CN112348043A - 机器学习中的特征筛选方法和装置 - Google Patents

机器学习中的特征筛选方法和装置 Download PDF

Info

Publication number
CN112348043A
CN112348043A CN201910735048.XA CN201910735048A CN112348043A CN 112348043 A CN112348043 A CN 112348043A CN 201910735048 A CN201910735048 A CN 201910735048A CN 112348043 A CN112348043 A CN 112348043A
Authority
CN
China
Prior art keywords
candidate
candidate feature
feature
sample data
screening
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
CN201910735048.XA
Other languages
English (en)
Other versions
CN112348043B (zh
Inventor
邓志辉
呼志刚
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.)
Hangzhou Hikrobot Technology Co Ltd
Original Assignee
Hangzhou Hikrobot 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 Hangzhou Hikrobot Technology Co Ltd filed Critical Hangzhou Hikrobot Technology Co Ltd
Priority to CN201910735048.XA priority Critical patent/CN112348043B/zh
Publication of CN112348043A publication Critical patent/CN112348043A/zh
Application granted granted Critical
Publication of CN112348043B publication Critical patent/CN112348043B/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
    • G06F18/21—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
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种机器学习中的特征筛选方法和装置，该方法包括：获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下操作：利用该候选特征对样本集进行分类，样本集包含多个种类的样本数据；计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。基于本发明的方法，可以根据预设要求自动判断候选特征m是否可用于后续的机器学习建模，从而极大减少人工成本和时间成本，提升工作效果。

