在该关系分类器中结合使用句义和词义信息，抽取特征更加有效，在CNN上考虑了句法结构信息，对关键词语添加了选择性注意，提高了最终分类效果。
-
-
-
-
-
-
-
-
-
搜索结果
130 条记录 (耗时 0.018 秒)
