CN113887495A - 基于迁移学习的视频标注方法及装置 - Google Patents
基于迁移学习的视频标注方法及装置 Download PDFInfo
- Publication number
- CN113887495A CN113887495A CN202111227440.7A CN202111227440A CN113887495A CN 113887495 A CN113887495 A CN 113887495A CN 202111227440 A CN202111227440 A CN 202111227440A CN 113887495 A CN113887495 A CN 113887495A
- Authority
- CN
- China
- Prior art keywords
- domain data
- source domain
- data set
- equipment information
- groups
- 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
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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)
Abstract
本发明提供了一种基于迁移学习的视频标注方法及装置。该方法包括:获取设备信息,其中设备信息包含:源域数据集和目标域数据集;建立设备信息分类器;基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;根据目标域数据集,计算源域数据组的各组权重;根据各组权重对设备信息进行标注。本发明解决了现有技术中因人工对设备信息标注而引起的标注的不准确,而带来的设备运行风险隐患的问题。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种基于迁移学习的视频标注方法及装置。
背景技术
随着大家对于能源安全的重视,越来越多的边缘视频设备被运用于能源使用现场。目前主要是技术人员通过实时监控视频来发现并解决问题。但是随着视频以及数据技术的发展,可以将视频数据运用一些机器学习或者深度学习算法来实现自动化的分析。在模型训练,需要有大量标注数据运用于模型训练。但是视频标注需要大量的人力物力。
发明内容
有鉴于此,本公开实施例提供了一种基于迁移学习的视频标注方法、装置、计算机设备及计算机可读存储介质,以解决现有技术中因人工对设备信息标注而引起的标注的不准确,而带来的设备运行风险隐患的问题。
本公开实施例的第一方面,提供了一种基于迁移学习的视频标注方法,包括:
获取设备信息,其中设备信息包含:源域数据集和目标域数据集;
建立设备信息分类器;
基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;
根据目标域数据集,计算源域数据组的各组权重;
根据各组权重和迁移学习算法,对设备信息进行标注。
本公开实施例的第二方面,提供了一种基于迁移学习的视频标注装置,包括:
获取模块,用于获取设备信息,其中设备信息包含:源域数据集和目标域数据集;
建立模块,用于建立设备信息分类器;
分类模块,用于基于设备信息分类器对所述源域数据集进行源域数据分类,以得到多组源域数据组;
计算模块,用于根据目标域数据集,计算源域数据组的各组权重;
标注模块,用于根据各组权重和迁移学习算法,对设备信息进行标注。
本公开实施例的第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:通过获取设备信息,其中设备信息包含:源域数据集和目标域数据集;建立设备信息分类器;基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;根据目标域数据集,计算源域数据组的各组权重;根据各组权重对设备信息进行标注。以解决现有技术中因人工对设备信息标注而引起的标注的不准确,而带来的设备运行风险隐患的问题。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1是本公开实施例的应用场景的场景示意图;
图2是本公开实施例提供的一种基于迁移学习的视频标注方法的流程图;
图3是本公开实施例提供的一种基于迁移学习的视频标注装置的框图;
图4是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
联合学习是指在确保数据安全及用户隐私的前提下,综合利用多种AI(Artificial Intelligence,人工智能)技术,联合多方合作共同挖掘数据价值,催生基于联合建模的新的智能业态和模式。根据各方数据集的贡献方式不同,联合学习具体可以分为横向联合学习、纵向联合学习以及联合迁移学习。联合迁移学习可以基于各参与方数据或模型之间的相似性,将在源域中学习的模型迁移到目标域中。联合学习至少具有以下特点:
(1)参与节点控制自有数据的弱中心化联合训练模式,确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下,利用筛选和/或组合AI算法、隐私保护计算,建立多种模型聚合优化策略,以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下,基于多种模型聚合优化策略,获取提升联合学习引擎的效能方法,其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等,提升联合学习引擎的整体效能。
(4)获取各场景下多方用户的需求,通过互信机制,确定合理评估各联合参与方的真实贡献度,进行分配激励。
基于上述方式,可以建立基于联合学习的AI技术生态,充分发挥行业数据价值,推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种基于迁移学习的视频标注方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示,联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
在联合学习过程中,基本模型可以通过服务器101建立,服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101,服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型,利用本地数据进行模型训练,获得更新的模型参数,并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合,获得全局模型参数,并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代,直到模型最终收敛,从而实现对模型的训练。在联合学习过程中,参与方102、参与方103和参与方104上传的数据为模型参数,本地数据并不会上传至服务器101,且所有参与方可以共享最终的模型参数,因此可以在保证数据隐私的基础上实现共同建模。
需要说明的是,参与方的数量不限于如上所述的三个,而是可以根据需要进行设置,本公开实施例对此不作限制。
图2是本公开实施例提供的一种基于迁移学习的视频标注方法的流程图。图2的基于迁移学习的视频标注方法可以由图1的参与方或服务器(中心节点)执行。如图2所示,该基于迁移学习的视频标注方法包括:
S201,获取设备信息;
其中,设备信息包含:源域数据集和目标域数据集;源域数据集包含多个标注的设备图像数据组,目标域数据集包含设备的视频数据集。
S202,建立设备信息分类器;
具体而言,对于建立设备信息分类器的方法可以通过下述方式实现:
步骤一、获取设备图像数据组;
步骤二、选取设备图像数据组的数据样本;
步骤三、提取数据样本的共同特征和数据样本的图像特征;
步骤四、根据调取预设分类模板和设备图像数据组的数据样本的共同特征、数据样本的图像特征,建立设备信息分类器。
进一步地,可以通过下述公式表达设备信息分类器:
目标域数据集中的图像特征分布与源域数据集中的图像特征分布在某种程度上是不一样的。为消除这种不匹配采用可以采用支持向量机(Support Vector Machine,SVM)来优化分类模板。其中,源域数据集的数据可以只在初始化组预设分类模板时使用。
S203,基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;
具体而言,对于源域数据分类的方法可以通过下述方式实现:
步骤一、基于设备信息分类器,调取预分类器;
步骤二、利用预分类器和目标域数据集,对源域数据集进行初始化;
步骤三、将初始化后的源域数据集进行分类,以得到多组源域数据组。
S204,根据目标域数据集,计算源域数据组的各组权重;
具体而言,对于计算源域数据组的各组权重的方法可以通过下述方式实现:
步骤一、利用余弦相似度算法计算目标域数据集与源域数据集的相似度,以得到每个组源域数据组的相似度;
步骤二、将每个组源域数据组的相似度进行归一化处理,以得到源域数据组的各组权重。
其中,计算目标域数据集与源域数据集的相似度的方法可通过下述实现:
首先,可以通过确定源域数据集和目标域数据集的特征异构空间;
然后,基于判别性拓扑结构,将源域数据集包含多个标注的设备图像数据组与目标域数据集包含设备的视频数据集,映射到一个共同的特征子空间;
最后,根据映射到一个共同的特征子空间,建立目标域数据集与源域数据集的相关性。
S205,根据各组权重和迁移学习算法,对设备信息进行标注。
具体而方,可以先通过利用迁移学习算法,确定各组权重值的准确度;然后,根据各组权重值的准确度对设备信息进行标注。
进一步地,计算目标域数据集与源域数据集的相似度,可以通过余弦相似度计算得到。然后在对该相似性进行归一化,以得到各组源域数据组的权重;
迁移过程中,图像和视频具有特征异构问题,本发明基于判别性拓扑保持典型相关性分析(TCCA)来连接这两个异构的特征空间。通过使用TCCA,图像特征和视频特征由相应的投影矩阵映射到一个共同的特征子空间。
所得到的各组源域数据组划分为不同的组。根据不同图像组与视频之间的相关性,通过一种迁移学习的方法,根据源域各组之间和源域与目标域之间的关系得到权重,从而有利于对设备信息的标注。
根据本公开实施例提供的技术方案,通过获取设备信息,其中设备信息包含:源域数据集和目标域数据集;建立设备信息分类器;基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;根据目标域数据集,计算源域数据组的各组权重;根据各组权重对设备信息进行标注。以解决现有技术中因人工对设备信息标注而引起的标注的不准确,而带来的设备运行风险隐患的问题。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的一种基于迁移学习的视频标注装置的示意图。
如图3所示,该基于迁移学习的视频标注装置包括:
获取模块301,用于获取设备信息,其中设备信息包含:源域数据集和目标域数据集;
建立模块302,用于建立设备信息分类器;
分类模块303,用于基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;
计算模块304,用于根据目标域数据集,计算源域数据组的各组权重;
标注模块305,用于根据各组权重和迁移学习算法,对设备信息进行标注。
根据本公开实施例提供的技术方案,通过获取设备信息,其中设备信息包含:源域数据集和目标域数据集;建立设备信息分类器;基于设备信息分类器对源域数据集进行源域数据分类,以得到多组源域数据组;根据目标域数据集,计算源域数据组的各组权重;根据各组权重对设备信息进行标注。以解决现有技术中因人工对设备信息标注而引起的标注的不准确,而带来的设备运行风险隐患的问题。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,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一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于迁移学习的视频标注方法,其特征在于,包括:
获取设备信息,其中所述设备信息包含:源域数据集和目标域数据集;
建立设备信息分类器;
基于设备信息分类器对所述源域数据集进行源域数据分类,以得到多组源域数据组;
根据目标域数据集,计算所述源域数据组的各组权重;
根据所述各组权重和迁移学习算法,对设备信息进行标注。
2.根据权利要求1所述的方法,其特征在于,所述源域数据集包含多个标注的设备图像数据组,所述目标域数据集包含设备的视频数据集。
3.根据权利要求2所述的方法,其特征在于,建立设备信息分类器包括:
获取所述设备图像数据组;
选取设备图像数据组的数据样本;
提取所述数据样本的共同特征和数据样本的图像特征;
根据调取预设分类模板和所述数据样本的共同特征、数据样本的图像特征,建立设备信息分类器。
4.根据权利要求3所述的方法,其特征在于,基于设备信息分类器对所述源域数据集进行源域数据分类,以得到多组源域数据组包括:
基于设备信息分类器,调取预分类器;
利用所述预分类器和目标域数据集,对所述源域数据集进行初始化;
将初始化后的源域数据集进行分类,以得到多组源域数据组。
5.根据权利要求4所述的方法,其特征在于,根据目标域数据集,计算所述源域数据组的各组权重包括:
利用余弦相似度算法计算目标域数据集与源域数据集的相似度,以得到每个组源域数据组的相似度;
将所述每个组源域数据组的相似度进行归一化处理,以得到源域数据组的各组权重。
6.根据权利要求5所述的方法,其特征在于,利用余弦相似度算法计算目标域数据集与源域数据集的相似度包括:
确定源域数据集和目标域数据集的特征异构空间;
基于判别性拓扑结构,将源域数据集包含多个标注的设备图像数据组与目标域数据集包含设备的视频数据集,映射到一个共同的特征子空间;
根据所述特征子空间,建立目标域数据集与源域数据集的相关性。
7.根据权利要求4中所述的方法,其特征在于,根据所述各组权重和迁移学习算法,对设备信息进行标注包括:
利用迁移学习算法,确定各组权重值的准确度;
根据所述准确度,对所述设备信息进行标注。
8.一种基于迁移学习的视频标注装置,其特征在于,包括:
获取模块,用于获取设备信息,其中所述设备信息包含:源域数据集和目标域数据集;
建立模块,用于建立设备信息分类器;
分类模块,用于基于设备信息分类器对所述源域数据集进行源域数据分类,以得到多组源域数据组;
计算模块,用于根据目标域数据集,计算所述源域数据组的各组权重;
标注模块,用于根据所述各组权重和迁移学习算法,对设备信息进行标注。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227440.7A CN113887495A (zh) | 2021-10-21 | 2021-10-21 | 基于迁移学习的视频标注方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227440.7A CN113887495A (zh) | 2021-10-21 | 2021-10-21 | 基于迁移学习的视频标注方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887495A true CN113887495A (zh) | 2022-01-04 |
Family
ID=79004204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227440.7A Pending CN113887495A (zh) | 2021-10-21 | 2021-10-21 | 基于迁移学习的视频标注方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887495A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310727A (zh) * | 2022-10-11 | 2022-11-08 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
-
2021
- 2021-10-21 CN CN202111227440.7A patent/CN113887495A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310727A (zh) * | 2022-10-11 | 2022-11-08 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230039182A1 (en) | Method, apparatus, computer device, storage medium, and program product for processing data | |
CN107679466B (zh) | 信息输出方法和装置 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN110717953B (zh) | 基于cnn-lstm组合模型的黑白图片的着色方法和系统 | |
US20220222925A1 (en) | Artificial intelligence-based image processing method and apparatus, device, and storage medium | |
WO2020253127A1 (zh) | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 | |
CN109754068A (zh) | 基于深度学习预训练模型的迁移学习方法及终端设备 | |
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
WO2023124296A1 (zh) | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 | |
WO2020093724A1 (zh) | 生成信息的方法和装置 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN110222795B (zh) | 基于卷积神经网络的p2p流量的识别方法及相关装置 | |
CN115344883A (zh) | 一种用于处理不平衡数据的个性化联邦学习方法和装置 | |
CN113987941A (zh) | 时间序列预测方法、装置、计算机设备和可读存储介质 | |
CN110046297A (zh) | 运维违规操作的识别方法、装置和存储介质 | |
CN112307331A (zh) | 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 | |
CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
CN116664930A (zh) | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 | |
CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
CN112464924A (zh) | 一种构建训练集的方法及装置 | |
CN113762421B (zh) | 分类模型的训练方法、流量分析方法、装置及设备 | |
CN116362101A (zh) | 基于联合学习的数据处理方法、数据模型生成方法及装置 | |
CN110929118B (zh) | 网络数据处理方法、设备、装置、介质 | |
CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
CN114154714A (zh) | 时序数据预测方法、装置、计算机设备及介质 |
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 |