Description

机器学习中的特征筛选方法和装置
技术领域
本发明涉及计算机技术领域，特别涉及一种机器学习中的特征筛选方法和装置。
背景技术
目前在人工智能领域中，利用机器学习技术对图像、文本或其他输入数据进行分类时，需要工程人员利用业务经验，人为地设计或者选择用于分类的特征；然后再综合特征的可解释性以及指标等不同维度对特征进行详细优化；接着，再进行测试验证。
然而，一旦被测物体发生改变，即使是比较微小的变换，上述过程又需要重头开始。这中间的每步都需要大量地人工进行干预，使得人工筛选特征的工作量巨大，并导致建模的周期拉长，已经成为了整个建模开发周期的瓶颈。而且分类特征的选取直接影响到模型的训练效果，也要求建模人员具备较强的业务经验。
因此，采用人工选取特征的方法，要求高、效率低且容易出错。
发明内容
有鉴于此，本发明提供一种机器学习中的特征筛选方法和装置，以解决现有人工选取特征的问题。
本发明提供一种机器学习中的特征筛选方法，该方法包括：
获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下操作：
利用该候选特征对样本集进行分类，样本集包含多个种类的样本数据；
计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；
当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。
本发明还提供一种机器学习中的特征筛选装置，该装置包括：
获取模块：获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下模块：
测试模块：利用该候选特征对样本集进行分类，样本集包含多个种类的样本数据；
计算模块：计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；
筛选模块：当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。
本发明还提供一种非瞬时计算机可读存储介质，非瞬时计算机可读存储介质存储指令，指令在由处理器执行时使得处理器执行上述的机器学习中的特征筛选方法中的步骤。
本发明还提供一种机器学习中的特征筛选装置，包括处理器和上述的非瞬时计算机可读存储介质。
本发明的机器学习中的特征筛选方法，可以根据预设要求自动判断候选特征m是否可用于后续的机器学习建模或用于识别待分类对象，从而极大减少人工成本和时间成本，提升工作效果。
附图说明
图1为本发明实施例提供的机器学习中的特征筛选方法的流程图；
图2为样本数据在识别前后的示意图；
图3为本发明机器学习中的特征筛选装置的结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
实施例一
假设用于测试的候选特征集合包含一个或多个候选特征，如图1所示，该方法包括：
S11：获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下操作：
S12：利用该候选特征对样本集进行分类，样本集包含多个种类的样本数据；
假设：样本集包含T个种类的样本数据，第t种类的样本数据的数目为Nt，Nt≥1，t＝1,2…T，如图2所示，第1种类的样本数据的数目为N1，第2种类的样本数据的数目为N2…第T种类的样本数据的数目为NT。
可选地，可以根据待分类对象的识别目标，构建样本集。例如，当识别目标为待分类对象(或待识别图片)是否包含人时，则样本集可以包含2个种类的样本数据，一种为包含人的图片，另一种为不包含人的图片。当识别目标为待分类对象(或待识别图片)中人的性别时，则样本集可以包含3个种类的样本数据，一种为包含男性的图片，一种为包含女性的图片、一种为不包含人的图片。当识别目标为待分类对象(或待识别文字)的情感分类时，如情感分类为：喜、怒、哀、乐、愁、恐、惜、恨、惊、敬、平静、失望、激动，则样本集可以包含13或14个种类的样本文字。
又假设：候选特征集合为M，S12中的“该候选特征”为m，m∈M，利用候选特征m对样本集进行分类，如图2所示，得到分类结果：被候选特征m识别为第1种类的样本数目为N1,m，被候选特征m识别为第2种类的样本数目为N1,m…被候选特征m识别为第T种类的样本数目为NT,m。
具体地，使用分类器测试候选特征m，比如采用kNN(K-Nearest Neighbor)、SVM(Support Vector Machine)、NN(神经网络)、GMM(Gaussian Mixture Models)等机器学习的分类器。当分类器采用候选特征m测试样本集时，基于分类器输出的结果的分布特性，可以将每个样本数据归类为第1种类、第2种类…第T种类。
S13：计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；
根据图2可知，候选特征m对第1种类的样本数据的识别率P1,m＝N1,m/N1，候选特征m对第2种类的样本数据的识别率P2,m＝N2,m/N2…候选特征m对第T种类的样本数据的识别率PT,m＝NT,m/NT。
为了避免识别率溢出，当Nt,m>Nt时，可以令Nt,m＝Nt，t＝1,2…T。
S14：当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。
例如，当候选特征m对每个种类的样本数据的识别率均处于较高数值时，说明候选特征m对任意类别的样本数据均能很好地识别，则候选特征m可用于机器学习建模或用于识别待分类对象。
相反地，当候选特征m对每个种类的样本数据的识别率均处于较低数值时，说明候选特征m不能很好地识别某些类别的样本数据，则候选特征m不建议用于机器学习建模或识别待分类对象。
在一个可选的实施例中，步骤S14可以通过S14-1所描述的方式实现：:
S14-1：计算该候选特征对每个种类的样本数据的识别率的和值的平均值，得到该候选特征对样本集的平均识别率
Figure BDA0002161894940000041
当该候选特征对样本集的平均识别率Pm符合预设条件时，确定该候选特征通过筛选。
候选特征m对样本集的识别效果，可以通过该候选特征m对样本集中每个种类的样本数据的识别率的和值平均值表征，即
Figure BDA0002161894940000042
计算P1,m、P2,m…PT,m的平均值为平均识别率Pm。例如：一个样本集中包含5个种类的样本数据，每个种类样本均包含10个样本数据，对第1个种类有8个样本数据被正确识别，其余种类被正确识别数目均为0，则计算可知平均识别率为16％。
步骤S14-1中的预设要求可设为：平均识别率Pm大于预设值。预设值可根据经验值或筛选要求设置，本发明对此不做限定。
在另一个可选的实施例中，步骤S14也可以通过S14-2或S14-3所描述的方式实现：
S14-2：计算该候选特征对每个种类的样本数据的识别率的和值的平均值，得到该候选特征对样本集的平均识别率
Figure BDA0002161894940000051
对候选特征集合中的候选特征对应的平均识别率由高到低进行排序，当该候选特征的平均识别率位于排序的前N(N小于候选特征集合M包含的候选特征数目)位时，确定该候选特征通过筛选。
S14-3：计算该候选特征对每个种类的样本数据的识别率的和值的平均值，得到该候选特征对样本集的平均识别率
Figure BDA0002161894940000052
对候选特征集合中的候选特征对应的平均识别率由高到低进行排序，当该候选特征的平均识别率位于排序的前N位、且该候选特征的平均识别率大于预设值时，确定该候选特征通过特征筛选。
一般而言，预设要求设置越严格，则筛选出的候选特征的置信度(或可信度)越高。
可选地，通过重复执行S12-S14，从而完成对候选特征集合的筛选之后，可以将通过筛选的候选特征加入分类器，利用该分类器对待分类对象进行分类，可以包括：
S15：根据通过筛选的候选特征，识别待分类对象的种类，其中样本集包含的种类覆盖待分类对象的种类。
S15表明S15输出的待分类对象的种类数目小于等于T。
另一方面，通过筛选的候选特征的表征能力与样本集包含的样本数据数目正相关，与样本集包含的种类数目正相关，与样本集中每个种类的样本数据数目之间的离散度负相关。表征能力为候选特征对样本数据的反映能力或候选特征对样本数据的区分能力。表征能力高代表候选特征用于识别出样本数据的能力较好，表征能力低代表候选特征用于识别出样本数据的能力较差。
离散度为一组数据的分散程度或差异程度，在本发明中指：N1、N2、…NT的分散程度或差异程度，离散度可以用极差、平均差或标准差表示。
即，当样本集所包含的样本数据数目越大、样本集所包含的种类数目T越大以及各种类包含的样本数Nt越均衡时，则筛选出的候选特征越好，对待分类对象的识别置信度越高，结果越可信。
当样本数据为图像时，图1中的候选特征可以是：平均灰度值、最大灰度值、最小灰度值、面积、周长、矩形度、圆形度、对比度和/或二阶矩特征等。候选特征可以是某一个特征，也可以是多个不同特征的组合。
样本数据为文本时，图1中的候选特征可以是：文本的字特征向量、词特征向量和/或句子特征向量。
本发明机器学习中的特征筛选方法，可以根据预设要求自动判断候选特征是否可用于后续的机器学习建模或用于识别待分类对象，从而极大减少人工成本和时间成本，提升工作效果。
另一方面，背景技术中针对待分类对象人工筛选特征，使得每次待分类对象发生改变后，都需重新人工筛选特征。而本申请方法是基于样本集筛选特征，当样本集包含各种类型的样本数据，则本申请方法筛选出的特征，也同样适用于各种类型的待分类对象，即使待分类对象发生变化时，也无需重新筛选。
当样本集升级后，也只需再执行一次S11-S14，即可得到新的候选特征筛选结果，不仅省时省力，且结果可靠。
实施例二
如图3所示，本发明还提供一种机器学习中的特征筛选装置，该装置包括：
获取模块：获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下模块：
测试模块：利用该候选特征对样本集进行分类，样本集包含多个种类的样本数据；
计算模块：计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；
筛选模块：当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。
其中，筛选模块还可以扩展为：
计算该候选特征对每个种类的样本数据的识别率的和值的平均值，得到该候选特征对样本集的平均识别率
Figure BDA0002161894940000071
当该候选特征对样本集的平均识别率Pm符合预设条件时，确定该候选特征通过筛选；
其中，m表示该候选特征；
T为样本集所包含的种类的数目；
Pt,m为该候选特征对样本集中第t个种类的识别率。
其中，当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选，可以包括：
当该候选特征的平均识别率Pm大于预设值时，确定该候选特征通过筛选；
或者，对候选特征集合中的候选特征对应的平均识别率由高到低进行排序，当该候选特征的平均识别率位于排序的前N位时，确定该候选特征通过筛选；
或者，对候选特征集合中的候选特征对应的平均识别率由高到低进行排序，当该候选特征的平均识别率位于排序的前N位、且该候选特征的平均识别率大于预设值时，确定该候选特征通过特征筛选。
候选特征集合包括以下至少一个候选特征：平均灰度值、最大灰度值、最小灰度值、面积、周长、矩形度、圆形度、对比度、二阶矩特征。
进一步地，该装置还包括：
识别模块：根据通过筛选的候选特征，识别待分类对象的种类，其中样本集包含的种类覆盖待分类对象的种类。
其中，通过筛选的候选特征的表征能力与样本集包含的样本数据数目正相关，与样本集包含的种类数目正相关，与样本集中每个种类的样本数据数目之间的离散度负相关。
本发明还提供一种非瞬时计算机可读存储介质，非瞬时计算机可读存储介质存储指令，指令在由处理器执行时使得处理器执行上述的机器学习中的特征筛选方法中的步骤。
本发明还提供一种机器学习中的特征筛选装置，包括处理器和上述的非瞬时计算机可读存储介质。
需要说明的是，本发明机器学习中的特征筛选装置的实施例，与机器学习中的特征筛选方法的实施例原理相同，相关之处可以互相参照。
以上所述仅为本发明的较佳实施例而已，并不用以限定本发明的包含范围，凡在本发明技术方案的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种机器学习中的特征筛选方法，其特征在于，所述方法包括：
获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下操作：
利用该候选特征对样本集进行分类，所述样本集包含多个种类的样本数据；
计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；
当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。
2.根据权利要求1所述的方法，其特征在于，所述当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选，包括：
计算该候选特征对每个种类的样本数据的识别率的和值的平均值，得到该候选特征对所述样本集的平均识别率
Figure FDA0002161894930000011
当该候选特征对所述样本集的平均识别率Pm符合预设条件时，确定该候选特征通过筛选；
其中，m表示该候选特征；
T为所述样本集所包含的种类的数目；
Pt,m为该候选特征对样本集中第t个种类的识别率。
3.根据权利要求2所述的方法，其特征在于，所述当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选，包括：
当该候选特征的平均识别率Pm大于预设值时，确定该候选特征通过筛选；
或者，对所述候选特征集合中的候选特征对应的平均识别率由高到低进行排序，当该候选特征的平均识别率位于排序的前N位时，确定该候选特征通过筛选；
或者，对所述候选特征集合中的候选特征对应的平均识别率由高到低进行排序，当该候选特征的平均识别率位于排序的前N位、且该候选特征的平均识别率大于预设值时，确定该候选特征通过特征筛选。
4.根据权利要求1所述的方法，其特征在于，所述候选特征集合包括以下至少一个候选特征：平均灰度值、最大灰度值、最小灰度值、面积、周长、矩形度、圆形度、对比度、二阶矩特征。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据通过筛选的候选特征，识别待分类对象的种类，其中所述样本集包含的种类覆盖所述待分类对象的种类。
6.根据权利要求1所述的方法，其特征在于，通过筛选的候选特征的表征能力与所述样本集包含的样本数据数目正相关，与所述样本集包含的种类数目正相关，与所述样本集中每个种类的样本数据数目之间的离散度负相关。
7.一种机器学习中的特征筛选装置，其特征在于，所述装置包括：
获取模块：获取候选特征集合，针对候选特征集合中的每个候选特征，执行以下模块：
测试模块：利用该候选特征对样本集进行分类，所述样本集包含多个种类的样本数据；
计算模块：计算每个种类的样本数据中、被正确分类的样本数据的数目与该种类的样本数据的总数目的比值，作为该候选特征对该种类的样本数据的识别率；
筛选模块：当该候选特征对每个种类的样本数据的识别率符合预设条件时，确定该候选特征通过筛选。
8.一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至6中任一所述的机器学习中的特征筛选方法中的步骤。
9.一种机器学习中的特征筛选装置，其特征在于，包括处理器和如权利要求8所述的非瞬时计算机可读存储介质。
CN201910735048.XA 2019-08-09 2019-08-09 机器学习中的特征筛选方法和装置 Active CN112348043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910735048.XA CN112348043B (zh) 2019-08-09 2019-08-09 机器学习中的特征筛选方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910735048.XA CN112348043B (zh) 2019-08-09 2019-08-09 机器学习中的特征筛选方法和装置

Publications (2)

Publication Number Publication Date
CN112348043A true CN112348043A (zh) 2021-02-09
CN112348043B CN112348043B (zh) 2024-04-02

Family

ID=74366922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910735048.XA Active CN112348043B (zh) 2019-08-09 2019-08-09 机器学习中的特征筛选方法和装置

Country Status (1)

Country Link
CN (1) CN112348043B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793510A (zh) * 2014-01-29 2014-05-14 苏州融希信息科技有限公司 一种基于主动学习的分类器构建方法
CN103927394A (zh) * 2014-05-04 2014-07-16 苏州大学 一种基于svm的多标签主动学习分类方法及系统
CN106228183A (zh) * 2016-07-18 2016-12-14 北京邮电大学 一种半监督学习分类方法与装置
WO2017113232A1 (zh) * 2015-12-30 2017-07-06 中国科学院深圳先进技术研究院 一种基于深度学习的产品分类方法及装置
CN107292338A (zh) * 2017-06-14 2017-10-24 大连海事大学 一种基于样本特征值分布混淆度的特征选择方法
CN107729915A (zh) * 2017-09-08 2018-02-23 第四范式（北京）技术有限公司 用于确定机器学习样本的重要特征的方法及系统
CN108090570A (zh) * 2017-12-20 2018-05-29 第四范式（北京）技术有限公司 用于选择机器学习样本的特征的方法及系统
CN108108820A (zh) * 2017-12-20 2018-06-01 第四范式（北京）技术有限公司 用于选择机器学习样本的特征的方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793510A (zh) * 2014-01-29 2014-05-14 苏州融希信息科技有限公司 一种基于主动学习的分类器构建方法
CN103927394A (zh) * 2014-05-04 2014-07-16 苏州大学 一种基于svm的多标签主动学习分类方法及系统
WO2017113232A1 (zh) * 2015-12-30 2017-07-06 中国科学院深圳先进技术研究院 一种基于深度学习的产品分类方法及装置
CN106228183A (zh) * 2016-07-18 2016-12-14 北京邮电大学 一种半监督学习分类方法与装置
CN107292338A (zh) * 2017-06-14 2017-10-24 大连海事大学 一种基于样本特征值分布混淆度的特征选择方法
CN107729915A (zh) * 2017-09-08 2018-02-23 第四范式（北京）技术有限公司 用于确定机器学习样本的重要特征的方法及系统
CN108090570A (zh) * 2017-12-20 2018-05-29 第四范式（北京）技术有限公司 用于选择机器学习样本的特征的方法及系统
CN108108820A (zh) * 2017-12-20 2018-06-01 第四范式（北京）技术有限公司 用于选择机器学习样本的特征的方法及系统

Also Published As

Publication number Publication date
CN112348043B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
US11195006B2 (en) Multi-modal document feature extraction
CN102982349B (zh) 一种图像识别方法及装置
CN109189767B (zh) 数据处理方法、装置、电子设备及存储介质
US10963685B2 (en) Generating variations of a known shred
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
CN110717554B (zh) 图像识别方法、电子设备及存储介质
CN109919252B (zh) 利用少数标注图像生成分类器的方法
US20170076152A1 (en) Determining a text string based on visual features of a shred
CN105574550A (zh) 一种车辆识别方法及装置
CN111783505A (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
CN111046879B (zh) 证件图像分类方法、装置、计算机设备及可读存储介质
US11062092B2 (en) Few-shot language model training and implementation
CN110874604A (zh) 模型训练方法及终端设备
CN110287311B (zh) 文本分类方法及装置、存储介质、计算机设备
CN112699923A (zh) 文档分类预测方法、装置、计算机设备及存储介质
CN110288085A (zh) 一种数据处理方法、装置、系统及存储介质
CN112766246A (zh) 基于深度学习的文档标题识别方法、系统、终端及介质
CN114663002A (zh) 一种自动化匹配绩效考核指标的方法及设备
WO2015087148A1 (en) Classifying test data based on a maximum margin classifier
CN113762005A (zh) 特征选择模型的训练、对象分类方法、装置、设备及介质
CN112836636A (zh) 一种签字图像真伪鉴别方法及装置
CN109657710B (zh) 数据筛选方法、装置、服务器及存储介质
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN112348043B (zh) 机器学习中的特征筛选方法和装置
CN115620083A (zh) 模型训练方法、人脸图像质量评价方法、设备及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Hikvision Robot Co.,Ltd.

Address before: 310052 5 / F, building 1, building 2, no.700 Dongliu Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU HIKROBOT TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant