CN112381215B - 一种面向自动机器学习的自适应搜索空间生成方法与装置 - Google Patents

一种面向自动机器学习的自适应搜索空间生成方法与装置 Download PDF

Info

Publication number
CN112381215B
CN112381215B CN202011493383.2A CN202011493383A CN112381215B CN 112381215 B CN112381215 B CN 112381215B CN 202011493383 A CN202011493383 A CN 202011493383A CN 112381215 B CN112381215 B CN 112381215B
Authority
CN
China
Prior art keywords
visual task
module
meta
search space
visual
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
Application number
CN202011493383.2A
Other languages
English (en)
Other versions
CN112381215A (zh
Inventor
单海军
钟昊文
陆陈昊
鲍虎军
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202011493383.2A priority Critical patent/CN112381215B/zh
Publication of CN112381215A publication Critical patent/CN112381215A/zh
Application granted granted Critical
Publication of CN112381215B publication Critical patent/CN112381215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种面向自动机器学习的自适应搜索空间生成方法与装置，该方法包括如下步骤：步骤一、全量收集计算机视觉领域的各类任务，形成视觉任务集合；步骤二、定义不同层次元模块，形成初始元模块搜索空间；步骤三、根据视觉任务集合和元模块集合形成视觉任务和元模块矩阵，通过概率统计计算，生成关联概率分布，用于计算目标视觉任务与已有视觉任务的相似度；步骤四、根据相似度，选取与目标视觉任务相关的视觉任务的搜索空间中的元模块，并生成面向相关视觉任务的子搜索空间；步骤五、更新视觉任务集合和元模块集合。本发明对任务与元模块图谱引入动态更新的反馈机制，有利于图谱的不断优化并增强了图谱对于其他任务的适用性。

