CN109446783B - 一种基于机器众包的图像识别高效样本采集方法及系统 - Google Patents
一种基于机器众包的图像识别高效样本采集方法及系统 Download PDFInfo
- Publication number
- CN109446783B CN109446783B CN201811364702.2A CN201811364702A CN109446783B CN 109446783 B CN109446783 B CN 109446783B CN 201811364702 A CN201811364702 A CN 201811364702A CN 109446783 B CN109446783 B CN 109446783B
- Authority
- CN
- China
- Prior art keywords
- image
- crowdsourcing
- task
- model
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 40
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 229910044991 metal oxide Inorganic materials 0.000 claims 3
- 150000004706 metal oxides Chemical class 0.000 claims 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 claims 1
- 238000012358 sourcing Methods 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/33—User authentication using certificates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器众包的图像识别高效样本采集方法及系统,涉及图像目标检测、物联网、数据众包和传感技术领域,通过在图像采集智能传感设备中的模型推理功能,实时采集图像并进行识别,根据云端分发的众包任务对模型无法精确识别的图像进行暂存,并统一上传到云端;再利用汇聚到云端的数据样本进行聚类,选取最优数据,对新采集样本数据进行标注,根据其应用场景重新进行模型的训练,在将重新训练后的模型产生新的众包任务,定期推送到图像采集智能传感终端,持续提高模型预测的准确性。
Description
技术领域
本发明涉及涉及图像目标检测、物联网、数据众包和传感技术领域,尤其涉及一种基于机器众包的图像识别高效样本采集方法。
背景技术
近年来,人工智能技术发展迅速,其商业化速度超出预期,人工智能将会给整个社会带来颠覆性的变化,已经成为未来各国重要的发展战略。以深度学习为核心的算法演进,其超强的进化能力,在大数据的支持下,通过训练构建得到类似人脑结构的大规模卷积神经网络,已经可以解决各类问题。而云中心聚合了大量的物理硬件资源,并采用虚拟化技术将物理硬件设备的硬件资源进行抽象,实现异构网络计算资源的统一的分配、调度和管理,高效的实现了深度学习的训练任务。特别是在计算机视觉领域,各种复杂的因素往往以非线性的方式结合在一起,特征的学习尤其重要,而海量训练数据的出现在很大程度上缓解了训练过拟合的问题,从大数据中进行深度学习,打破传统的模式识别方式,对整个计算机视觉领域产生颠覆性的变革。
随着互联网和云计算的发展,从PC互联网、移动互联网来到物联网时代,万物互联的时代已经到来,移动通信设备、物联网终端设备等各类异构设备连接到互联网。而众包模式的出现,带来了新的可能,随着物联网终端更具智能化,通过海量智能终端协作完成任务成为可能,机器众包模式将极大的提升任务的执行效率并且大幅降低成本。另一方面,在计算机视觉领域的深度学习模型训练需要海量的样本数据,并且需要持续收集数据以提升和优化模型,特别是模型无法准确判断的样本数据将更有价值。在这种情况下,如何有效的利用物联网智能设备,采用机器众包模式采集高质量图片样本训练数据,持续优化深度学习图像检测模型成为亟需解决的问题。
发明内容
为了解决以上技术问题,本发明提出了一种基于机器众包的图像识别高效样本采集方法,提高训练样本的典型性,提升模型训练效率。
本发明公开了一种基于机器众包的图像识别高效样本采集方法,通过在图像采集智能传感设备中的模型推理功能,实时采集图像并进行识别,根据云端分发的众包任务对模型无法精确识别的图像进行暂存,并统一上传到云端;再利用汇聚到云端的数据样本进行聚类,选取最优数据,对新采集样本数据进行标注,根据其应用场景重新进行模型的训练,在将重新训练后的模型产生新的众包任务,定期推送到图像采集智能传感终端,持续提高模型预测的准确性。
利用云端聚集大量计算资源,结合海量图像大数据,进行深度学习训练,形成图像识别检测模型,将图像模型针对智能终端进行优化,产生图像样本采集任务,通过机器众包模式,推送到图像采集智能传感设备。
智能终端将利用图像识别模型根据众包任务,对采集图像数据进行推理,对图像识别结果进行分析,将无法确定图像内容的图像进行标记,计算并量化其图像用来作为训练样本的质量指数,并根据样本质量,将最典型的样本暂存到本地,统一进行上传完成众包任务。
另外,通过第三方数字证书认证中心为参与众包任务的个体发放身份证书实现安全认证。
本发明公开了一种基于机器众包的图像识别高效样本采集系统,主要包括云端中心、图像采集智能传感设备和第三方数字证书认证中心;其中
所述的云端中心负责收集海量图像数据,持续优化训练深度学习图像识别模型,提供机器众包任务分配和管理服务,完成智能终端的审核、身份认证及任务结果评估;云端中心产生高效样本采集任务,分发到参与众包的图像处理智能终端;云端中心将众包任务采集数据进行无监督学习聚类,计算并量化图像样本质量,选择最典型的样本重新标注,进行图像识别模型的优化训练,并根据聚类场景进行个性化的众包任务调整,重新分发任务。
所述的图像采集智能传感设备是具有图像识别推理能力的智能终端,接收来自所述的云端中心的众包任务,采集外界图像数据,进行图像识别深度学习模型的实时推理,并将推理结果根据任务要求进行收集,对于不确定的典型样本暂存在本地,批量统一上传到所述的云端中心,完成众包任务;
所述的第三方数字证书认证中心负责发放数字证书,用于参与执行众包任务的智能终端的身份认证。
对于机器众包高效图像样本采集的操作步骤,包括:
步骤101、将所述的图像采集智能传感设备在所述的云端中心众包平台进行注册,提交其智能设备相关参数,包括网络参数、设备性能、设备归属所有方信息、终端操作系统情况、设备存储状况、安全认证相关信息等;
步骤102、所述的云端中心机器众包平台进行审核,审核通过后由所述的第三方数字证书认证中心发放数字证书,与众包任务接入模块一起灌入到终端设备中;
步骤103、所述的云端中心聚集大量计算资源,利用海量图像数据进行深度学习训练,得到通用图像识别模型;
步骤104、所述的云端中心需要针对具体场景进行模型优化,确定图像采集评价基准,基于通用图像识别模型产生众包任务;
步骤105、所述的云端中心机器众包平台发布众包任务;
步骤106、所述的图像采集智能传感设备根据其本地的资源利用情况及众包任务要求,选择接收任务;
步骤107、所述的图像采集智能传感设备根据其本地资源及系统情况,选择下载来自所述的云端中心的深度学习图像识别模型及推理评价程序;
步骤108、所述的图像采集智能传感设备采集外界图像信息,利用资源空闲时间进行图像识别,执行推理评价程序,将无法确定图像内容的图像进行标记;
步骤109、所述的图像采集智能传感设备计算并量化其图像用来作为训练样本的质量指数,比较本地已暂存样本,选择暂存众包任务中要求的最典型样本;
步骤110、所述的图像采集智能传感设备选择网络相对空闲时刻,统一提交其暂存样本,上传到所述的云端中心;
步骤111、所述的图像采集智能传感设备执行多次上传任务,完成众包任务;
步骤112、所述的云端中心收集大量众包任务的图像数据及元数据,使用无监督学习聚类算法,产生多个典型场景的样本集;
步骤113、所述的云端中心将多个样本集计算并量化图像识别训练样本质量,选择最典型的样本重新标注,同时完成众包任务的评估;
步骤114、所述的云端中心根据重新标注图像数据,进行图像识别模型的优化训练,形成新的图像识别模型;
步骤115、所述的云端中心根据聚类结果及应用场景进行个性化机器众包任务的调整,重新发布任务,跳转到步骤105;
步骤116、重复执行以上步骤,持续优化图像识别模型,满足个性化需求,提升识别准确率及识别效率。
本发明的有益效果是:
本发明能够有效利用云端的大量计算资源,结合海量图像大数据,进行深度学习训练,形成图像识别检测模型,将图像模型针对智能终端及场景进行优化;利用机器众包模式,有效利用图像采集智能终端的空闲资源,针对具体场景收集高效的训练样本,一方面,有效的利用了边缘侧的计算资源,提高了智能终端设备的资源利用率,另一方面,高效典型的训练样本将缩短云中心模型训练所需的时间,节省时间成本的同时,也节省了计算资源成本;采用自动化的任务分配及接受方式,减少了人为干预,保证了采集样本的随机性和公正性;通过众包方式采集数据,得到了更好的训练样本覆盖率,有效提升了深度学习模型的图像识别率。采用了无监督学习的聚类方法,将众包采集训练样本进行分类、量化并计算其样本质量,进一步提高了训练样本的典型性,提升模型训练效率。另外,采用第三方CA发放数字证书完成身份认证,也保证了智能终端和云端中心的身份安全。
附图说明
图1是机器众包组成示意图;
图2是机器众包高效图像样本采集流程图。
具体实施方式
下面结合附图对本发明的内容进行更加详细的阐述:
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此," 模块 " 与 " 部件 " 可以混合地使用。
如图1中所示,云端聚集大量计算资源,结合海量图像大数据,进行深度学习训练,形成图像识别检测模型,将图像模型针对智能终端进行优化,产生图像样本采集任务,通过机器众包模式,推送到图像采集智能传感设备。智能终端将利用图像识别模型根据众包任务,对采集图像数据进行推理,对图像识别结果进行分析,将无法确定图像内容的图像进行标记,计算并量化其图像用来作为训练样本的质量指数,并根据样本质量,将最典型的样本暂存到本地,统一进行上传完成众包任务。另外,通过第三方数字证书认证中心为参与众包任务的个体发放身份证书实现安全认证。其中,
所述的云端中心负责收集海量图像数据,持续优化训练深度学习图像识别模型,提供机器众包任务分配和管理服务,完成智能终端的审核、身份认证及任务结果评估;云端中心产生高效样本采集任务,分发到参与众包的图像处理智能终端;云端中心将众包任务采集数据进行无监督学习聚类,计算并量化图像样本质量,选择最典型的样本重新标注,进行图像识别模型的优化训练,并根据聚类场景进行个性化的众包任务调整,重新分发任务。所述的图像采集智能传感设备是具有图像识别推理能力的智能终端,接收来自所述的云端中心的众包任务,采集外界图像数据,进行图像识别深度学习模型的实时推理,并将推理结果根据任务要求进行收集,对于不确定的典型样本暂存在本地,批量统一上传到所述的云端中心,完成众包任务;所述的第三方数字证书认证中心负责发放数字证书,用于参与执行众包任务的智能终端的身份认证。
下面将结合具体的实施例对本发明提供的方法过程进行详细的说明。
一、机器众包高效图像样本采集
参考图2,机器众包高效图像样本采集包括以下步骤:
步骤101、将所述的图像采集智能传感设备在所述的云端中心众包平台进行注册,提交其智能设备相关参数,包括网络参数、设备性能、设备归属所有方信息、终端操作系统情况、设备存储状况、安全认证相关信息等;
步骤102、所述的云端中心机器众包平台进行审核,审核通过后由所述的第三方数字证书认证中心发放数字证书,与众包任务接入模块一起灌入到终端设备中;
步骤103、所述的云端中心聚集大量计算资源,利用海量图像数据进行深度学习训练,得到通用图像识别模型;
步骤104、所述的云端中心需要针对具体场景进行模型优化,确定图像采集评价基准,基于通用图像识别模型产生众包任务;
步骤105、所述的云端中心机器众包平台发布众包任务;
步骤106、所述的图像采集智能传感设备根据其本地的资源利用情况及众包任务要求,选择接收任务;
步骤107、所述的图像采集智能传感设备根据其本地资源及系统情况,选择下载来自所述的云端中心的深度学习图像识别模型及推理评价程序;
步骤108、所述的图像采集智能传感设备采集外界图像信息,利用资源空闲时间进行图像识别,执行推理评价程序,将无法确定图像内容的图像进行标记;
步骤109、所述的图像采集智能传感设备计算并量化其图像用来作为训练样本的质量指数,比较本地已暂存样本,选择暂存众包任务中要求的最典型样本;
步骤110、所述的图像采集智能传感设备选择网络相对空闲时刻,统一提交其暂存样本,上传到所述的云端中心;
步骤111、所述的图像采集智能传感设备执行多次上传任务,完成众包任务;
步骤112、所述的云端中心收集大量众包任务的图像数据及元数据,使用无监督学习聚类算法,产生多个典型场景的样本集;
步骤113、所述的云端中心将多个样本集计算并量化图像识别训练样本质量,选择最典型的样本重新标注,同时完成众包任务的评估;
步骤114、所述的云端中心根据重新标注图像数据,进行图像识别模型的优化训练,形成新的图像识别模型;
步骤115、所述的云端中心根据聚类结果及应用场景进行个性化机器众包任务的调整,重新发布任务,跳转到步骤105;
步骤116、重复执行以上步骤,持续优化图像识别模型,满足个性化需求,提升识别准确率及识别效率。
以上所述的实施例,只是本发明具体实施方式的一种,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (4)
1.一种基于机器众包的图像识别高效样本采集方法,其特征在于,
通过图像采集的模型推理功能,实时采集图像并进行识别,根据云端分发的众包任务对模型无法精确识别的图像进行暂存,并统一上传到云端;再利用汇聚到云端的数据样本进行聚类,选取最优数据,对新采集样本数据进行标注,根据其应用场景重新进行模型的训练,在将重新训练后的模型产生新的众包任务,定期推送到图像采集智能传感终端;
进一步的包括,
利用云端聚集计算资源,结合海量图像大数据,进行深度学习训练,形成图像识别检测模型,将图像模型针对智能终端进行优化,产生图像样本采集任务,通过机器众包模式,推送到图像采集智能传感终端;
进一步的包括,
然后利用图像识别模型根据众包任务,对采集图像数据进行推理,对图像识别结果进行分析,将无法确定图像内容的图像进行标记,计算并量化其图像用来作为训练样本的质量指数,并根据样本质量,将最典型的样本暂存到本地,统一进行上传完成众包任务。
2.根据权利要求1所述的方法,其特征在于,
进一步的包括,
另外,通过第三方数字证书认证中心为参与众包任务的个体发放身份证书实现安全认证。
3.一种基于机器众包的图像识别高效样本采集系统,其特征在于,主要包括云端中心、图像采集智能传感设备和第三方数字证书认证中心;
其中,
所述的云端中心负责收集海量图像数据,持续优化训练深度学习图像识别模型,提供机器众包任务分配和管理服务,完成智能终端的审核、身份认证及任务结果评估;
所述的图像采集智能传感设备是具有图像识别推理能力的智能终端,接收来自所述的云端中心的众包任务,采集外界图像数据,进行图像识别深度学习模型的实时推理,并将推理结果根据任务要求进行收集,对于不确定的典型样本暂存在本地,批量统一上传到所述的云端中心,完成众包任务;
所述的第三方数字证书认证中心负责发放数字证书,用于参与执行众包任务的智能终端的身份认证;
云端中心产生样本采集任务,分发到参与众包的图像处理智能终端;云端中心将众包任务采集数据进行无监督学习聚类,计算并量化图像样本质量,选择最典型的样本重新标注,进行图像识别模型的优化训练,并根据聚类场景进行个性化的众包任务调整,重新分发任务;
具体步骤包括:
包括:
步骤101、将图像采集智能传感设备在所述的云端中心众包平台进行注册,提交其智能设备相关参数;
步骤102、云端中心机器众包平台进行审核,审核通过后由所述的第三方数字证书认证中心发放数字证书,与众包任务接入模块一起灌入到终端设备中;
步骤103、云端中心聚集计算资源,利用海量图像数据进行深度学习训练,得到通用图像识别模型;
步骤104、云端中心针对具体场景进行模型优化,确定图像采集评价基准,基于通用图像识别模型产生众包任务;
步骤105、云端中心机器众包平台发布众包任务;
步骤106、图像采集智能传感设备根据其本地的资源利用情况及众包任务要求,选择接收任务;
步骤107、图像采集智能传感设备根据其本地资源及系统情况,选择下载来自所述的云端中心的深度学习图像识别模型及推理评价程序;
步骤108、图像采集智能传感设备采集外界图像信息,利用资源空闲时间进行图像识别,执行推理评价程序,将无法确定图像内容的图像进行标记;
步骤109、图像采集智能传感设备计算并量化其图像用来作为训练样本的质量指数,比较本地已暂存样本,选择暂存众包任务中要求的最典型样本;
步骤110、图像采集智能传感设备选择网络相对空闲时刻,统一提交其暂存样本,上传到所述的云端中心;
步骤111、图像采集智能传感设备执行多次上传任务,完成众包任务;
步骤112、云端中心收集大量众包任务的图像数据及元数据,使用无监督学习聚类算法,产生一个以上的典型场景的样本集;
步骤113、云端中心将多个样本集计算并量化图像识别训练样本质量,选择最典型的样本重新标注,同时完成众包任务的评估;
步骤114、云端中心根据重新标注图像数据,进行图像识别模型的优化训练,形成新的图像识别模型;
步骤115、云端中心根据聚类结果及应用场景进行个性化机器众包任务的调整,重新发布任务,跳转到步骤105;
步骤116、重复执行以上步骤,持续优化图像识别模型,满足个性化需求,提升识别准确率及识别效率。
4.根据权利要求3所述的系统,其特征在于,
在步骤101中,所述提交其智能设备相关参数,包括网络参数、设备性能、设备归属所有方信息、终端操作系统情况、设备存储状况、安全认证相关信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364702.2A CN109446783B (zh) | 2018-11-16 | 2018-11-16 | 一种基于机器众包的图像识别高效样本采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364702.2A CN109446783B (zh) | 2018-11-16 | 2018-11-16 | 一种基于机器众包的图像识别高效样本采集方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446783A CN109446783A (zh) | 2019-03-08 |
CN109446783B true CN109446783B (zh) | 2023-07-25 |
Family
ID=65554432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811364702.2A Active CN109446783B (zh) | 2018-11-16 | 2018-11-16 | 一种基于机器众包的图像识别高效样本采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446783B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232507B (zh) * | 2019-05-28 | 2021-07-27 | 中国人民解放军国防科技大学 | 基于智能合约的众包活动全过程监管方法及系统 |
CN110647985A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 一种基于人工智能模型库的众包数据标注方法 |
CN110580499B (zh) * | 2019-08-20 | 2022-05-24 | 北京邮电大学 | 基于众包重复标签的深度学习目标检测方法及系统 |
CN111738282A (zh) * | 2019-10-22 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的图像识别方法和相关设备 |
CN112861898B (zh) * | 2019-11-28 | 2022-06-10 | 魔门塔(苏州)科技有限公司 | 一种训练样本的获取方法及装置 |
CN111738404B (zh) * | 2020-05-08 | 2024-01-12 | 深圳市万普拉斯科技有限公司 | 模型训练任务处理方法、装置、电子设备和存储介质 |
CN113810591B (zh) * | 2020-06-15 | 2023-11-21 | 蘑菇车联信息科技有限公司 | 一种高精地图作业系统及云端平台 |
CN112784478A (zh) * | 2021-01-07 | 2021-05-11 | 李琳琳 | 一种智能门铃ai场景自学习训练建模方法及系统 |
CN113487732B (zh) * | 2021-04-21 | 2023-02-28 | 中国地质大学(武汉) | 基于手机众包成像终端的室内地下应急场景三维建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740262A (zh) * | 2014-12-10 | 2016-07-06 | 深圳先进技术研究院 | 基于众包模式的数据采集分享系统及方法 |
CN106651097A (zh) * | 2016-09-30 | 2017-05-10 | 深圳市华傲数据技术有限公司 | 基于众包的数据采集方法、装置和服务器 |
CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
CN107871164A (zh) * | 2017-11-17 | 2018-04-03 | 济南浪潮高新科技投资发展有限公司 | 一种雾计算环境个性化深度学习方法 |
CN108064397A (zh) * | 2017-08-11 | 2018-05-22 | 深圳前海达闼云端智能科技有限公司 | 建立物体三维图像模型的方法、众包平台及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631600A (zh) * | 2016-01-07 | 2016-06-01 | 平安科技(深圳)有限公司 | 车险查勘任务的发布方法及系统 |
WO2018058610A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳市华傲数据技术有限公司 | 基于众包的数据采集方法、装置和服务器 |
CN108243216B (zh) * | 2016-12-26 | 2020-02-14 | 华为技术有限公司 | 数据处理的方法、端侧设备、云侧设备与端云协同系统 |
CN108255605B (zh) * | 2017-12-29 | 2020-12-04 | 北京邮电大学 | 一种基于神经网络的图像识别协同计算方法及系统 |
CN108416003B (zh) * | 2018-02-27 | 2021-12-21 | 百度在线网络技术(北京)有限公司 | 一种图片分类方法和装置、终端、存储介质 |
CN108427992B (zh) * | 2018-03-16 | 2020-09-01 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
-
2018
- 2018-11-16 CN CN201811364702.2A patent/CN109446783B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740262A (zh) * | 2014-12-10 | 2016-07-06 | 深圳先进技术研究院 | 基于众包模式的数据采集分享系统及方法 |
CN106651097A (zh) * | 2016-09-30 | 2017-05-10 | 深圳市华傲数据技术有限公司 | 基于众包的数据采集方法、装置和服务器 |
CN108064397A (zh) * | 2017-08-11 | 2018-05-22 | 深圳前海达闼云端智能科技有限公司 | 建立物体三维图像模型的方法、众包平台及系统 |
CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
CN107871164A (zh) * | 2017-11-17 | 2018-04-03 | 济南浪潮高新科技投资发展有限公司 | 一种雾计算环境个性化深度学习方法 |
Non-Patent Citations (1)
Title |
---|
基于众包模式的POI数据采集方案研究;严宏基;李兵;詹伟;舒红;耿晴;赵晶;;地理空间信息(第12期);41-44+9 * |
Also Published As
Publication number | Publication date |
---|---|
CN109446783A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446783B (zh) | 一种基于机器众包的图像识别高效样本采集方法及系统 | |
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
WO2019184836A1 (zh) | 数据分析设备、多模型共决策系统及方法 | |
CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
CN108768695A (zh) | Kqi的问题定位方法及装置 | |
CN102521706A (zh) | Kpi 数据的分析方法及装置 | |
CN113496316A (zh) | 基于源荷时序耦合的容量配置方法、装置、系统及介质 | |
CN115882455B (zh) | 一种分布式光伏发电预测方法、系统及终端机 | |
CN111198550A (zh) | 基于案例推理的云端智能生产优化调度在线决策方法及系统 | |
CN112287990A (zh) | 一种基于在线学习的边云协同支持向量机的模型优化方法 | |
CN111833205B (zh) | 一种大数据场景下的移动充电桩群体智能调度方法 | |
WO2024066720A1 (zh) | 指标阈值的确定方法、装置、存储介质及电子装置 | |
CN116484247B (zh) | 一种签署数据智能处理系统 | |
CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN110363240A (zh) | 一种医学影像分类方法与系统 | |
CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 | |
CN114707667A (zh) | 一种数据驱动的自动模型训练及应用系统 | |
Zeng et al. | Multimedia document image retrieval based on regional correlation fusion texture feature FDPC | |
CN112019592B (zh) | 基于边缘计算的云制造数据高效处理系统 | |
CN118211722A (zh) | 水位预测方法及装置、存储介质及计算机程序产品 | |
CN117785445A (zh) | 一种基于堆叠时间卷积网络的云资源预测方法及系统 | |
CN117376421A (zh) | 面向无人机的云边协同资源调度方法、系统及存储介质 | |
CN118230016A (zh) | 免疫层析结果分型的预测方法、装置、电子设备以及存储介质 | |
CN116933906A (zh) | 一种电表采集任务智能调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230626 Address after: 250100 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |