CN111667021B - 一种基于人工智能的前端性能问题检测方法 - Google Patents
一种基于人工智能的前端性能问题检测方法 Download PDFInfo
- Publication number
- CN111667021B CN111667021B CN202010612558.0A CN202010612558A CN111667021B CN 111667021 B CN111667021 B CN 111667021B CN 202010612558 A CN202010612558 A CN 202010612558A CN 111667021 B CN111667021 B CN 111667021B
- Authority
- CN
- China
- Prior art keywords
- training
- time sequence
- model
- performance problem
- reasoning
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及人工智能信息技术领域,具体的讲是一种基于人工智能的前端性能问题检测方法,采集前端网站运行时参数的时序数据;将采集到的时序数据转化成多元参数时序图,并进行图片标注;将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论,本发明与现有技术相比,能够针对前端网站运行时采集的相关参数(如FPS、CPU、Network等等)时序图,根据算法模型,检测出参数问题区域,并提出问题原因及可能的优化实践。
Description
技术领域
本发明涉及人工智能信息技术领域,具体的讲是一种基于人工智能的前端性能问题检测方法。
背景技术
通常前端性能可以认为是用户获取所需要页面数据或执行某个页面动作的一个实时性指标,一般以用户希望获取数据的操作到用户实际获得数据的时间间隔来衡量。例如用户希望获取数据的操作是打开某个页面,那么这个操作的前端性能就可以用该用户操作开始到屏幕展示页面内容给用户的这段时间间隔来评判。用户的等待延时可以分成两部分:可控等待延时和不可控等待延时。可控等待延时可以理解为能通过技术手段和优化来改进缩短的部分,例如减小图片大小让请求加载更快、减少HTTP请求数等。不可控等待延时则是不能或很难通过前后端技术手段来改进优化的,例如鼠标点击延时、CPU计算时间延时、ISP(Internet Service Provider,互联网服务提供商)网络传输延时等。而前端优化就是指将可控等待延时部分进行优化,来改善终端用户的体验。
由于前端由多样技术栈构建而成,运行时也是变化多端(如Chrome、Firefox、Edge等等),目前前端性能优化方法流程繁琐,都是由开发人员进行优化,且对开发人员的经验要求较高。
在人工智能快速发展的今天,设计一种基于人工智能技术来检测前端性能问题的方法,以达到降低前端性能优化门槛、提高前端性能优化效率的目的是十分有必要的。
发明内容
本发明突破了现有技术的难题,设计了设计一种基于人工智能技术来检测前端性能问题的方法,以达到降低前端性能优化门槛、提高前端性能优化效率的目的。
为了达到上述目的,本发明设计了一种基于人工智能的前端性能问题检测方法,其特征在于:按照如下步骤进行检测:
S1采集前端网站运行时参数的时序数据;
S2将采集到的时序数据转化成多元参数时序图,并进行图片标注;
S3将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;
S4将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论;
所述参数包括每秒帧数(FPS)、CPU占用情况、各个请求花费时间(Network)中的一种或几种。
进一步,所述推理规则为:将融合处理得到的结论(facts)与规则引擎中的规则(rules)进行模式匹配(pattern matcher),找到最匹配的规则(rules)。
进一步的,S2中所述的图片标注是指在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集。
进一步的,S3中所述的深度学习模型为深度卷积神经网络模型。
进一步的,S3中所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;
S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;
若识别率大于等于阈值,则模型训练结束。
本发明还设计了一种基于人工智能的前端性能问题检测系统,其特征在于:包括多元信息采集模块,包括多元信息采集单元和数据预处理单元,其中多元信息采集单元,用于采集前端网站运行时的相关参数的时序数据;数据预处理单元,用于将多元时序数据转化成多元参数时序图;
深度学习模块,其中建立有深度卷积神经网络模型,用于对多元时序图进行异常目标检测;
故障推理模块,包括融合聚合单元和问题推理单元,其中融合聚合单元,用于对深度神经网络输出的多个结论进行融合处理;问题推理单元,根据性能问题知识库和推理规则,输出性能问题结论。
本发明还设计了一种基于人工智能的前端性能问题检测装置,其特征在于:所述装置采用客户/服务器模式,包括终端装置、Web服务器、后端服务器、模型库,Web服务器用于提供面向用户的终端装置,用户通过终端装置上传前端网站运行时的相关参数的时序数据或者多参数时序图,后端服务器根据场景,动态调用模型库,对用户上传数据进行处理,将最终结论返回给用户。
本发明还设计了一种计算机设备,其特征在于:包括处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:可执行基于人工智能的前端性能问题检测方法:
S1采集前端网站运行时参数的时序数据;
S2将采集到的时序数据转化成多元参数时序图,并进行图片标注;
S3将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;
S4将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论;
其中图片标注是指在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集。
其中所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;
S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;若识别率大于等于阈值,则模型训练结束。
本发明还设计了一种计算机可读存储介质,其特征在于:所述计算机可读存储介质内存储有计算机可执行指令,所述计算机可执行指令被处理器执行时,使得所述处理器执行如下的方法步骤:
S1采集前端网站运行时参数的时序数据;
S2将采集到的时序数据转化成多元参数时序图,并进行图片标注;
S3将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;
S4将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论;
其中所述的图片标注是指在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集。
其中所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;
S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;若识别率大于等于阈值,则模型训练结束。
本发明与现有技术相比,能够针对前端网站运行时采集的相关参数(如FPS、CPU、Network等等)时序图,根据算法模型,检测出参数问题区域,并提出问题原因及可能的优化实践。
附图说明
图1为本发明一具体实施所述的一种基于人工智能的前端性能问题检测方法的流程示意图。
图2为本发明一具体实施所述的一种基于人工智能的前端性能问题检测方法中异常目标检测模型训练的流程示意图。
图3为本发明一具体实施例所述的一种基于人工智能的前端性能问题检测系统的结构示意图。
图4为本发明一具体实施例所述的一种基于人工智能的前端性能问题检测装置的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述,但不作为对本发明的限定。
参见图1和图2,在本发明的一个具体实施例中设计了一种基于人工智能的前端性能问题检测方法,按照如下步骤进行检测:
S1采集前端网站运行时参数的时序数据,所述参数包括但不限于每秒帧数(FPS)、CPU占用情况、各个请求花费时间(Network)中的一种或几种;
S2将采集到的时序数据在数据预处理单元中转化成多元参数时序图,并在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集;
S3将标注后的多元参数时序图输入深度卷积神经网络模型,进行异常目标检测模型训练,得出处理结论;
S4将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论。
优选的,所述推理规则为:将融合处理得到的结论(facts)与规则引擎中的规则(rules)进行模式匹配(pattern matcher),找到最匹配的规则(rules)。
优选的,S3中所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;
S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;若识别率大于等于阈值,则模型训练结束。
参见图3,在本发明的一个具体实施例中还设计了一种基于人工智能的前端性能问题检测系统,包括多元信息采集模块,包括多元信息采集单元和数据预处理单元,其中多元信息采集单元,用于采集前端网站运行时的相关参数的时序数据;数据预处理单元,用于将多元时序数据转化成多元参数时序图。
优选的,还包括深度学习模块,其中建立有深度卷积神经网络模型,用于对多元时序图进行异常目标检测。
优选的,还包括故障推理模块,故障推理模块包括融合聚合单元和问题推理单元,其中融合聚合单元,用于对深度神经网络输出的多个结论进行融合处理;问题推理单元,根据性能问题知识库和推理规则,输出性能问题结论。
参见图4,在本发明的一个具体实施例中设计了一种基于人工智能的前端性能问题检测装置,所述装置采用客户/服务器模式,包括终端装置、Web服务器、后端服务器、模型库,Web服务器用于提供面向用户的终端装置,用户通过终端装置上传前端网站运行时的相关参数的时序数据或者多参数时序图,后端服务器根据场景,动态调用模型库,对用户上传数据进行处理,将最终结论返回给用户。
在本发明的一个具体实施例中还设计了一种计算机设备,包括处理器;用于存储处理器可执行指令的存储器;其中处理器被配置为:采集前端网站运行时参数的时序数据;将采集到的时序数据转化成多元参数时序图,并进行图片标注;将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论。
其中图片标注是指在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集。
在一个实施例中,异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;
S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;若识别率大于等于阈值,则模型训练结束。
在一个实施例中,本发明还设计了一种计算机可读存储介质,计算机可读存储介质内存储有计算机可执行指令,所述计算机可执行指令被处理器执行时,使得所述处理器执行如下步骤:采集前端网站运行时参数的时序数据;将采集到的时序数据转化成多元参数时序图,并在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集;将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论;
在一个实施例中,计算机可执行指令被处理器执行中异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;
S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;若识别率大于等于阈值,则模型训练结束。
需要说明的是,本领域普通技术人员可以理解上述实施例方法中的进行异常目标检测的模型除了使用深度卷积神经网络模型外,还可使用任何一种神经网络模型从而达到本发明的目的与效果。
本领域普通技术人员可以理解上述实施例方法中的全部或部分流程,是可以通过计算机程序指令相关的硬件来完成,所述程序可存储于一个计算机可读存储介质中,如本发明的实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。其中所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明的范围限制,应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种基于人工智能的前端性能问题检测方法,其特征在于:按照如下步骤进行检测:
S1采集前端网站运行时参数的时序数据;
S2将采集到的时序数据转化成多元参数时序图,并进行图片标注;S3将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;
S3中所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;
若识别率大于等于阈值,则模型训练结束;
S4将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论;
所述参数包括每秒帧数、CPU占用情况、各个请求花费时间中的一种或几种;
所述推理规则为:将融合处理得到的结论与规则引擎中的规则进行模式匹配,找到最匹配的规则。
2.根据权利要求1所述的一种基于人工智能的前端性能问题检测方法,其特征在于:S2中所述的图片标注是指在多元参数时序图上标记出问题类型,形成数据集,其中80%用于训练集,剩余20%用于测试集。
3.根据权利要求1所述的一种基于人工智能的前端性能问题检测方法,其特征在于:S3中所述的深度学习模型为深度卷积神经网络模型。
4.一种基于人工智能的前端性能问题检测系统,其特征在于:包括多元信息采集模块,包括多元信息采集单元和数据预处理单元,其中多元信息采集单元,用于采集前端网站运行时的相关参数的时序数据;数据预处理单元,用于将多元时序数据转化成多元参数时序图;
深度学习模块,其中建立有深度卷积神经网络模型,用于对多元时序图进行异常目标检测;所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;
若识别率大于等于阈值,则模型训练结束;
故障推理模块,包括融合聚合单元和问题推理单元,其中融合聚合单元,用于对深度神经网络输出的多个结论进行融合处理;问题推理单元,根据性能问题知识库和推理规则,输出性能问题结论;所述推理规则为:将融合处理得到的结论与规则引擎中的规则进行模式匹配,找到最匹配的规则。
5.一种基于人工智能的前端性能问题检测装置,其特征在于:所述装置采用客户/服务器模式,包括终端装置、Web服务器、后端服务器、模型库,Web服务器用于提供面向用户的终端装置,用户通过终端装置上传前端网站运行时的相关参数的时序数据或者多参数时序图,后端服务器根据场景,动态调用模型库,对用户上传数据进行处理,将最终结论返回给用户;
按照如下步骤进行检测:
S1采集前端网站运行时参数的时序数据;
S2将采集到的时序数据转化成多元参数时序图,并进行图片标注;S3将标注后的多元参数时序图输入深度学习模型,进行异常目标检测模型训练,得出处理结论;
所述异常目标检测模型训练的具体步骤如下:
S31获取训练集,利用训练集对深度卷积神经网络进行训练迭代;S32通过测试集得到识别率,
S33设置阈值;
S34若识别率小于阈值,则用分类器对训练集样本进行分类,将出错率很大的样本放入错误分类池中,提高学习权重,重新返回S31进行训练,迭代优化模型;
若识别率大于等于阈值,则模型训练结束;
S4将处理结论进行融合后,根据性能问题知识库和问题推理单元的推理规则,输出性能问题结论;
所述参数包括每秒帧数、CPU占用情况、各个请求花费时间中的一种或几种;
所述推理规则为:将融合处理得到的结论与规则引擎中的规则进行模式匹配,找到最匹配的规则。
6.一种计算机设备,其特征在于:包括处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:可执行权利要求1-3任一项所述的方法。
7.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质内存储有计算机可执行指令,所述计算机可执行指令被处理器执行时,使得所述处理器执行权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612558.0A CN111667021B (zh) | 2020-06-30 | 2020-06-30 | 一种基于人工智能的前端性能问题检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612558.0A CN111667021B (zh) | 2020-06-30 | 2020-06-30 | 一种基于人工智能的前端性能问题检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667021A CN111667021A (zh) | 2020-09-15 |
CN111667021B true CN111667021B (zh) | 2023-07-21 |
Family
ID=72390600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612558.0A Active CN111667021B (zh) | 2020-06-30 | 2020-06-30 | 一种基于人工智能的前端性能问题检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667021B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019136960A1 (zh) * | 2018-01-12 | 2019-07-18 | 深圳壹账通智能科技有限公司 | 一种爬取网站数据的方法、存储介质、服务器及装置 |
CN111191732A (zh) * | 2020-01-03 | 2020-05-22 | 天津大学 | 一种基于全自动学习的目标检测方法 |
-
2020
- 2020-06-30 CN CN202010612558.0A patent/CN111667021B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019136960A1 (zh) * | 2018-01-12 | 2019-07-18 | 深圳壹账通智能科技有限公司 | 一种爬取网站数据的方法、存储介质、服务器及装置 |
CN111191732A (zh) * | 2020-01-03 | 2020-05-22 | 天津大学 | 一种基于全自动学习的目标检测方法 |
Non-Patent Citations (2)
Title |
---|
柳青秀 ; 马红占 ; 褚学宁 ; 马斌彬 ; 王峥 ; .基于长短时记忆―自编码神经网络的风电机组性能评估及异常检测.计算机集成制造系统.2019,(12),全文. * |
王勇 ; 滕祖伟 ; 周杰华 ; 肖波 ; 赵根 ; .AI深度学习在移动网异常小区检测分类中的应用.邮电设计技术.2019,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111667021A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090508B (zh) | 一种分类训练方法、装置及存储介质 | |
CN108491817B (zh) | 一种事件检测模型训练方法、装置以及事件检测方法 | |
US20200372243A1 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
US9275307B2 (en) | Method and system for automatic selection of one or more image processing algorithm | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN111340716B (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN108229262B (zh) | 一种色情视频检测方法及装置 | |
CN112085046A (zh) | 基于采样与特征约简的非平衡数据集转换的入侵检测方法及系统 | |
CN109189889B (zh) | 一种弹幕识别模型建立方法、装置、服务器及介质 | |
WO2020156171A1 (zh) | 视频发布方法、装置、设备和存储介质 | |
CN111414868A (zh) | 时序动作片段的确定方法、动作检测方法及装置 | |
CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
CN117409419A (zh) | 图像检测方法、设备及存储介质 | |
CN111667021B (zh) | 一种基于人工智能的前端性能问题检测方法 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN112199976A (zh) | 证件图片生成方法及装置 | |
CN115311550A (zh) | 遥感影像语义变化检测方法、装置、电子设备及存储介质 | |
CN111461246A (zh) | 一种图像分类方法及装置 | |
CN110930441A (zh) | 图像的处理方法、装置、设备及计算机可读存储介质 | |
CN111242941A (zh) | 基于视觉注意的显著区域检测方法及装置 | |
CN113066038A (zh) | 图像评估方法、装置、电子设备及计算机存储介质 | |
CN112579780B (zh) | 基于Single-pass的聚类方法、系统、装置、存储介质 | |
CN112148723B (zh) | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
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 |