Description

一种面向自动机器学习的自适应搜索空间生成方法与装置
技术领域
本发明涉及人工智能、自动机器学习技术领域，尤其是涉及了一种面向自动机器学习的自适应搜索空间生成方法与装置。
背景技术
以深度学习为代表的人工智能技术在计算机视觉、自然语言处理、推荐系统等众多领域取得了令人瞩目的成果。但构建一个深度神经网络的过程比较复杂，通常包含数据处理、模型开发、模型训练等多个流程。当前的研究中，深度神经网络的构建依赖专家的人工设计，费时费力。而且，专家人工设计网络受限于专家自身的知识和经验，设计的网络往往并非最优结构。
自动机器学习可以很好地解决上述问题。通过将网络结构的设计也纳入机器学习的范畴，自动机器学习方法实现了深度学习全流程的自动化。以有限的计算开销自动构建深度学习流水线，实现全程无人工介入或少许的人工介入。其中神经网络架构搜索(Neuralarchitecture search, NAS)是自动机器学习算法的最重要研究领域。NAS算法主要包括搜索空间定义、搜索算法以及评估方法三个部分，其中搜索空间的设定直接决定了模型架构搜索的复杂度以及最终搜索到的网络结构在实际任务上的表现。现有方法大多利用专家知识定义一个较为完备的搜索空间，但这大大增加了模型搜索的复杂度。同时，由于人为先验知识的引入，最终搜索到的网络结构仍无法跳出人类设计的框架。
发明内容
为解决现有技术的不足，实现降低搜索空间维度、降低模型搜索的复杂度的目的，本发明采用如下的技术方案：
一种面向自动机器学习的自适应搜索空间生成方法，包括如下步骤：
步骤一、全量收集计算机视觉领域的各类任务，形成视觉任务集合；
步骤二、定义不同层次元模块，形成初始元模块搜索空间；
步骤三、根据视觉任务集合和元模块集合形成视觉任务和元模块矩阵，通过概率统计计算，生成关联概率分布，用于计算目标视觉任务与已有视觉任务的相似度；
步骤四、根据相似度，选取与目标视觉任务相关的视觉任务的搜索空间中的元模块，并生成面向相关视觉任务的子搜索空间；
步骤五、更新视觉任务集合和元模块集合。
进一步的，所述步骤一中的所述视觉任务集合包括图像分类、目标检测与跟踪、图像语义分割、视频行为识别、视觉描述或场景理解。
进一步的，所述步骤二中的元模块包括基元模块和层级模块，所述基元模块为基本的张量OP，包括以下模块：卷积操作、池化操作、激活函数、全连接、正则操作、跳跃链接；所述层级模块为多个基元模块组合而成的OP，包括残差块(residual block)、稠密块(dense block)。
进一步的，所述目标视觉任务包括热启动的视觉任务和冷启动的视觉任务。
进一步的，当目标视觉任务为热启动的视觉任务时，步骤四包括如下步骤：
S411，获取视觉任务和元模块矩阵及目标视觉任务；
S412，直接获取相应的已有视觉任务的搜索空间，作为目标视觉任务的搜索空间。
进一步的，当目标视觉任务为冷启动的视觉任务时，所述步骤四包括如下步骤：
S421，获取视觉任务和元模块矩阵及目标视觉任务；
S422，选取匹配度最高的前N个已有视觉任务的搜索空间中的Top N元模块，组成目标视觉任务的搜索空间。
进一步的，所述步骤五具体包括如下步骤：若目标视觉任务为新视觉任务，将目标视觉任务添加到任务集合进行集合更新；通过搜索算法生成的新SOTA模型，将性能良好的元模块扩充至元模块集合。
一种面向自动机器学习的自适应搜索空间生成装置，包括自下而上的多服务器层、配置层和软件层，所述软件层上设有视觉任务和元模块矩阵层、关联概率构建层和子空间生成层，视觉任务和元模块矩阵层用于提供关联概率构建层计算的基本模块，子空间生成层通过关联概率构建层运算结果生成子搜索空间；
所述软件层包括视觉任务库和元模块库，视觉任务库包括一组高性能深度学习模型，元模块库包括基元模块和由一组基元模块组合的层级模块，通过视觉任务和元模块的集合，生成视觉任务和元模块矩阵层。
进一步的，所述子空间生成层包括热启动模块和冷启动模块，热启动模块在关联概率构建层运算结果为目标视觉任务在已有的视觉任务集合内时，直接获取相应的已有视觉任务的搜索空间，作为目标视觉任务的搜索空间；冷启动模块在关联概率构建层运算结果为目标视觉任务不在已有的视觉任务集合内时，选取匹配度最高的前N个已有视觉任务的搜索空间中的Top N元模块，组成目标视觉任务的搜索空间。
本发明的优势和有益效果在于：
本发明在保证搜索空间丰富度的同时，避免了任务无关的模块加入，同时，自适应子空间生成方法不需要人工介入，节约了人力成本；构建的任务和元模块图谱能很好的表示任务与元模块之间的相关关系，对于热启动和冷启动的自动机器学习任务均可适用；对任务与元模块图谱引入动态更新的反馈机制，有利于图谱的不断优化并增强了图谱对于其他任务的适用性。
附图说明
图1是本发明的面向机器学习的自适应搜索空间生成方法流程图。
图2是本发明中元模块集合工作框架图。
图3是本发明中自适应子空间生成流程图。
图4是本发明中热启动自适应子空间生成流程图。
图5是本发明中冷启动自适应子空间生成流程图。
图6是本发明的装置框架图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1所示，本发明的面向机器学习的自适应搜索空间生成方法，首先通过全量收集视觉任务形成任务集合，同时定义不同层次的元模块，形成元模块集合，通过同一视觉任务中不同模型的元模块出现频率统计分析得到视觉任务和元模块的关联概率分布，然后，通过度量新搜索任务与已有视觉任务的相似度来自适应地生成新任务的网络架构搜索的子搜索空间，通过NAS算法可以生成新的深度学习算法，该深度学习算法中的元模块可择优添加到元模块集合中，以动态更新搜索空间以适配更多不同任务，包括如下步骤：
步骤一，首先全量收集计算机视觉领域的各类任务（包含但不限于图像分类、目标检测与跟踪、图像语义分割、视频行为识别、视觉描述、场景理解等任务），即现有Top N（N可灵活设定）性能的SOTA深度模型，形成视觉任务集合，具体的，可以参考以下但不限于以下领域的模型选择：
图像分类：VGG、ResNet、、DenseNet、Inception；
目标检测：RCNN系列，YOLO系列、SSD系列；
语义分割：Mask RCNN、DeepLab、UNet。
步骤二，定义不同层次元模块（基元模块以及层级模块），形成初始元模块搜索空间，不同层次元模块结合了人为设计和基础操作，有效扩大搜索空间，为后续有效生成任务相关子空间打好铺垫。
1、基元模块：被定义为基本的张量OP，基元模块的基本张量OP包含但不限于以下模块：卷积操作、池化操作、激活函数、全连接、正则操作、跳跃链接；
2、层级模块：多个基元模块组合而成的OP，如残差块(residual block)、稠密块(dense block)等。
如图2所示，元模块集合包含了网络的基本结构，而不同元模块的选择以及元模块的组合方式共同决定了本次搜索得到的网络拓扑结构。
步骤三，视觉任务集合和元模块集合，形成视觉任务和元模块的矩阵，通过概率统计计算，生成关联概率分布。
比如，统计图像分类网络ResNet、DenseNet，Inception以及VGGNet网络里出现各元模块的频次，同理统计目标检测网络里出现各模块的频次，依次类推，统计图像语义分割，行为识别，场景理解等任务中Top模型出现的频次。
步骤四、计算目标视觉任务与现有视觉任务的相似度，如图3所示，根据任务的类型可以分为热启动的视觉任务和冷启动的视觉任务。
热启动的视觉任务，即新视觉任务（自动机器学习任务）在已有视觉任务集合之内，其搜索空间直接匹配得出，如图4所示，包括如下步骤：
1）获得视觉任务和元模块集合以及自动机器学习任务；
2）直接获取相应视觉任务的搜索空间，以成为该自动机器学习任务的搜索空间。
冷启动的视觉任务，即新视觉任务不在已有视觉任务集合之内，对新视觉任务进行相似度计算，从关联任务的子搜索空间获得Top N元模块组合，后续实际搜索计算过程中，可根据元模块实际被使用频率对子搜索空间进一步进行筛选和淘汰，如图5所示，包括如下步骤：
1）获得视觉任务和元模块集合以及自动机器学习任务；
2）选取匹配度最高的前N个视觉任务的搜索空间中的Top N（N可根据实际情况设置）元模块，组成自动机器学习任务的搜索空间。
步骤五，更新任务集合和元模块集合，如果有新视觉任务，添加到任务集合进行集合更新；此外，通过搜索算法生成的新SOTA模型，其中性能良好的元模块可不断扩充至元模块集合，以便下次新搜索时有更优的初始搜索空间，从而促进新的性能优秀的模型自动设计。
如图6所示，一种面向自动机器学习的自适应搜索空间生成装置，装置框架自下而上包括如下层：
最下层为多服务器层，上层为服务器配置层，硬件层由服务器层和配置层共同组成，服务器提供装置基础计算能力，在配置层将完成各服务器的配置工作；
配置层之上为软件层，软件层底层由视觉任务库和元模块库构成，视觉任务库包含计算机视觉领域的各类高性能深度模型，如图像分类领域、目标检测领域、语义分割领域等等；元模块库由多类基元模块及层级模块构成；
通过视觉任务与元模块的集合，将生成视觉任务和元模块矩阵层，并且，该层将提供关联概率构建层运算的基本模块；
关联概率构建层的上层为子空间生成层，子空间生成层使用关联概率层运算结果生成搜索子空间，最终，装置将由两种方式启动，第一种方式为热启动，即面对已有视觉任务，第二种方式为冷启动，即面对新视觉任务。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (5)

1.一种面向自动机器学习的自适应搜索空间生成方法，其特征在于包括如下步骤：
步骤一、全量收集计算机视觉领域的各类任务，形成视觉任务集合，包括图像分类、目标检测与跟踪、图像语义分割、视频行为识别、视觉描述或场景理解视觉任务；
步骤二、定义不同层次元模块，形成初始元模块搜索空间；
步骤三、根据视觉任务集合和元模块集合形成视觉任务和元模块矩阵，通过概率统计计算，统计视觉任务中出现各元模块的频次，生成关联概率分布，用于计算目标视觉任务与已有视觉任务的相似度；
步骤四、根据相似度，选取与目标视觉任务相关的视觉任务的搜索空间中的元模块，并生成面向相关视觉任务的子搜索空间；所述目标视觉任务包括热启动的视觉任务和冷启动的视觉任务；
当目标视觉任务为热启动的视觉任务时，执行如下步骤：
S411，获取视觉任务和元模块矩阵及目标视觉任务；
S412，直接获取相应的已有视觉任务的搜索空间，作为目标视觉任务的搜索空间；
当目标视觉任务为冷启动的视觉任务时，执行如下步骤：
S421，获取视觉任务和元模块矩阵及目标视觉任务；
S422，选取匹配度最高的前N个已有视觉任务的搜索空间中的Top N元模块，组成目标视觉任务的搜索空间；
步骤五、更新视觉任务集合和元模块集合。
2.如权利要求1所述的一种面向自动机器学习的自适应搜索空间生成方法，其特征在于：
所述步骤二中的元模块包括基元模块和层级模块，所述基元模块为基本的张量OP，包括以下模块：卷积操作、池化操作、激活函数、全连接、正则操作和跳跃链接；所述层级模块为多个基元模块组合而成的OP，包括残差块和稠密块。
3.如权利要求1所述的一种面向自动机器学习的自适应搜索空间生成方法，其特征在于：
所述S422中，首次选取与目标视觉任务匹配度最高的N个已有视觉任务的搜索空间中的Top N元模块，后续选取根据元模块实际被使用的频率对子搜索空间进一步筛选。
4.如权利要求1所述的一种面向自动机器学习的自适应搜索空间生成方法，其特征在于：所述步骤五具体包括如下步骤：若目标视觉任务为新视觉任务，将目标视觉任务添加到任务集合进行集合更新；通过搜索算法生成的新SOTA模型，将性能良好的元模块扩充至元模块集合。
5.一种面向自动机器学习的自适应搜索空间生成装置，包括自下而上的多服务器层、配置层和软件层，其特征在于所述软件层上设有视觉任务和元模块矩阵层、关联概率构建层和子空间生成层，视觉任务和元模块矩阵层用于统计视觉任务中出现各元模块的频次，提供关联概率构建层计算的基本模块，子空间生成层通过关联概率构建层运算结果生成子搜索空间；
所述软件层包括视觉任务库和元模块库，视觉任务库包括图像分类、目标检测与跟踪、图像语义分割、视频行为识别、视觉描述或场景理解视觉任务构成的一组高性能深度学习模型，元模块库包括基元模块和由一组基元模块组合的层级模块，通过视觉任务和元模块的集合，生成视觉任务和元模块矩阵层；
所述子空间生成层包括热启动模块和冷启动模块，热启动模块在关联概率构建层运算结果为目标视觉任务在已有的视觉任务集合内时，直接获取相应的已有视觉任务的搜索空间，作为目标视觉任务的搜索空间；冷启动模块在关联概率构建层运算结果为目标视觉任务不在已有的视觉任务集合内时，选取匹配度最高的前N个已有视觉任务的搜索空间中的Top N元模块，组成目标视觉任务的搜索空间。
CN202011493383.2A 2020-12-17 2020-12-17 一种面向自动机器学习的自适应搜索空间生成方法与装置 Active CN112381215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011493383.2A CN112381215B (zh) 2020-12-17 2020-12-17 一种面向自动机器学习的自适应搜索空间生成方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011493383.2A CN112381215B (zh) 2020-12-17 2020-12-17 一种面向自动机器学习的自适应搜索空间生成方法与装置

Publications (2)

Publication Number Publication Date
CN112381215A CN112381215A (zh) 2021-02-19
CN112381215B true CN112381215B (zh) 2023-08-11

Family

ID=74589881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011493383.2A Active CN112381215B (zh) 2020-12-17 2020-12-17 一种面向自动机器学习的自适应搜索空间生成方法与装置

Country Status (1)

Country Link
CN (1) CN112381215B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744978A (zh) * 2014-01-14 2014-04-23 清华大学 一种基于网格搜索技术用于支持向量机的参数寻优方法
CN104834693A (zh) * 2015-04-21 2015-08-12 上海交通大学 基于深度搜索的视觉图像检索方法及系统
CN109948029A (zh) * 2019-01-25 2019-06-28 南京邮电大学 基于神经网络自适应的深度哈希图像搜索方法
CN110020667A (zh) * 2019-02-21 2019-07-16 广州视源电子科技股份有限公司 神经网络结构的搜索方法、系统、存储介质以及设备
CN111723910A (zh) * 2020-06-17 2020-09-29 腾讯科技（北京）有限公司 构建多任务学习模型的方法、装置、电子设备及存储介质
AU2020102743A4 (en) * 2020-10-15 2020-12-03 Katonic Pty Ltd Method and a system for artificial intelligence platform which enables it operations to deliver quality, seamless and reliable digital experience

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018053340A1 (en) * 2016-09-15 2018-03-22 Twitter, Inc. Super resolution using a generative adversarial network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744978A (zh) * 2014-01-14 2014-04-23 清华大学 一种基于网格搜索技术用于支持向量机的参数寻优方法
CN104834693A (zh) * 2015-04-21 2015-08-12 上海交通大学 基于深度搜索的视觉图像检索方法及系统
CN109948029A (zh) * 2019-01-25 2019-06-28 南京邮电大学 基于神经网络自适应的深度哈希图像搜索方法
CN110020667A (zh) * 2019-02-21 2019-07-16 广州视源电子科技股份有限公司 神经网络结构的搜索方法、系统、存储介质以及设备
CN111723910A (zh) * 2020-06-17 2020-09-29 腾讯科技（北京）有限公司 构建多任务学习模型的方法、装置、电子设备及存储介质
AU2020102743A4 (en) * 2020-10-15 2020-12-03 Katonic Pty Ltd Method and a system for artificial intelligence platform which enables it operations to deliver quality, seamless and reliable digital experience

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范瑞星 ; 刘浩然 ; 张力悦 ; 苏昭玉 ; 刘彬 ; .贝叶斯网络推理学习的混合粒子群-差分算法.小型微型计算机系统.2020,41(6),第1156-1162页. *

Also Published As

Publication number Publication date
CN112381215A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN110175628A (zh) 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
CN110008259A (zh) 可视化数据分析的方法及终端设备
CN110738647B (zh) 融合多感受野特征映射与高斯概率模型的老鼠检测方法
CN106682502A (zh) 基于隐马尔可夫和概率推断的入侵意图识别系统及方法
CN110083728B (zh) 一种优化自动化图片数据清洗质量的方法、装置和系统
CN112800115B (zh) 数据处理方法及数据处理装置
CN113239168B (zh) 一种基于知识图谱嵌入预测模型的可解释性方法和系统
Martínez-Ballesteros et al. Improving a multi-objective evolutionary algorithm to discover quantitative association rules
CN114639483A (zh) 一种基于图神经网络的电子病历检索方法及装置
CN110737805A (zh) 图模型数据的处理方法、装置和终端设备
KR101953479B1 (ko) 거리의 상대적 비율을 적용한 그룹 탐색 최적화 데이터 클러스터링 방법 및 시스템
CN113704565B (zh) 基于全局区间误差的学习型时空索引方法、装置及介质
US10643092B2 (en) Segmenting irregular shapes in images using deep region growing with an image pyramid
CN117787411A (zh) 一种基于关系图的局部-全局时序知识图谱推理方法
CN112381215B (zh) 一种面向自动机器学习的自适应搜索空间生成方法与装置
CN117058235A (zh) 跨多种室内场景的视觉定位方法
CN112085164A (zh) 一种基于无锚框网络的区域推荐网络提取方法
US10776923B2 (en) Segmenting irregular shapes in images using deep region growing
CN115019342B (zh) 一种基于类关系推理的濒危动物目标检测方法
WO2023273171A1 (zh) 图像处理方法、装置、设备和存储介质
WO2023001940A1 (en) Methods and systems for generating models for image analysis pipeline prediction
CN114494284A (zh) 一种基于显式监督区域关系的场景解析模型及方法
Yang et al. Adaptive density peak clustering for determinging cluster center
CN113822172A (zh) 一种视频时空行为检测方法
CN113111308A (zh) 基于数据驱动遗传编程算法的符号回归方法及系统

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
GR01 Patent grant
GR01 Patent grant