CN111047293B - 图形数据资源管理的方法及其系统 - Google Patents
图形数据资源管理的方法及其系统 Download PDFInfo
- Publication number
- CN111047293B CN111047293B CN201911271215.6A CN201911271215A CN111047293B CN 111047293 B CN111047293 B CN 111047293B CN 201911271215 A CN201911271215 A CN 201911271215A CN 111047293 B CN111047293 B CN 111047293B
- Authority
- CN
- China
- Prior art keywords
- learning
- graphic data
- data
- graphic
- acquiring
- 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 28
- 238000013135 deep learning Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 26
- 230000006870 function Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的图形数据资源管理的方法,属于电力系统的技术领域,解决现有技术的方法容易出现学习任务重复的情况,且学习后数据不能共享的技术问题。包括获取所建立的多个学习任务信息;根据终端用户所输入的学习信息分配与所述多个学习任务信息相关的任务信息;根据所述任务信息获取训练数据集,所述包括通用训练数据集,所述通用训练数据集能够获取电力系统中储存的第一图形数据;所述终端用户根据获取的第一图形数据进行学习;获取所述终端用户学习后的第二图形数据并储存。本发明用以完善电力系统学习的功能,满足人们对电力系统学习高效率的要求。
Description
技术领域
本发明属于电力系统的技术领域,尤其是一种图形数据资源管理的方法及其系统。
背景技术
在电力系统的领域中,需要对电气设备图形和内容构造图样进行学习,学习设备的应用范围和功能及其性能知识。实现学习算法需要依赖于算法、算力和数据集这三个关键因素。在算法方面,目前已经有多个成熟的框架,开发者只需要通过简单预设适当的模型参数,并调用相关接口,就能完成深度学习过程。但是为了获得较好的学习图集或图模型,训练过程中往往需要引入大量的数据集和算力资源,容易出现相同问题多次学习,造成人员精力和时间的浪费。
目前,在电网公司内部,与人工智能相关项目,都是根据项目实际情况分别进行算力资源投资,这很自然的造成不同程度的GPU资源浪费,并且,各项目分别独立建设,数据集、最终模型都不共享,很容易导致重复建设,直接增加了企业运营成本,也不利于深度学习技术在电力行业的推广。
有鉴于此,特提出本发明。
发明内容
本申请提供了一种图形数据资源管理的方法,解决现有技术的方法容易出现学习任务重复的情况,且学习后数据不能共享的技术问题。本案的技术方案有诸多技术效果,见下文。
提供一种图形数据资源管理的方法,用于电力行业深度学习数据的管理,所述方法包括:
获取所建立的多个学习任务信息;
根据终端用户所输入的学习信息分配与所述多个学习任务信息相关的任务信息;
根据所述任务信息获取训练数据集,所述包括通用训练数据集,所述通用训练数据集能够获取电力系统中的第一图形数据;
所述终端用户根据获取的第一图形数据进行学习;
获取所述终端用户学习后的第二图形数据并储存。
在一个优选或可选的实施方式中,所述通用训练数据集能够获取电力系统中储存的第一图形数据的方法包括:
获取图形数据标准;
判断所述第一图形数据是否符合所述图形数据标准,如是,进行储存,如不是不进行存储。
在一个优选或可选的实施方式中,所述终端用户根据获取的第一图形数据进行学习的方法包括,
获取终端用户学习完成后的信息;
根据所述终端用户学习完成后的信息,回第一图形数据。
在一个优选或可选的实施方式中,获取所述终端用户学习后的第二图形数据并储存的方法,所述第二图形数据包括终端用户上传的第三图形数据和所述第一图形数据,包括:
获取图形标准数据;
判断所述第三图形数据是否符合所述图形数据标准,如是,进行储存,如不是不进行存储。
另一方面提供一种图形数据资源管理的系统,用于电力行业深度学习数据的管理,所述系统包括:
第一获取模块,用于获取所建立的多个学习任务信息;
学习框架模块,用于根据终端用户所输入的学习信息分配与所述多个学习任务信息相关的任务信息;
第一获取模块,用于根据所述任务信息获取训练数据集,所述包括通用训练数据集,所述通用训练数据集能够获取电力系统中储存的第一图形数据;
学习模块,用于所述终端用户根据获取的第一图形数据进行学习;
储存模块,用于获取所述终端用户学习后的第二图形数据并储存。
在一个优选或可选的实施方式中,所述第一获取模块包括专用数据集管理模块和专用模型管理模块,其中:
专用数据集管理模块,用于根据所述任务信息获取训练数据集;
专用模型管理模块,用于能够获取电力系统中储存的第一图形数据。
在一个优选或可选的实施方式中,所述第二图形数据包括终端用户上传的第三图形数据和所述第一图形数据,所述储存模块还用于:
获取图形标准数据;
判断所述第三图形数据是否符合所述图形数据标准,如是,进行储存,如不是不进行存储。
在一个优选或可选的实施方式中,所述储存包括通用数据集储存模块和通用储存模块,其中:
通用数据集储存模块,用于存储所述任务信息获取训练数据集;
通用储存模块,用于判断所述第三图形数据是否符合所述图形数据标准,如是,进行储存,如不是,不进行存储。
在一个优选或可选的实施方式中,所述第一获取模块还包括电力行业学习资源模块,所述电力行业学习资源模块用于存储图像处理器的配置信息、所述通用数据集储存模块的数据和所述通用储存模块储存的数据。
在一个优选或可选的实施方式中,电力行业学习资源模块包括
外部接口和内部接口,其中:
所述外部接口,用于对外提供数据的传输接口;
所述内部接口,用于向所述第一获取模块提供所述第一图形数据。
本申请发的有益效果如下:
通过终端用户所输入的学习信息分配与所述多个学习任务信息相关的任务信息,避免了重复建设学习任务的问题。其次是,根据所述任务信息获取训练数据集,所述包括通用训练数据集,所述通用训练数据集能够获取电力系统中储存的第一图形数据,根据所要学习的内容分配对应的学习内容,终端用户根据获取的第一图形数据进行学习,对学习的后的内容进行储存,可以将储存的数据进行共享,其他用户根据所共享的内容进行学习,杜绝算力资源浪费的问题,避免重复性建设,项目建设人员只需要关心项目本身相关的深度学习算法,而不用再去搭建深度学习所需资源环境,不仅能够降低建设周期和成本,也提高了项目建设的模块化程度,提升电力企业的信息化管理水平。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的图形数据资源管理的方法步骤图;
图2为本发明的图形数据资源管理的方法的通用训练数据集能够获取电力系统中储存的第一图形数据的示意图;
图3为本发明的图形数据资源管理的方法的获取所述终端用户学习后的第二图形数据并储存的示意图;
图4为本发明的图形数据资源管理的系统的示意图;
图5为本发明的图形数据资源管理的系统的具体步骤的示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
如图1所示的图形数据资源管理的方法,用于电力行业深度学习数据的管理,方法包括:
S101:获取所建立的多个学习任务信息,管理员建立多个学习任务,例如,电气设备的内部结构、外形和工作原理模型的任务信息;
S102:根据终端用户所输入的学习信息分配与多个学习任务信息相关的任务信息,例如,终端用户登录系统后数据具体的产品型号及其具体的学习信息,根据学习信息与多个学习任务信息进行关键词匹配,从而分配给终端用户对应的学习任务信息,避免的重复建设的情况出现,杜绝人员精力和时间的浪费;
S103:根据任务信息获取训练数据集,训练数据集包括通用训练数据集,通用训练数据集能够获取电力系统中储存的第一图形数据;根据所要训练的数据集,从电力系统中获取对应的第一图形数据,第一图形包括,电气设备照片、模型和工作原理模型等;
S104:终端用户根据获取的第一图形数据进行学习。第一图形数据中可能含有不相关图形数据,终端用户对其筛序或删除或上传自己收集的图形照片或模型,因此,将学习后的数据作为第二图形数据;
S105:获取终端用户学习后的第二图形数据并储存。第二图形数据经过人工的筛选或新数据的上传,完成了管理员所建立的任务,并对数据进行保存,可实现数据的共享。如,多个终端用户完成多个学习任务,彼此之间的数据共享,大大提交学习的效率。
本案通过终端用户所输入的学习信息分配与多个学习任务信息相关的任务信息,避免了重复建设学习任务的问题。其次是,根据任务信息获取训练数据集,训练数据集包括通用训练数据集,通用训练数据集能够获取电力系统中储存的第一图形数据,根据所要学习的内容分配对应的学习内容,终端用户根据获取的第一图形数据进行学习,对学习的后的内容进行储存,可以将储存的数据进行共享,其他用户根据所共享的内容进行学习,杜绝算力资源浪费的问题,避免重复性建设,项目建设人员只需要关心项目本身相关的深度学习算法,而不用再去搭建深度学习所需资源环境,不仅能够降低建设周期和成本,也提高了项目建设的模块化程度,提升电力企业的信息化管理水平。
作为可选的实施方式,通用训练数据集能够获取电力系统中储存的第一图形数据的方法包括:获取图形数据标准,例如,图像的清晰度、图像的大小和模型的完整性等数据标准,例如,采用电力系统的行业图形标准数据;
如图2所示,判断第一图形数据是否符合图形数据标准,如是,进行储存,如不是不进行存储,仅提供符合图形数据标准的数据给终端用户学习,提高人员学习的效率,减少不必要的时间消耗,例如,删除不清晰的图像。
作为可选的实施方式,终端用户根据获取的第一图形数据进行学习的方法包括,
获取终端用户学习完成后的信息,根据终端用户学习完成后的信息,回第一图形数据。减少系统的运算量,提高系统的运行速度,并且,提高系统的安全性能。
作为可选的实施方式,如图3所示,获取终端用户学习后的第二图形数据并储存的方法,第二图形数据包括终端用户上传的第三图形数据和第一图形数据,如上述所述,第一图形数据可能没有终端用户自行收集的数据更准确,因此,终端用户可上传自己所保留的图形数据,可将该图形数据进行共享,但需要判断是否满足图形的标准,如下:获取图形标准数据,并,判断第三图形数据是否符合图形数据标准,如是,进行储存,如不是,不进行存储。使得系统的学习灵活性更大,不仅仅局限于电力系统的原始图形数据。
另一方面如图4提供一种图形数据资源管理的系统,用于电力行业深度学习数据的管理,系统包括:
第一获取模块,用于获取所建立的多个学习任务信息,管理员建立学习任务后进行系统保存,通过多个用户的登录学习进行任务的完成;学习任务信息中包括了所要训练事项具体的训练数据集;
学习框架模块,用于根据终端用户所输入的学习信息分配与多个学习任务信息相关的任务信息。即为,每个人完成不同的学习任务,不会造成学习任务重复的情况发生,提高人力成本的应用。
第一获取模块,用于根据任务信息获取训练数据集,包括通用训练数据集,通用训练数据集能够获取电力系统中储存的第一图形数据、用户登录后,根据所输入的关键字,系统给予匹配和分配,相关的学习任务,获取电力体统中存储的与学习任务向对应的图形数据,图形的分类控件或系统,采用现有技术中的系统即可,例如,acdsee6pro,picasa,lightroom,xnview或其他,在此不再赘述;
学习模块,用于终端用户根据获取的第一图形数据进行学习,终端用户在学习过程中对第一图形数据筛选或删除,保留相关度较大的图形数据,也可自行上传自己的图形数据;
储存模块,用于获取终端用户学习后的第二图形数据并储存,实现数据共享。
作为可选的实施方式,第一获取模块包括专用数据集管理模块和专用模型管理模块,其中:
专用数据集管理模块,用于根据任务信息获取训练数据集;
专用模型管理模块,用于能够获取电力系统中储存的第一图形数据。
作为可选的实施方式,第二图形数据包括终端用户上传的第三图形数据和第一图形数据,储存模块还用于,作如图2的判断,提高系统的图形数据质量,方便他人学习和参考,如:
获取图形标准数据;
判断第三图形数据是否符合图形数据标准,如是,进行储存,如不是不进行存储。
作为可选的实施方式,储存包括通用数据集储存模块和通用储存模块,其中:
通用数据集储存模块,用于存储任务信息获取训练数据集;
通用储存模块,用于判断第三图形数据是否符合图形数据标准,如是,进行储存,如不是,不进行存储。
作为可选的实施方式,第一获取模块还包括电力行业学习资源模块,电力行业学习资源模块用于存储图像处理器的配置信息、通用数据集储存模块的数据和通用储存模块储存的数据。
作为可选的实施方式,电力行业学习资源模块包括外部接口和内部接口,其中:外部接口,用于对外提供数据的传输接口;内部接口,用于向第二获取模块提供第一图形数据。提供人机接口方式,提高对电力行业深度学习任务进行统一管理,实现GPU集群化管理与统一分配,杜绝算力资源浪费的问题;同时,将质量较好的数据集与学习模型,发布到通用资源管理库,形成标准的电力行业深度学习资源库,并提供统一的调用接口,可以方便的进行调用,避免重复性建设。通过该平台提供的接口,可以完成各种学习任务,项目建设人员只需要关心项目本身相关的深度学习算法,而不用再去搭建深度学习所需资源环境,不仅能够降低建设周期和成本,也提高了项目建设的模块化程度,提升电力企业的信息化管理水平。
本发明整体的技术效果,通过人机接口,对电力行业学习任务进行统一管理,完成GPU集群化管理与统一分配;并将质量较好的数据集与学习模型,发布到通用储存模块中,形成标准的电力行业深度学习资源库。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (5)
1.一种图形数据资源管理的方法,用于电力行业深度学习数据的管理,其特征在于,所述方法包括:
获取所建立的多个学习任务信息;
根据终端用户所输入的学习信息分配与所述多个学习任务信息相关的任务信息;
根据所述任务信息获取训练数据集,所述训练数据集包括通用训练数据集,所述通用训练数据集能够获取电力系统中储存的第一图形数据;
所述终端用户根据获取的第一图形数据进行学习;
获取所述终端用户学习后的第二图形数据并储存;
所述终端用户根据获取的第一图形数据进行学习的方法包括:
获取终端用户学习完成后的信息;
根据所述终端用户学习完成后的信息,回收所述第一图形数据;
所述通用训练数据集能够获取电力系统中储存的第一图形数据的方法包括:
获取图形数据标准;
判断所述第一图形数据是否符合所述图形数据标准,如是,进行储存,如不是不进行存储;
获取所述终端用户学习后的第二图形数据并储存的方法,所述第二图形数据包括终端用户上传的第三图形数据和所述第一图形数据,包括:
获取图形标准数据;
判断所述第三图形数据是否符合所述图形数据标准,如是,进行储存,如不是,不进行存储。
2.一种图形数据资源管理的系统,用于电力行业深度学习数据的管理,其特征在于,所述系统包括:
第一获取模块,用于获取所建立的多个学习任务信息;
学习框架模块,用于根据终端用户所输入的学习信息分配与所述多个学习任务信息相关的任务信息;
第二获取模块,用于根据所述任务信息获取训练数据集,包括通用训练数据集,所述通用训练数据集能够获取电力系统中储存的第一图形数据;
学习模块,用于所述终端用户根据获取的第一图形数据进行学习,获取终端用户学习完成后的信息,根据所述终端用户学习完成后的信息,回收所述第一图形数据;
储存模块,用于获取所述终端用户学习后的第二图形数据并储存;
所述第二获取模块包括专用数据集管理模块和专用模型管理模块,其中:
专用数据集管理模块,用于根据所述任务信息获取训练数据集;
专用模型管理模块,用于能够获取电力系统中储存的第一图形数据;
所述第二图形数据包括终端用户上传的第三图形数据和所述第一图形数据,所述储存模块还用于:
获取图形标准数据;
判断所述第三图形数据是否符合所述图形数据标准,如是,进行储存,如不是不进行存储。
3.根据权利要求2所述的系统,其特征在于,所述储存模块包括通用数据集储存模块和通用储存模块,其中:
通用数据集储存模块,用于存储所述任务信息获取训练数据集;
通用储存模块,用于判断所述第三图形数据是否符合所述图形数据标准,如是,进行储存,如不是,不进行存储。
4.根据权利要求3所述的系统,其特征在于,所述第二获取模块还包括电力行业学习资源模块,所述电力行业学习资源模块用于存储图像处理器的配置信息、所述通用数据集储存模块的数据和所述通用储存模块储存的数据。
5.根据权利要求2所述的系统,其特征在于,所述电力行业学习资源模块包括外部接口和内部接口,其中:
所述外部接口,用于对外提供数据的传输接口;
所述内部接口,用于向所述第二获取模块提供所述第一图形数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271215.6A CN111047293B (zh) | 2019-12-12 | 2019-12-12 | 图形数据资源管理的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271215.6A CN111047293B (zh) | 2019-12-12 | 2019-12-12 | 图形数据资源管理的方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047293A CN111047293A (zh) | 2020-04-21 |
CN111047293B true CN111047293B (zh) | 2023-11-03 |
Family
ID=70235887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271215.6A Active CN111047293B (zh) | 2019-12-12 | 2019-12-12 | 图形数据资源管理的方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047293B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004294900A (ja) * | 2003-03-27 | 2004-10-21 | Oki Electric Ind Co Ltd | 教育システム |
KR20050041341A (ko) * | 2003-10-30 | 2005-05-04 | 한국전력공사 | 전력계통 고장복구 교육훈련시스템 |
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及系统 |
CN106980880A (zh) * | 2017-03-06 | 2017-07-25 | 北京小米移动软件有限公司 | 图像匹配的方法及装置 |
CN106981063A (zh) * | 2017-03-14 | 2017-07-25 | 东北大学 | 一种基于深度学习的电网设备状态监测装置 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109034396A (zh) * | 2018-07-11 | 2018-12-18 | 北京百度网讯科技有限公司 | 用于处理分布式集群中的深度学习作业的方法和装置 |
CN109344885A (zh) * | 2018-09-14 | 2019-02-15 | 深圳增强现实技术有限公司 | 深度学习识别系统、方法及电子设备 |
CN109447248A (zh) * | 2018-11-09 | 2019-03-08 | 深圳增强现实技术有限公司 | 深度学习平台及方法 |
CN110276394A (zh) * | 2019-06-21 | 2019-09-24 | 扬州大学 | 一种小样本下基于深度学习的电力设备分类方法 |
CN110390387A (zh) * | 2018-04-20 | 2019-10-29 | 伊姆西Ip控股有限责任公司 | 对深度学习应用所用资源进行评估 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10789602B2 (en) * | 2014-06-11 | 2020-09-29 | Michael Levy | System and method for gathering, identifying and analyzing learning patterns |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
-
2019
- 2019-12-12 CN CN201911271215.6A patent/CN111047293B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004294900A (ja) * | 2003-03-27 | 2004-10-21 | Oki Electric Ind Co Ltd | 教育システム |
KR20050041341A (ko) * | 2003-10-30 | 2005-05-04 | 한국전력공사 | 전력계통 고장복구 교육훈련시스템 |
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及系统 |
CN106980880A (zh) * | 2017-03-06 | 2017-07-25 | 北京小米移动软件有限公司 | 图像匹配的方法及装置 |
CN106981063A (zh) * | 2017-03-14 | 2017-07-25 | 东北大学 | 一种基于深度学习的电网设备状态监测装置 |
CN110390387A (zh) * | 2018-04-20 | 2019-10-29 | 伊姆西Ip控股有限责任公司 | 对深度学习应用所用资源进行评估 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109034396A (zh) * | 2018-07-11 | 2018-12-18 | 北京百度网讯科技有限公司 | 用于处理分布式集群中的深度学习作业的方法和装置 |
CN109344885A (zh) * | 2018-09-14 | 2019-02-15 | 深圳增强现实技术有限公司 | 深度学习识别系统、方法及电子设备 |
CN109447248A (zh) * | 2018-11-09 | 2019-03-08 | 深圳增强现实技术有限公司 | 深度学习平台及方法 |
CN110276394A (zh) * | 2019-06-21 | 2019-09-24 | 扬州大学 | 一种小样本下基于深度学习的电力设备分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111047293A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491790B (zh) | 基于容器的工业物联网边缘计算资源分配方法及系统 | |
CN104268695B (zh) | 一种多中心流域水环境分布式集群管理系统及方法 | |
US10783437B2 (en) | Hybrid aggregation for deep learning neural networks | |
CN109597965B (zh) | 基于深度神经网络的数据处理方法、系统、终端及介质 | |
CN111310936A (zh) | 机器学习训练的构建方法、平台、装置、设备及存储介质 | |
CN112100155A (zh) | 一种云边协同的数字孪生模型组装与融合方法 | |
CN111292262B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN112581578A (zh) | 一种基于软件定义的云渲染系统 | |
Wang et al. | An efficient image aesthetic analysis system using Hadoop | |
CN103714184A (zh) | 一种遥感影像快速并行处理方法及装置 | |
CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN114218291A (zh) | 基于目标对象的画像生成方法、装置、设备及存储介质 | |
CN111047293B (zh) | 图形数据资源管理的方法及其系统 | |
CN110991279B (zh) | 文档图像分析与识别方法及系统 | |
Costa et al. | Exploiting different types of parallelism in distributed analysis of remote sensing data | |
CN116521778A (zh) | 基于人工智能的一站式数据分析工具、方法及终端设备 | |
CN112817560B (zh) | 一种基于表函数的计算任务处理方法、系统及计算机可读存储介质 | |
CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
CN104507150A (zh) | 一种基带池内虚拟资源分簇方法 | |
Huang et al. | Emotional computing at the Edge to Support Effective IoE Applications in Future Classroom | |
CN107122472A (zh) | 大规模非结构化数据提取方法、其系统、分布式数据管理平台 | |
CN105354298A (zh) | 基于Hadoop的大规模社交网络分析方法及其分析平台 | |
WO2019127492A1 (zh) | 节点流量占比预测方法及装置 | |
CN116227585B (zh) | 集群任务的并行执行方法、装置、计算机设备和存储介质 | |
CN117220286B (zh) | 一种水风光多能互补系统风险评估方法、装置及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |