CN112308130A - 一种物联网深度学习网络的部署方法 - Google Patents

一种物联网深度学习网络的部署方法 Download PDF

Info

Publication number
CN112308130A
CN112308130A CN202011177845.XA CN202011177845A CN112308130A CN 112308130 A CN112308130 A CN 112308130A CN 202011177845 A CN202011177845 A CN 202011177845A CN 112308130 A CN112308130 A CN 112308130A
Authority
CN
China
Prior art keywords
network
net
cloud platform
image data
terminal
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.)
Granted
Application number
CN202011177845.XA
Other languages
English (en)
Other versions
CN112308130B (zh
Inventor
朱炼
赵勇
常关羽
牛富增
贾忠友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Qianjia Technology Co Ltd
Original Assignee
Chengdu Qianjia Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Qianjia Technology Co Ltd filed Critical Chengdu Qianjia Technology Co Ltd
Priority to CN202011177845.XA priority Critical patent/CN112308130B/zh
Publication of CN112308130A publication Critical patent/CN112308130A/zh
Application granted granted Critical
Publication of CN112308130B publication Critical patent/CN112308130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种物联网深度学习网络的部署方法，包括步骤：在云平台上部署Net‑T网络、Net‑S网络，在终端部署Net‑S`网络；使用各终端Net‑S`网络获取的历史图像数据对Net‑T网络、Net‑S网络进行训练，使Net‑T网络和Net‑S网络达到准确度后，将Net‑S网络的参数分别灌入各终端的Net‑S`网络中；各终端Net‑S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回云平台的Net‑T网络中进行再次识别。本方案通过建立置信度阈值的机制，对部署的网络进行识别训练后使终端的网络仿真云平台的网络，使得部署的整体系统能够在迭代准确度和网络数据传输量中达到均衡，并能够利用云平台中的深度学习网络对浅层学习网络进行持续不断的优化迭代，以减轻终端和云平台的通信和计算压力。

Description

一种物联网深度学习网络的部署方法
技术领域
本发明涉及深度学习技术领域，特别涉及物联网图像识别模型的部署方法。
背景技术
随着5G的兴起，大规模物联网的建设成为了可能，最重要的特点就是连接的终端数量非常大，可将数据在各终端直接进行处理，但终端的数量多了之后，通信资源不能保证，会导致通信延迟，并且单个终端的计算能力有限，处理之后的数据会存在置信度不高或者数据明显有误就上传到云计算平台，比如燃气表终端采集到字轮数据后利用本地处理器(如单片机)得到字轮读数结果并上传到云计算平台时，则会存在结果的置信度不高就上传到云计算平台；或者终端可以将数据采集后全部发送至云计算平台进行计算，但也存在计算压力和大量终端与云计算平台之间的通信延迟的问题，比如燃气表终端采集的字轮图像数据明显有误就上传到云计算平台，因此使得终端和云计算平台的通信和计算的负担都不断加重。
发明内容
作为一个示例，以一个数据量为8位的燃气表为例，其使用NB-IOT模式进行通信。现上传一副160*120抄表图像的传输规模是传输抄表结果的2400倍，以NB-IOT模式进行通信的话则需要将该抄表图像分割成96个200字节的数据包依次进行数据上传。此时，在终端进行识别后上传只需要穿8个整型数字，也就是16个字节，那么1个数据包就可以容纳，但频繁的数据包传输就会增加云平台解析的困难，以及存在数据包在传输过程中丢失的可能性，因此会对终端和云平台之间的通信带来压力。
进一步看类似摄像表具的情况，一般终端处的摄像表具数量是成千上万的，将大量的数据上传至云平台进行计算时，完成8位的识别需要0.1秒，那么云平台将会面临非常大的数据并发问题，因此会对终端和云平台之间的计算带来压力。
本发明的目的在于减轻终端和云计算平台的通信和计算的压力，提供一种物联网深度学习网络的部署方法。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种物联网深度学习网络的部署方法，对云计算平台和多个终端进行深度学习网络的部署，包括以下步骤：
在云平台上部署Net-T网络、Net-S网络，在终端部署Net-S`网络；
使用各终端Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，使Net-T网络和Net-S网络达到准确度后，将Net-S网络的参数分别灌入各终端的Net-S`网络中；
各终端的Net-S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回至云平台的Net-T网络中进行再次识别。
在本方案中，对终端和云平台都部署网络，在云平台上分别部署深度学习网络(Net-T网络)和浅层学习网络(Net-S网络)，在终端上部署浅层学习网络(Net-S`网络)，首先不对终端的Net-S`网络进行训练，而是使用终端的Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，当Net-T网络和Net-S网络达到准确度后说明对其已训练完毕，然后将Net-S网络的参数分别灌入各终端的Net-S`网络中，使终端的Net-S`网络对新的图像数据进行识别，但终端的Net-S`网络的识别度始终比云平台的Net-S网络识别度要低，因此设置阈值置信度，当Net-S`网络对新的图像数据的识别置信度低于该阈值置信度时，则说明此时无法正确的进行识别，因此将该图像数据上传至云平台，使用Net-T网络中进行再次识别，得到正确的识别结果。
更进一步地，在终端部署的Net-S`网络与云平台上部署的Net-S网络结构一致。
更进一步地，所述使用各终端Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，使Net-T网络和Net-S网络达到准确度后，将Net-S网络的参数分别灌入各终端的Net-S`网络中的步骤，包括：
各终端的Net-S`网络获取历史图像数据，将获取的历史图像数据通过通信模块发送至云平台的训练样本库中；
使用训练样本库中的历史图像数据对云平台的Net-T网络进行识别训练，同时对Net-S网络进行迭代和优化；
当Net-T网络的识别训练达到第一准确度时，使用训练样本库中的历史图像数据对云平台的Net-S网络进行识别训练，直到Net-S网络的识别训练达到第二准确度；
将云平台上识别结果达到第二准确度的Net-S网络参数通过通信模块灌入到各终端的Net-S`网络中，使得各终端Net-S`网络参数与云平台的Net-S网络的参数一致。
在本方案中，当Net-T网络的识别训练达到第一准确度时，整个体系已经可以开始运行，但是此时网络传输量大，如果将终端的数据全部放入云平台进行识别的话，云平台负担会很重。因此利用训练好的Net-T网络来训练Net-S网络，减少之后对新的图像数据的人工标注，比如，对一个“1”的图像，训练好的Net-T网络可能识别为{0.1,0.9,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1}，此时，可根据这个结果自动产生标签。当Net-S网络也达到第二准确度时，则可以分担一部分识别任务减少网络数据传输量。所以，整个过程的作用是使系统尽快可用，利用深层次网络的识别结果对浅层次网络提供数据标签，减少训练样本集的人工标注过程，提高准确度和数量传输均衡。
更进一步地，所述各终端的Net-S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回至云平台的Net-T网络中进行再次识别的步骤，包括：
各终端具有参数的Net-S`网络接入新的图像数据，Net-S`网络对新的图像数据进行识别，得到识别置信度；
若识别置信度高于预设的阈值置信度，则Net-S`网络将对该图像数据的识别结果上传至云平台的服务器中；
若识别置信度低于预设的阈值置信度，则Net-S`网络将该图像数据返回云平台的待识别库中，云平台的Net-T网络对所述待识别库中的图像数据进行再次识别，并将识别结果上传至云平台的服务器中。
更进一步地，所述使用训练样本库中的历史图像数据对云平台的Net-T网络进行识别训练，同时对Net-S网络进行迭代和优化的步骤，包括：
将训练样本库中的历史图像数据输入Net-T网络后得到图像分类概率，根据计算的概率结果进行softmax，得到一个软标签；
将Net-T网络得到的所述软标签和训练样本库中的历史图像数据输入Net-S网络，得到softmax的输出和软标签之间的交叉熵作为损失函数的第一部分Lsoft；
再将自然标签得到的硬标签和训练样本库中的图像输入Net-S网络，得到softmax的输出和硬标签之间的交叉熵作为损失函数的第二部分Lhard；所述自然标签得到的硬标签是指对历史图像数据输入训练样本库前做的自然标签；
根据Lsoft、Lhard得到云平台的Net-S网络的损失函数：
L＝αLsoft+βLhard
其中，α+β＝1，α>＝0，β>＝0；α和β代表终端的Net-S`网络习云平台的Net-S网络的程度；
从而对云平台的各Net-S网络进行优化。
与现有技术相比，本发明的有益效果：
本方案通过建立置信度阈值的机制，对部署的网络进行识别训练后使终端的网络仿真云平台的网络，并设置置信度阈值，判断识别置信度与预设的置信度阈值的关系，尽可能的使终端来完成对图像的识别，使得部署的整体系统能够在迭代准确度和网络数据传输量中达到均衡，并能够利用云平台中的深度学习网络对浅层学习网络进行持续不断的优化迭代，以减轻终端和云平台的通信和计算压力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1为本发明部署方法流程图；
图2为本发明各网络部署示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本发明通过下述技术方案实现，如图1所示，一种物联网深度学习网络的部署方法，对云计算平台和多个终端进行深度学习网络的部署，包括以下步骤：
步骤S1：在云平台上部署Net-T网络、Net-S网络，在终端部署Net-S`网络。
请参见图2，在终端部署的Net-S`网络与云平台上部署的Net-S网络结构一致。所述Net-T网络为深度学习网络，所述Net-S网络、Net-S`网络为浅层学习网络。
步骤S2：使用各终端Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，使Net-T网络和Net-S网络达到准确度后，将Net-S网络的参数分别灌入各终端的Net-S`网络中。
具体来说：
各终端的Net-S`网络获取历史图像数据，将获取的历史图像数据通过通信模块发送至云平台的训练样本库中；
使用训练样本库中的历史图像数据对云平台的Net-T网络进行识别训练，同时对Net-S网络进行迭代和优化；
当Net-T网络的识别训练达第一准确度时，使用训练样本库中的历史图像数据对云平台的Net-S网络进行识别训练，直到Net-S网络的识别训练达到第二准确度；
将云平台上识别结果达到第二准确度的Net-S网络参数通过通信模块灌入到各终端的Net-S`网络中，使得各终端Net-S`网络参数与云平台的Net-S网络的参数一致。
其中对各Net-S网络进行迭代和优化的过程如下：
将训练样本库中的历史图像数据输入Net-T网络后得到图像分类概率，根据计算的概率结果进行softmax，得到一个软标签；
将Net-T网络得到的所述软标签和训练样本库中的历史图像数据输入Net-S网络，得到softmax的输出和软标签之间的交叉熵作为损失函数的第一部分Lsoft；
再将自然标签得到的硬标签和训练样本库中的图像输入Net-S网络，得到softmax的输出和硬标签之间的交叉熵作为损失函数的第二部分Lhard；所述自然标签得到的硬标签是指对历史图像数据输入训练样本库前做的自然标签；
根据Lsoft、Lhard得到云平台的Net-S网络的损失函数：
L＝αLsoft+βLhard
其中，α+β＝1，α>＝0，β>＝0；α和β代表终端的Net-S`网络习云平台的Net-S网络的程度；
从而对云平台的各Net-S网络进行优化。
作为一个示例，对某一抄表图像进行自然标注为(0,0,0,0,0,1,0,0,0,0)，这个自然标注即是硬标注，通过计算softmax得到的软标注可能为(0.1,0.1,0.1,0.1,0.1,0.9,0.1,0.1,0.1,0.1)。
步骤S3：各终端的Net-S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回至云平台的Net-T网络中进行再次识别。
具体来说：
各终端具有参数的Net-S`网络接入新的图像数据，Net-S`网络对新的图像数据进行识别，得到识别置信度；
若识别置信度高于预设的阈值置信度，则Net-S`网络将对该图像数据的识别结果上传至云平台的服务器中；
若识别置信度低于预设的阈值置信度，则Net-S`网络将该图像数据返回云平台的待识别库中，云平台的Net-T网络对所述待识别库中的图像数据进行再次识别，并将识别结果上传至云平台的服务器中。
本方案通过建立置信度阈值的机制，对部署的网络进行识别训练后使终端的网络仿真云平台的网络，并设置置信度阈值，判断识别置信度与预设的置信度阈值的关系，尽可能的使终端来完成对图像的识别，使得部署的整体系统能够在迭代准确度和网络数据传输量中达到均衡，并能够利用云平台中的深度学习网络对浅层学习网络进行持续不断的优化迭代，以减轻终端和云平台的通信和计算压力。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种物联网深度学习网络的部署方法，对云计算平台和多个终端进行深度学习网络的部署，其特征在于：包括以下步骤：
在云平台上部署Net-T网络、Net-S网络，在终端部署Net-S`网络；
使用各终端Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，使Net-T网络和Net-S网络达到准确度后，将Net-S网络的参数分别灌入各终端的Net-S`网络中；
各终端的Net-S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回至云平台的Net-T网络中进行再次识别。
2.根据权利要求1所述的一种物联网深度学习网络的部署方法，其特征在于：在终端部署的Net-S`网络与云平台上部署的Net-S网络结构一致。
3.根据权利要求1或2所述的一种物联网深度学习网络的部署方法，其特征在于：所述使用各终端Net-S`网络获取的历史图像数据对云平台的Net-T网络、Net-S网络进行训练，使Net-T网络和Net-S网络达到准确度后，将Net-S网络的参数分别灌入各终端的Net-S`网络中的步骤，包括：
各终端的Net-S`网络获取历史图像数据，将获取的历史图像数据通过通信模块发送至云平台的训练样本库中；
使用训练样本库中的历史图像数据对云平台的Net-T网络进行识别训练，同时对Net-S网络进行迭代和优化；
当Net-T网络的识别训练达到第一准确度时，使用训练样本库中的历史图像数据对云平台的Net-S网络进行识别训练，直到Net-S网络的识别训练达到第二准确度；
将云平台上识别结果达到第二准确度的Net-S网络参数通过通信模块灌入到各终端的Net-S`网络中，使得各终端Net-S`网络参数与云平台的Net-S网络的参数一致。
4.根据权利要求3所述的一种物联网深度学习网络的部署方法，其特征在于：所述各终端的Net-S`网络对新的图像数据进行识别，若识别置信度低于置信度阈值，则将该图像数据返回至云平台的Net-T网络中进行再次识别的步骤，包括：
各终端具有参数的Net-S`网络接入新的图像数据，Net-S`网络对新的图像数据进行识别，得到识别置信度；
若识别置信度高于预设的阈值置信度，则Net-S`网络将对该图像数据的识别结果上传至云平台的服务器中；
若识别置信度低于预设的阈值置信度，则Net-S`网络将该图像数据返回云平台的待识别库中，云平台的Net-T网络对所述待识别库中的图像数据进行再次识别，并将识别结果上传至云平台的服务器中。
5.根据权利要求4所述的一种物联网深度学习网络的部署方法，其特征在于：所述使用训练样本库中的历史图像数据对云平台的Net-T网络进行识别训练，同时对Net-S网络进行迭代和优化的步骤，包括：
将训练样本库中的历史图像数据输入Net-T网络后得到图像分类概率，根据计算的概率结果进行softmax，得到一个软标签；
将Net-T网络得到的所述软标签和训练样本库中的历史图像数据输入Net-S网络，得到softmax的输出和软标签之间的交叉熵作为损失函数的第一部分Lsoft；
再将自然标签得到的硬标签和训练样本库中的图像输入Net-S网络，得到softmax的输出和硬标签之间的交叉熵作为损失函数的第二部分Lhard；所述自然标签得到的硬标签是指对历史图像数据输入训练样本库前做的自然标签；
根据Lsoft、Lhard得到云平台的Net-S网络的损失函数：
Figure DEST_PATH_IMAGE001
其中，α+β=1，α>=0，β>=0；α和β代表终端的Net-S`网络习云平台的Net-S网络的程度；
从而对云平台的各Net-S网络进行优化。
CN202011177845.XA 2020-10-29 2020-10-29 一种物联网深度学习网络的部署方法 Active CN112308130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011177845.XA CN112308130B (zh) 2020-10-29 2020-10-29 一种物联网深度学习网络的部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011177845.XA CN112308130B (zh) 2020-10-29 2020-10-29 一种物联网深度学习网络的部署方法

Publications (2)

Publication Number Publication Date
CN112308130A true CN112308130A (zh) 2021-02-02
CN112308130B CN112308130B (zh) 2021-10-15

Family

ID=74330603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011177845.XA Active CN112308130B (zh) 2020-10-29 2020-10-29 一种物联网深度学习网络的部署方法

Country Status (1)

Country Link
CN (1) CN112308130B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548190A (zh) * 2015-09-18 2017-03-29 三星电子株式会社 模型训练方法和设备以及数据识别方法
CN110175628A (zh) * 2019-04-25 2019-08-27 北京大学 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法
CN110232445A (zh) * 2019-06-18 2019-09-13 清华大学深圳研究生院 一种基于知识蒸馏的文物真伪鉴定方法
CN110362068A (zh) * 2019-08-02 2019-10-22 苏州容思恒辉智能科技有限公司 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
CN111160474A (zh) * 2019-12-30 2020-05-15 合肥工业大学 一种基于深度课程学习的图像识别方法
CN111291883A (zh) * 2018-12-07 2020-06-16 阿里巴巴集团控股有限公司 数据处理方法及数据处理装置
US10713540B2 (en) * 2017-03-07 2020-07-14 Board Of Trustees Of Michigan State University Deep learning system for recognizing pills in images
CN111461212A (zh) * 2020-03-31 2020-07-28 中国科学院计算技术研究所 一种用于点云目标检测模型的压缩方法
US20200302230A1 (en) * 2019-03-21 2020-09-24 International Business Machines Corporation Method of incremental learning for object detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548190A (zh) * 2015-09-18 2017-03-29 三星电子株式会社 模型训练方法和设备以及数据识别方法
US10713540B2 (en) * 2017-03-07 2020-07-14 Board Of Trustees Of Michigan State University Deep learning system for recognizing pills in images
CN111291883A (zh) * 2018-12-07 2020-06-16 阿里巴巴集团控股有限公司 数据处理方法及数据处理装置
US20200302230A1 (en) * 2019-03-21 2020-09-24 International Business Machines Corporation Method of incremental learning for object detection
CN110175628A (zh) * 2019-04-25 2019-08-27 北京大学 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法
CN110232445A (zh) * 2019-06-18 2019-09-13 清华大学深圳研究生院 一种基于知识蒸馏的文物真伪鉴定方法
CN110362068A (zh) * 2019-08-02 2019-10-22 苏州容思恒辉智能科技有限公司 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质
CN111160474A (zh) * 2019-12-30 2020-05-15 合肥工业大学 一种基于深度课程学习的图像识别方法
CN111461212A (zh) * 2020-03-31 2020-07-28 中国科学院计算技术研究所 一种用于点云目标检测模型的压缩方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GEOFFREY HINTON 等: "Distilling the Knowledge in a Neural Network", 《ARXIV》 *
张彤彤 等: "基于知识蒸馏的轻量型浮游植物检测网络", 《应用科学学报》 *

Also Published As

Publication number Publication date
CN112308130B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN113313022B (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN110968660B (zh) 基于联合训练模型的信息抽取方法和系统
CN110633467B (zh) 一种基于改进特征融合的语义关系抽取方法
CN110674642B (zh) 一种用于含噪稀疏文本的语义关系抽取方法
WO2021208727A1 (zh) 基于人工智能的文本错误检测方法、装置、计算机设备
CN112580328A (zh) 事件信息的抽取方法及装置、存储介质、电子设备
CN113688232B (zh) 招标文本分类方法、装置、存储介质及终端
CN110674255A (zh) 文本内容审核方法及装置
CN115658955B (zh) 跨媒体检索及模型训练方法、装置、设备、菜谱检索系统
CN115114409B (zh) 一种基于软参数共享的民航不安全事件联合抽取方法
CN111861046B (zh) 基于大数据和深度学习的专利价值智能评估系统
CN111611386A (zh) 文本分类方法和装置
CN115374845A (zh) 商品信息推理方法和装置
CN112231557A (zh) 在线学习挖掘方法、在线学习系统及服务器
CN111428750A (zh) 一种文本识别模型训练及文本识别方法、装置及介质
CN114170484B (zh) 图片属性预测方法、装置、电子设备和存储介质
CN115374950A (zh) 样本检测方法、样本检测装置、电子设备及存储介质
CN114979267A (zh) 面向多服务需求的语义通信方法及装置
CN112308130B (zh) 一种物联网深度学习网络的部署方法
CN112712855A (zh) 一种基于联合训练的含缺失值基因微阵列的聚类方法
CN117038099A (zh) 医疗类术语标准化方法以及装置
CN115292455B (zh) 图文匹配模型的训练方法及装置
CN116308737A (zh) 基于lstm模型的人行征信信息处理方法及其系统
CN116384240A (zh) 一种服务器能耗预测方法、装置及存储介质
CN115618043A (zh) 文本操作图互检方法及模型训练方法、装置、设备、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
CP01 Change in the name or title of a patent holder

Address after: No. 536, Section 1, airport 1st Road, Southwest Airport, Shuangliu District, Chengdu, Sichuan 610211

Patentee after: Chengdu Qianjia Technology Co.,Ltd.

Address before: No. 536, Section 1, airport 1st Road, Southwest Airport, Shuangliu District, Chengdu, Sichuan 610211

Patentee before: Chengdu Qianjia Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder