CN115035324A - 一种多方位算法模型的自适配方法 - Google Patents
一种多方位算法模型的自适配方法 Download PDFInfo
- Publication number
- CN115035324A CN115035324A CN202210524304.2A CN202210524304A CN115035324A CN 115035324 A CN115035324 A CN 115035324A CN 202210524304 A CN202210524304 A CN 202210524304A CN 115035324 A CN115035324 A CN 115035324A
- Authority
- CN
- China
- Prior art keywords
- model
- self
- adaptation
- algorithm model
- image
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002093 peripheral effect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000009795 derivation Methods 0.000 claims description 14
- 238000013140 knowledge distillation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 4
- 230000000694 effects Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 7
- 238000013519 translation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别与启发式学习技术领域,特别是涉及一种多方位算法模型的自适配方法,包括算法模型自适配、外设自适配和传输自适配;其中算法模型自适配即选择最合适的算法模型,具体包括图像的采集与预处理以及算法模型的统计分析;所述外设自适配具体指:通过调节外设参数,识别并训练得到的最合适的算法模型,最终输出专有化模型;所述传输自适配具体指:对输出的专有化模型进行仿真和测试,并根据结果进一步优化该专有化模型。通过本自适配方法,能有效解决普适算法在某些场景或时间下精确度不高的问题。
Description
技术领域
本发明涉及图像识别与启发式学习技术领域,特别是涉及一种多方位算法模型的自适配方法。
背景技术
随着神经网络模型的高速发展,人工智能和机器学习应用程序代表了下一个重大市场机遇,而传统的处理解决方案并不是为了计算神经网络的工作负载,这些工作负载为许多应用程序提供了动力,因此需要新的架构来满足我们对智能日益增长的需求。然而现在国内外都是基于某种特定的算法来实现某种需求,各种方法都是独立研究并有各自的缺陷。若将在某类特定场景下训练好的网络模型应用到另一不同场景时,图像识别效果会大幅降低,难以实现通用学习。
限于以上原因,现有的算法模型不能快速、有效、准确地应用到不同场景。
发明内容
为解决上述技术问题,本发明提出了一种多方位算法模型的自适配方法,能有效解决普适算法在某些场景或时间下精确度不高的问题。
本发明是通过采用下述技术方案实现的:
一种多方位算法模型的自适配方法,其特征在于:包括算法模型自适配、外设自适配和传输自适配;其中算法模型自适配即选择最合适的算法模型,具体包括以下步骤:
S1.图像的采集与预处理;
S2.算法模型的统计分析:设置一个模型集,将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集;将步骤S1中经过预处理的图像输入到模型集中进行分析预测;设置模型判断阈值,对实际数据预测结果进行判断,判断是否选用结果最好的模型或者再次进行模型训练衍生,最终得到最合适的算法模型;
所述外设自适配具体指:通过调节外设参数,识别并训练步骤S2中得到的最合适的算法模型,最终输出专有化模型;
所述传输自适配具体指:对输出的专有化模型进行仿真和测试,并根据结果进一步优化该专有化模型。
所述判断阈值的类型为预测准确率。
所述步骤S2中判断是否选用结果最好的模型或者再次进行模型训练衍生的标准为:当对采集的图像进行识别后,若得到的预测准确率小于阈值,即再次进行模型训练衍生;若得到的预测准确率大于或等于阈值,则判断选用结果最好的模型。
所述外设参数包括目标的朝向和远近参数。
所述外设自适配具体包括以下步骤:
S31.针对目标的朝向和远近参数,使用步骤S2中得到的最合适的算法模型进行预测;
S32.设定预测准确率阈值,调节外设参数,通过最合适的算法模型得到外设参数的预测准确率,判断该模型的预测准确率是否达到预设的阈值,若是,直接输出专有化模型,若否,则再次进行模型衍生。
所述步骤S1中图像的预处理包括图像几何变换、图像增强、图像复原和图像重建。
所述步骤S1中图像的采集具体指:在视频采集端采用摄像头进行图像的采集,每秒截取25帧图像,截取有效人脸图片。
所述根据结果进一步优化该专有化模型具体指:对该专有化模型的传输参数进行调节,包括剪枝和知识蒸馏。
与现有技术相比,本发明的有益效果表现在:
1、本发明针对复杂场景下的模型适配,首先对算法模型自适配,选取复杂实际问题中最适合的算法模型;其次研究外设自适配,通过调节外设参数,如摄像机参数等,以实现识别效果优化;最后研究传输自适配,通过减少传输数据冗余,以减轻嵌入式设备的负担。本发明从各方面出发来优化整个系统效果,解决现今嵌入式智能设备精确度不高和数据交互迟缓等问题,以多方位自适配算法模型框架作为对象进行研究,在复杂场景下能快速、准确地得到自适配模型。
2、本发明通过设定相关阈值,对专有化模型进行筛选,使得专有化模型的检测精度有了很大的提升。
3、本发明通过对外设参数,如摄像机的参数进行调节,通过捕捉更精确的目标从而增强图像效果,进而提高模型效果。
4、本发明对图像进行了预处理,提高图像的清晰度,容易观察出图像中目标的细节,同时抑制图像中非目标区域的显示,突出目标区域的特征。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明,其中:
图1为本发明中算法模型自适配的流程示意图;
图2为本发明中外设自适配的流程示意图。
具体实施方式
实施例1
作为本发明基本实施方式,本发明包括一种多方位算法模型的自适配方法,包括算法模型自适配、外设自适配和传输自适配。其中算法模型自适配即选择最合适的算法模型,具体包括以下步骤:
S1.图像的采集与预处理;
S2.算法模型的统计分析:设置一个模型集,将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集;将步骤S1中经过预处理的图像输入到模型集中进行分析预测;设置模型判断阈值,对实际数据预测结果进行判断,判断是否选用结果最好的模型或者再次进行模型训练衍生,最终得到最合适的算法模型。
所述外设自适配具体指:通过调节外设参数,识别并训练步骤S2中得到的最合适的算法模型,最终输出专有化模型。
所述传输自适配具体指:对输出的专有化模型进行仿真和测试,并根据结果进一步优化该专有化模型。
实施例2
作为本发明一较佳实施方式,本发明包括一种多方位算法模型的自适配方法,包括算法模型自适配、外设自适配和传输自适配。其中算法模型自适配即选择最合适的算法模型,具体包括以下步骤:
S1.图像的采集与预处理:每隔一段时间采集一系列图像,对图像做预处理,即利用数字图像处理,将图像中的噪音等干扰识别的无关元素去除,得到适宜进行特征提取的图像。
S2.算法模型的统计分析:设置一个模型集,将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集。将步骤S1中经过预处理的图像输入到模型集中进行分析预测,得到图像的预测结果。设置模型判断阈值,对实际数据的预测结果进行判断,判断是否选用结果最好的模型或者再次进行模型训练衍生,即使用实际观测数据对模型进行训练更新,最终得到最合适的算法模型。其中,原生模型为未经过处理的通用预设模型,而衍生模型为经过实际数据对原生模型进行训练更新后的模型。
所述外设自适配具体指:所述外设调节需要明确目标的朝向信息和远近信息,使用步骤S2中得到的最合适的算法模型,然后进行对目标朝向、远近的识别训练,通过判断少量预处理的图像识别结果是否达到设定的阈值来决定是否再次进行模型衍生或者输出结果,输出的结果为专有化模型。
所述传输自适配具体指:对输出的专有化模型进行仿真和测试,并根据结果进一步优化该专有化模型。
实施例3
作为本发明另一较佳实施方式,本发明包括一种多方位算法模型的自适配方法,包括算法模型自适配、外设自适配和传输自适配。其中算法模型自适配即选择最合适的算法模型,具体包括以下步骤:
S1.图像的采集与预处理:在视频采集端采用摄像头进行图像的采集,每秒截取25帧图像,截取有效人脸图片。其中,预处理操作主要包括图像几何变换、图像增强、图像复原和图像重建,目的在于提高图像的清晰度,容易观察出图像中目标的细节,同时抑制图像中非目标区域的显示,突出目标区域的特征。
S2.算法模型的统计分析:设置一个模型集,将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集;将步骤S1中经过预处理的图像输入到模型集中进行分析预测;设置模型判断阈值,对实际数据预测结果进行判断,判断是否选用结果最好的模型或者再次进行模型训练衍生,最终得到最合适的算法模型。
所述外设自适配具体包括以下步骤:
S31.此步骤不需要指定目标的类型,只需要目标的朝向、远近参数,然后针对这一参数信息使用步骤S2中得到的最合适的算法模型进行预测;
S32.调节外设参数,如摄像机的远近等,设定合适预测准确率阈值,通过模型得到的目标位置的属性的预测准确率,以达到最好的预测准确率为目标,然后再判断是否输出结果或者再次进行模型衍生,即判断该模型的预测准确率是否达到预设的阈值,若是,直接输出专有化模型,若否,则再次进行模型衍生。
所述传输自适配具体包括以下步骤:
S41:收集步骤S32中的专有化模型;
S42:使用大量实际预处理图像对此专有化模型进行仿真,测试,计算模型预测准确率等结果;
S43:基于仿真、测试结果进一步优化该模型,包括对其中的传输参数的调节,包括剪枝和知识蒸馏等。
实施例4
作为本发明最佳实施方式,本发明包括一种多方位算法模型的自适配方法,包括算法模型自适配、外设自适配和传输自适配。参照说明书附图1,其中,算法模型自适配即选择最合适的算法模型,具体为:首先每隔一段时间,采集一系列图像,对图像做预处理;然后将这些预处理的图像经过衍生模型和原生模型,通过对模型结果的统计与分析,判断是否选用最好的模型或者进行衍生。具体的判断过程是设置一个预测准确率阈值,当对这些采集图像进行识别后,若得到的预测准确率小于阈值,即模型识别效果未达到预期值,开启衍生算法对该类图像进行训练以达到更好的效果。若得到的预测准确率大于或等于阈值,即模型识别效果达到预期值,选用最好的模型,实现模型与实际环境的自适应匹配和分析。其中,原生模型为未经过处理的通用预设模型,而衍生模型为经过实际数据对原生模型进行训练更新后的模型。
参照说明书附图2,所述外设自适配具体指通过调节外设参数,如摄像机参数等,以实现识别效果优化。对于场景中目标的远近问题,可以对外设的参数进行调节,通过捕捉更精确的目标从而增强图像效果,进而提高模型效果。在这个过程中需要明确的是目标的朝向、远近问题。然后可进行对目标朝向、远近的识别训练。所以对此种训练,不需要指定目标的类型,因为只需要目标的朝向、远近信息。具体可以为:调节外设参数,如摄像机的远近等,设定合适预测准确率阈值,然后再判断是否输出结果或者再次进行模型衍生,即判断该模型的预测准确率是否达到预设的预测准确率阈值,若是,则模型识别效果达到预期值,直接输出专有化模型,若否,则模型识别效果未达到预期值,则再次进行模型衍生,实现自适应。
所述传输自适配具体指:通过这个专有化模型可以进行对实际数据的测试、仿真结果来进行优化更新,最终得到输出模型。
所述传输自适配通过减少传输数据冗余,以减轻设备的负担。从各方面出发来优化整个系统效果,解决现今嵌入式智能设备精确度不高、数据交互迟缓等问题。如果对任何模型,改变外设参数都得不到较好的效果,就要将设置主动权移交给模型自适配方法去实现效果的增强。另外在数据传输时,对图像中目标的位置经常出现的区域进行统计,之后对图像小概率出现目标地位置进行裁剪,调节外设传输的参数,就可以减少大量的数据传输,极大地提高嵌入式设备的运行能力。
剪枝是指将不重要的权值去除,减少神经网络层之间的连接数量,减少计算中涉及的参数,以达到压缩模型的作用。但是这样可能会带来准确率的降低,所以还要进行模型紧凑,对模型微调以恢复性能。
批量归一化(Batch Normalization,BN)层在目标检测网络中得到广泛地使用,引入BN层后,在训练过程中,对每一个最小批次(mini-batch)的输入数据,都可以学习到平均值μB方差σB:
为了防止分母为零,这里使用了一个很小的数值ε来进行平滑,一般取值为ε=10-3。经过BN层后输出为:
其中γ为缩放因子,β为平移因子,这两个参数都是训练网络模型时学习到的参数,引入尺度因子γ是为了还原网络原来的特征学习能力。当引入可调整的缩放因子γ和平移因子β之后可以评估损失的数据对网络模型特征表达是否有利,当数据对网络模型有利时,更新缩放因子和平移因子,保证了输入数据的表达能力。对多个通道的卷积层来说,又可以表示为:
其中为数据输出,γj、βj为第i个通道的缩放因子和平移因子。当γ小于确定的阈值时,就认为该通道对网络结构的重要性很低,可以剪枝掉。对一个训练好的网络,γ的分布接近高斯分布,为了更好的评估通道重要性,使用L1正则化对BN层的缩放因子施加稀疏性。基于此,训练的目标为:
其中第一项为经验损失函数,Γ是所有的集合,α为平衡经验损失和稀疏性之间的惩罚因子。可以改变γj的分布,在通道中对BN层的缩放因子施加稀疏性,这个阶段就是稀疏化训练。经过稀疏化训练后,某些通道的缩放因子会变的非常小,而这些通道也被认为对整个网络结构贡献比较小,可以被移除。
然后进行知识蒸馏,知识蒸馏的目的是将一个高精度且笨重的网络模型一用来指导一个更加紧凑的网络模型二。具体思路是:提高网络模型一softmax层的温度参数来获得一个合适的软目标(soft-target)集合,公式如下所示:
其中T是温度,为softmax层输出的分类类别概率,为软目标输出。当温度T趋向于0时,softmax输出将收敛为一个one-hot向量,温度T趋向于无穷时,softmax的输出则更“软”。因此,在训练新模型的时候,可以使用较高的T使得softmax产生的分布足够软,这时让新模型的softmax输出近似原模型;在训练结束以后再使用正常的温度T=1来预测。具体地,在训练时我们需要最小化两个分布的交叉熵(Cross-entropy),记新模型利用公式产生的分布是q,原模型产生的分布是p,则只需要最小化:
C=-pTlog q
在对模型进行性能优化等操作后就进行输出结果。
综上所述,本领域的普通技术人员阅读本发明文件后,根据本发明的技术方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案,均属于本发明所保护的范围。
Claims (8)
1.一种多方位算法模型的自适配方法,其特征在于:包括算法模型自适配、外设自适配和传输自适配;其中算法模型自适配即选择最合适的算法模型,具体包括以下步骤:
S1. 图像的采集与预处理;
S2. 算法模型的统计分析:设置一个模型集,将预先设定好的原生模型与已经经过衍生的衍生模型放入模型集;将步骤S1中经过预处理的图像输入到模型集中进行分析预测;设置模型判断阈值,对实际数据预测结果进行判断,判断是否选用结果最好的模型或者再次进行模型训练衍生,最终得到最合适的算法模型;
所述外设自适配具体指:通过调节外设参数,识别并训练步骤S2中得到的最合适的算法模型,最终输出专有化模型;
所述传输自适配具体指:对输出的专有化模型进行仿真和测试,并根据结果进一步优化该专有化模型。
2.根据权利要求1所述的一种多方位算法模型的自适配方法,其特征在于:所述判断阈值的类型为预测准确率。
3.根据权利要求2所述的一种多方位算法模型的自适配方法,其特征在于:所述步骤S2中判断是否选用结果最好的模型或者再次进行模型训练衍生的标准为:当对采集的图像进行识别后,若得到的预测准确率小于阈值,即再次进行模型训练衍生;若得到的预测准确率大于或等于阈值,则判断选用结果最好的模型。
4.根据权利要求2所述的一种多方位算法模型的自适配方法,其特征在于:所述外设参数包括目标的朝向和远近参数。
5.根据权利要求4所述的一种多方位算法模型的自适配方法,其特征在于:所述外设自适配具体包括以下步骤:
S31. 针对目标的朝向和远近参数,使用步骤S2中得到的最合适的算法模型进行预测;
S32. 设定预测准确率阈值,调节外设参数,通过最合适的算法模型得到外设参数的预测准确率,判断该模型的预测准确率是否达到预设的阈值,若是,直接输出专有化模型,若否,则再次进行模型衍生。
6.根据权利要求1所述的一种多方位算法模型的自适配方法,其特征在于:所述步骤S1中图像的预处理包括图像几何变换、图像增强、图像复原和图像重建。
7.根据权利要求1所述的一种多方位算法模型的自适配方法,其特征在于:所述步骤S1中图像的采集具体指:在视频采集端采用摄像头进行图像的采集,每秒截取25帧图像,截取有效人脸图片。
8.根据权利要求1所述的一种多方位算法模型的自适配方法,其特征在于:所述根据结果进一步优化该专有化模型具体指:对该专有化模型的传输参数进行调节,包括剪枝和知识蒸馏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524304.2A CN115035324A (zh) | 2022-05-13 | 2022-05-13 | 一种多方位算法模型的自适配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524304.2A CN115035324A (zh) | 2022-05-13 | 2022-05-13 | 一种多方位算法模型的自适配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035324A true CN115035324A (zh) | 2022-09-09 |
Family
ID=83121493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524304.2A Pending CN115035324A (zh) | 2022-05-13 | 2022-05-13 | 一种多方位算法模型的自适配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035324A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180129941A1 (en) * | 2016-11-10 | 2018-05-10 | General Electric Company | Methods and systems for capturing analytic model authoring knowledge |
CN108769542A (zh) * | 2018-05-30 | 2018-11-06 | 北京图森未来科技有限公司 | 一种曝光参数确定方法、装置和可读介质 |
CN110457984A (zh) * | 2019-05-21 | 2019-11-15 | 电子科技大学 | 监控场景下基于ResNet-50的行人属性识别方法 |
CN110555514A (zh) * | 2019-08-20 | 2019-12-10 | 北京迈格威科技有限公司 | 神经网络模型搜索方法、图像识别方法和装置 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
CN112070209A (zh) * | 2020-08-13 | 2020-12-11 | 河北大学 | 基于w距离的稳定可控图像生成模型训练方法 |
WO2022037165A1 (zh) * | 2020-08-21 | 2022-02-24 | 苏州浪潮智能科技有限公司 | 一种神经网络模型知识蒸馏方法、系统、设备及介质 |
-
2022
- 2022-05-13 CN CN202210524304.2A patent/CN115035324A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180129941A1 (en) * | 2016-11-10 | 2018-05-10 | General Electric Company | Methods and systems for capturing analytic model authoring knowledge |
CN108769542A (zh) * | 2018-05-30 | 2018-11-06 | 北京图森未来科技有限公司 | 一种曝光参数确定方法、装置和可读介质 |
CN110457984A (zh) * | 2019-05-21 | 2019-11-15 | 电子科技大学 | 监控场景下基于ResNet-50的行人属性识别方法 |
CN110555514A (zh) * | 2019-08-20 | 2019-12-10 | 北京迈格威科技有限公司 | 神经网络模型搜索方法、图像识别方法和装置 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
CN112070209A (zh) * | 2020-08-13 | 2020-12-11 | 河北大学 | 基于w距离的稳定可控图像生成模型训练方法 |
WO2022037165A1 (zh) * | 2020-08-21 | 2022-02-24 | 苏州浪潮智能科技有限公司 | 一种神经网络模型知识蒸馏方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
A. TOLBA, AHMED GHONEIM: "A Stepwise Self-adaptive Model for Improving Cloud Efficiency Based on Multi-Agent Features.", 《JOURNAL OF SOFTWARE 》, 15 August 2015 (2015-08-15) * |
张春萍;王庆;: "光场相机成像模型及参数标定方法综述", 中国激光, no. 06, 10 June 2016 (2016-06-10) * |
杨欣;严洪森;金涛;: "武器效能衍生推理及评估模型自学习的研究实现", 工业控制计算机, no. 04, 25 April 2015 (2015-04-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680706B (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN111489364B (zh) | 基于轻量级全卷积神经网络的医学图像分割方法 | |
CN111739076A (zh) | 面向多种ct肺部纹理识别的非监督保内容域适应方法 | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
CN111160407B (zh) | 一种深度学习目标检测方法及系统 | |
CN111985381B (zh) | 一种基于伸缩卷积神经网络的引导区域密集人群计数方法 | |
CN113628211B (zh) | 参数预测推荐方法、设备及计算机可读存储介质 | |
CN112233129A (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
CN112418032A (zh) | 一种人体行为识别方法、装置、电子设备及存储介质 | |
CN114067298A (zh) | 一种基于Faster R-CNN的棉花顶尖识别方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN116703932A (zh) | 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法 | |
CN115546187A (zh) | 基于YOLO v5的农业病虫害检测方法及装置 | |
CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
CN117315380A (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
CN114022678A (zh) | 一种基于优化卷积神经网络的玉米病害图像识别方法 | |
CN111862071B (zh) | 一种基于ct图像测量腰1椎体ct值的方法 | |
CN117649694A (zh) | 一种基于图像增强的人脸检测方法、系统及装置 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN105139373A (zh) | 基于独立子空间分析的无参考图像质量客观评价方法 | |
CN115035324A (zh) | 一种多方位算法模型的自适配方法 | |
CN116306813A (zh) | 一种基于yolox轻量化及网络优化的方法 | |
CN114445875A (zh) | 基于深度学习的身份识别与人脸比对系统及训练方法 |
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 |