CN113537446A - 深度学习算法的选择方法及深度学习算法的选择装置 - Google Patents
深度学习算法的选择方法及深度学习算法的选择装置 Download PDFInfo
- Publication number
- CN113537446A CN113537446A CN202010306845.9A CN202010306845A CN113537446A CN 113537446 A CN113537446 A CN 113537446A CN 202010306845 A CN202010306845 A CN 202010306845A CN 113537446 A CN113537446 A CN 113537446A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- similarity
- training data
- learning algorithm
- algorithm
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 79
- 238000010187 selection method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N3/08—Learning methods
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
Abstract
本发明提出一种深度学习算法的选择方法,该方法包括:获取待处理的问题类型;依据所述问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据;计算所述训练数据的相似度;依据所述相似度调整所述训练数据的批次大小;依据所述问题类型选择多种深度学习算法,并利用所述训练数据训练所选择的所述深度学习算法以获取相应的算法模型。上述方法降低了深度学习算法的选择难度且通用性强。本发明同时提供一种深度学习算法的选择装置。
Description
技术领域
本发明属于深度学习算法领域,特别涉及到一种深度学习算法的选择方法及深度学习算法的选择装置。
背景技术
目前卷积神经网络(Convolutional Neural Network,CNN)作为计算器视觉的工具,应用非常广泛。针对任一数据库均可设计出合适的CNN算法模型,该CNN算法模型可以用于训练数据库中的样本,从而得到数据库中的样本与样本的卷标之间的联系。然而,从多个CNN算法中找出一种合适的算法,通常需要具备专业背景的专业人员通过大量的分析实验获得,对普通人员来说比较困难。
发明内容
鉴于上述状况,有必要提供一种深度学习算法的选择方法及深度学习算法的选择装置,以降低选择解决特定问题的深度学习算法的难度。
本发明第一方面提供了一种深度学习算法的选择方法,所述深度学习算法的选择方法包括:
获取待处理的问题类型;
依据所述问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据;
计算所述训练数据的相似度;
依据所述相似度调整所述训练数据的批次大小;
依据所述问题类型选择多种深度学习算法,并利用所述训练数据训练所选择的所述深度学习算法以获取相应的算法模型;
利用所述测试数据验证所述算法模型,并选择验证结果最优的所述深度学习算法。
进一步地,所述训练数据的相似度计算方法,包含如下步骤:
随机选取所述训练数据中的多个样本组,每个所述样本组包括两个样本,分别计算各个样本组的相似度,然后计算多个样本组的相似度的平均值,并将所述平均值设为所述训练数据的相似度。
进一步地,所述训练数据的所述相似度与所述批次大小的关系满足:所述批次大小与所述相似度成反比。
进一步地,所述问题类型包括图片分类、对象分割及对象辨识,所述深度学习算法为卷积神经网络算法,包括ResNet、AlexNet、VGG及Inception。
进一步地,利用结构相似性计算所述卷积神经网络算法的所述训练数据的相似度。
本发明第二方面提供一种深度学习算法的选择装置,所述深度学习算法的选择装置包括:
处理器;以及
存储器,所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器运行并执行如下步骤:
获取待处理的问题类型;
依据所述问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据;
计算所述训练数据的相似度;
依据所述相似度调整所述训练数据的批次大小;
依据所述问题类型选择多种深度学习算法,并利用所述训练数据训练所选择的所述深度学习算法以获取相应的算法模型;
利用所述测试数据验证所述算法模型,并选择验证结果最优的所述深度学习算法。
进一步地,所述训练数据的相似度计算方法,包含如下步骤:
随机选取所述训练数据中的多个样本组,每个所述样本组包括两个样本,分别计算各个样本组的相似度,然后计算多个样本组的相似度的平均值,并将所述平均值设为所述训练数据的相似度。
进一步地,所述训练数据的所述相似度与所述批次大小的关系满足:所述批次大小与所述相似度成反比。
进一步地,所述问题类型包括图片分类、对象分割及对象辨识,所述深度学习算法为卷积神经网络算法,包括ResNet、AlexNet、VGG及Inception。
进一步地,利用结构相似性计算所述卷积神经网络算法的所述训练数据的相似度。
本发明利用训练数据的相似度灵活调整训练数据的批次大小,提高训练数据的质量,使通过训练数据训练的算法模型更加精准,然后利用测试数据验证算法模型,选出解决特定问题的最优算法,本发明降低了深度学习算法选择的难度且具有通用性。
附图说明
图1是本发明的一个实施例中深度学习算法的选择装置的硬件架构示意图。
图2是图1所示深度学习算法的选择装置的深度学习算法的选择系统的模块示意图。
图3是本发明的一个实施例中深度学习算法的选择方法的流程示意图。
主要元件符号说明
深度学习算法的选择装置 | 100 |
存储器 | 10 |
处理器 | 20 |
显示单元 | 30 |
输入单元 | 40 |
深度学习算法的选择系统 | 6 |
信息获取模块 | 61 |
选择模块 | 62 |
相似度计算模块 | 63 |
调整模块 | 64 |
训练模块 | 65 |
验证模块 | 66 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施方式仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本发明。
本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参照图1,本发明提供了一种深度学习算法的选择装置100,用于降低选择解决特定问题的深度学习算法的难度。
其中,深度学习(Deep Learning,DL)是机器学习的技术和研究领域之一,通过建立具有阶层结构的人工神经网络(Artifitial Neural Networks,ANNs),在计算系统中实现人工智能的卷积神经网络(Convolutional Neural Networks,CNN),是深度学习(deeplearning)的代表算法之一。
以下仅以卷积神经网络为例说明,但本方法不限于卷积神经网络。
深度学习算法的选择装置100包括存储器10、处理器20、显示单元30和输入单元40,显示单元30、存储器10分别和处理器20电性连接。
存储器10用于存储深度学习算法的选择装置100中的各种数据,例如各种深度学习算法等。在本实施例中,存储器10可以包括但不限于只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
处理器20可以为中央处理器(CPU,Central Processing Unit)、微处理器、数字处理芯片或任何能够执行数据处理功能的处理器芯片。
显示单元30用于显示训练数据或测试数据的输出结果等。例如显示深度学习算法模型的测试结果,在本实施例中,显示单元30可以是但不限于触摸显示屏、液晶显示屏等显示装置。
输入单元40用于供用户输入各种信息和控制指令,例如确认算法要解决的问题类型等。在本实施例中,输入单元40可以是但不限于遥控器、鼠标、语音输入装置、触摸屏等。
请参照图2,深度学习算法的选择装置100中还运行有深度学习算法的选择系统6。图2为本发明一个实施例中的深度学习算法的选择系统6的功能模块示意图。在本实施例中,深度学习算法的选择系统6包括一个或多个程序形式的计算机指令,该一个或多个程序形式的计算机指令储存于存储器10中,并由处理器20执行。深度学习算法的选择系统6包括信息获取模块61、选择模块62、相似度计算模块63、调整模块64、训练模块65和验证模块66。
信息获取模块61用于获取深度学习算法需要解决的问题类型,所述问题类型包括图片分类、对象分割及对象辨识,但不限于此。
选择模块62用于依据问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据,还用于依据问题类型选择所有相应的深度学习算法。
相似度计算模块63用于计算训练数据的相似度。
在一实施例中,利用结构相似性计算训练数据的相似度。
其中结构相似性(structural similarity index,SSIM),是一种衡量两幅图像相似度的指标,它分别从亮度、对比度、结构三方面度量图像相似性。相似度的范围为0到1,两幅图像的相似度的值越大,两幅图像的相似性越大,当两张图像一模一样时,相似度SSIM的值等于1。
在一实施例中,训练数据有100张图,随机抽取20组样本图像,每组两张,共40张,利用结构相似性分別计算所述20组样本图像的相似度,然后计算20组样本图像相似度的平均值,将平均值设定为训练数据的相似度。
可以理解,实际操作中,根据实际场景中训练数据的数量,灵活选取样本数量,分别计算各个样本组的相似度,然后计算所选样本组的相似度的平均值。
可以理解,在其他实施例中,还包括其他计算训练数据的方法。
调整模块64用于依据相似度调整对应的训练数据批次大小。
训练模块65用于利用训练数据训练深度学习算法,以获取算法模型。
验证模块66利用测试数据验证算法模型,以获取验证结果最优的深度学习算法。
请参照图3,本发明还提供了一种深度学习算法的选择方法,图3为该深度学习算法的选择方法的流程示意图,该深度学习算法的选择方法包括如下步骤:
步骤301,获取待处理的问题类型。
具体地,信息获取模块61获取待处理的问题类型,所述问题类型包括但不限于图片分类、对象分割及对象辨识。
步骤302,依据问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据。
具体地,选择模块62依据问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据。
例如,Common Object in Context(COCO)是一个由微软维护的图像数据集,可进行图片分类,包括:超过30万幅图像、超过200万个实例、80多类对像等。
其中训练数据用于训练深度学习的算法,获取算法模型,测试数据用于验证算法模型的准确性。
训练数据和测试数据的比例一般为4:1,可以理解,可以根据实际的场景具体调整训练数据和测试数据之间的比例,例如但不限于,比例为3:1或5:1。
步骤303,计算训练数据的相似度。
具体地,相似度计算模块63计算训练数据的相似度。
在一实施例中,相似度计算模块63利用结构相似性计算训练数据的相似度。
相似度的范围为0到1,两幅图像的相似度的值越大,两幅图像的相似性越大,当两张图像一模一样时,相似度的值等于1。
具体地,随机选取训练数据中的多个样本组,每个样本组包括两张图像,分别计算各个样本组的相似度,然后计算各个样本组相似度的平均值。
步骤304,依据相似度调整训练数据的批次大小。
具体地,调整模块64依据相似度调整对应的训练数据的批次大小,从而可以利用调整后的训练数据精准训练深度学习算法的权重。
在一实施例中,相似度为SSIM的值,相似度与批次大小对应关系如表1所示。批次(batch)大小,即每一次输入CNN算法中训练数据的数量。
表1相似度与批次数量对应关系1
SSIM相似度范围 | 批次大小 |
0≤SSIM<0.2 | 64 |
0.2≤SSIM<0.4 | 32 |
0.4≤SSIM<0.6 | 16 |
0.6≤SSIM<0.8 | 8 |
0.8≤SSIM≤1 | 4 |
即批次大小与相似度成反比,相似度越大,批次大小越小,相似度越小,批次大小越大。
可以理解,在其他实施例中,批次大小为一个范围,如表2所示。
表2相似度与批次数量对应关系2
SSIM相似度范围 | 批次大小 |
0≤SSIM<0.2 | 33~64 |
0.2≤SSIM<0.4 | 17~32 |
0.4≤SSIM<0.6 | 9~16 |
0.6≤SSIM<0.8 | 5~8 |
0.8≤SSIM≤1 | 1~4 |
可以根据实际的场景,依据相似度的大小,灵活选择调整批次大小。
步骤305,依据问题类型选择多种深度学习算法,并利用训练数据训练所选择的深度学习算法以获取相应的算法模型。
具体地,选择模块62依据问题类型选择多种深度学习算法,训练模块65利用训练数据训练所选择的深度学习算法,分别获取相应的算法模型。
在一实施例中,用来处理图像分类问题的CNN的算法包括ResNet、AlexNet、VGG、Inception等。
步骤306,利用测试数据验证所有的算法模型,并选择验证结果最优的深度学习算法。
具体地,验证模块66利用测试数据验证所有的算法模型,并选择验证结果最优的深度学习算法。
可以理解,步骤304之后还包括步骤,
计算所述测试数据的相似度。
具体地,相似度计算模块63计算测试数据的相似度;
依据相似度调整测试数据的批次大小。
具体地,调整模块64依据相似度调整对应的训练数据批次大小。
本发明提供的深度学习算法的选择方法,利用训练数据的相似度灵活调整训练数据的批次大小,通过训练数据训练选择的深度学习算法,精准的得出相应算法模型,并通过测试数据验证算法模型,获取最优的深度学习算法的选择方法。
本发明能够利用训练数据的相似度灵活调整训练数据的批次大小,从而提高训练数据的质量,使通过训练数据获取的算法模型更加精准,然后利用验证测试数据验证算法模型,选出解决特定问题的最优的算法,上述方法降低了深度学习算法选择的难度,且通用性强。
另外,在本发明各个实施例中的各功能单元可以集成在相同数据处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种深度学习算法的选择方法,其特征在于,所述深度学习算法的选择方法包括:
获取待处理的问题类型;
依据所述问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据;
计算所述训练数据的相似度;
依据所述相似度调整所述训练数据的批次大小;
依据所述问题类型选择多种深度学习算法,并利用所述训练数据训练所选择的所述深度学习算法以获取相应的算法模型;
利用所述测试数据验证所述算法模型,并选择验证结果最优的所述深度学习算法。
2.如权利要求1所述的深度学习算法的选择方法,其特征在于,所述训练数据的相似度计算方法,包含如下步骤:
随机选取所述训练数据中的多个样本组,每个所述样本组包括两个样本,分别计算各个样本组的相似度,然后计算多个样本组的相似度的平均值,并将所述平均值设为所述训练数据的相似度。
3.如权利要求1所述的深度学习算法的选择方法,其特征在于,所述训练数据的所述相似度与所述批次大小的关系满足:所述批次大小与所述相似度成反比。
4.如权利要求1所述的深度学习算法的选择方法,其特征在于,所述问题类型包括图片分类、对象分割及对象辨识,所述深度学习算法为卷积神经网络算法,包括ResNet、AlexNet、VGG及Inception。
5.如权利要求4所述的深度学习算法的选择方法,其特征在于,利用结构相似性计算所述卷积神经网络算法的所述训练数据的相似度。
6.一种深度学习算法的选择装置,其特征在于,所述深度学习算法的选择装置包括:
处理器;以及
存储器,所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器运行并执行如下步骤:
获取待处理的问题类型;
依据所述问题类型选择相应的数据集,并将所选数据集分为训练数据和测试数据;
计算所述训练数据的相似度;
依据所述相似度调整所述训练数据的批次大小;
依据所述问题类型选择多种深度学习算法,并利用所述训练数据训练所选择的所述深度学习算法以获取相应的算法模型;
利用所述测试数据验证所述算法模型,并选择验证结果最优的所述深度学习算法。
7.如权利要求6所述的深度学习算法的选择装置,其特征在于,所述训练数据的相似度计算方法,包含如下步骤:
随机选取所述训练数据中的多个样本组,每个所述样本组包括两个样本,分别计算各个样本组的相似度,然后计算多个样本组的相似度的平均值,并将所述平均值设为所述训练数据的相似度。
8.如权利要求6所述的深度学习算法的选择装置,其特征在于,所述训练数据的所述相似度与所述批次大小的关系满足:所述批次大小与所述相似度成反比。
9.如权利要求6所述的深度学习算法的选择装置,其特征在于,所述问题类型包括图片分类、对象分割及对象辨识,所述深度学习算法为卷积神经网络算法,包括ResNet、AlexNet、VGG及Inception。
10.如权利要求9所述的深度学习算法的选择装置,其特征在于,利用结构相似性计算所述卷积神经网络算法的所述训练数据的相似度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306845.9A CN113537446A (zh) | 2020-04-17 | 2020-04-17 | 深度学习算法的选择方法及深度学习算法的选择装置 |
US17/226,388 US11507774B2 (en) | 2020-04-17 | 2021-04-09 | Device and method for selecting a deep learning network for processing images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306845.9A CN113537446A (zh) | 2020-04-17 | 2020-04-17 | 深度学习算法的选择方法及深度学习算法的选择装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537446A true CN113537446A (zh) | 2021-10-22 |
Family
ID=78081480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306845.9A Pending CN113537446A (zh) | 2020-04-17 | 2020-04-17 | 深度学习算法的选择方法及深度学习算法的选择装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11507774B2 (zh) |
CN (1) | CN113537446A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220189005A1 (en) * | 2020-12-16 | 2022-06-16 | Baker Hughes Holdings Llc | Automatic inspection using artificial intelligence models |
CN114821136B (zh) * | 2022-04-11 | 2023-04-21 | 成都信息工程大学 | 一种自适应的云微粒子图像数据处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688823A (zh) * | 2017-07-20 | 2018-02-13 | 北京三快在线科技有限公司 | 一种图像特征获取方法及装置,电子设备 |
CN109145981A (zh) * | 2018-08-17 | 2019-01-04 | 上海非夕机器人科技有限公司 | 深度学习自动化模型训练方法及设备 |
WO2019048506A1 (en) * | 2017-09-08 | 2019-03-14 | Asml Netherlands B.V. | METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP |
CN109961098A (zh) * | 2019-03-22 | 2019-07-02 | 中国科学技术大学 | 一种机器学习的训练数据选择方法 |
CN110781928A (zh) * | 2019-10-11 | 2020-02-11 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11227191B2 (en) * | 2018-02-13 | 2022-01-18 | Slingshot Aerospace, Inc. | Conditional loss function modification in a neural network |
US20200005135A1 (en) * | 2018-06-29 | 2020-01-02 | Advanced Micro Devices, Inc. | Optimizing inference for deep-learning neural networks in a heterogeneous system |
KR102135632B1 (ko) * | 2018-09-28 | 2020-07-21 | 포항공과대학교 산학협력단 | 뉴럴 프로세싱 장치 및 그것의 동작 방법 |
US20200202167A1 (en) * | 2018-12-20 | 2020-06-25 | Here Global B.V. | Dynamically loaded neural network models |
US20210201110A1 (en) * | 2019-12-31 | 2021-07-01 | Alibaba Group Holding Limited | Methods and systems for performing inference with a neural network |
-
2020
- 2020-04-17 CN CN202010306845.9A patent/CN113537446A/zh active Pending
-
2021
- 2021-04-09 US US17/226,388 patent/US11507774B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688823A (zh) * | 2017-07-20 | 2018-02-13 | 北京三快在线科技有限公司 | 一种图像特征获取方法及装置,电子设备 |
WO2019048506A1 (en) * | 2017-09-08 | 2019-03-14 | Asml Netherlands B.V. | METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP |
CN109145981A (zh) * | 2018-08-17 | 2019-01-04 | 上海非夕机器人科技有限公司 | 深度学习自动化模型训练方法及设备 |
CN109961098A (zh) * | 2019-03-22 | 2019-07-02 | 中国科学技术大学 | 一种机器学习的训练数据选择方法 |
CN110781928A (zh) * | 2019-10-11 | 2020-02-11 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
Non-Patent Citations (1)
Title |
---|
TANG-0203: "模型训练中batch_size的选择", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/tsq292978891/article/details/86720184> * |
Also Published As
Publication number | Publication date |
---|---|
US11507774B2 (en) | 2022-11-22 |
US20210326641A1 (en) | 2021-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
CN109858476B (zh) | 标签的扩充方法和电子设备 | |
CN108960269B (zh) | 数据集的特征获取方法、装置及计算设备 | |
CN109934196A (zh) | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 | |
CN113537446A (zh) | 深度学习算法的选择方法及深度学习算法的选择装置 | |
CN112365471B (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
CN106570538B (zh) | 字符图片处理方法和装置 | |
CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
WO2023168812A1 (zh) | 一种搜索系统的优化方法、装置、存储介质及计算机设备 | |
CN110298829A (zh) | 一种舌诊方法、装置、系统、计算机设备和存储介质 | |
CN112163614A (zh) | 一种主播分类方法、装置、电子设备及存储介质 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN113222913A (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN116823028A (zh) | 教学质量评价系统及方法 | |
CN113192028B (zh) | 人脸图像的质量评价方法、装置、电子设备及存储介质 | |
CN116596395B (zh) | 用于工程项目测评单位指导及检测的运行质控平台 | |
CN111368045B (zh) | 用户意图识别方法、装置、设备及计算机可读存储介质 | |
CN111260619A (zh) | 基于U-net模型的舌体自动分割方法 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN112907541B (zh) | 一种手掌图像质量评估模型构建方法及装置 | |
TWI765250B (zh) | 深度學習演算法的選擇方法及深度學習演算法的選擇裝置 | |
CN113673609B (zh) | 一种基于线性隐变量的调查问卷数据分析方法 | |
CN111652767B (zh) | 用户画像构建方法、装置、计算机设备和存储介质 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN112529888B (zh) | 基于深度学习的人脸图像评估方法、装置、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 |