CN116306807A - 一种基于元宇宙数据标记的ai模型生产方法 - Google Patents
一种基于元宇宙数据标记的ai模型生产方法 Download PDFInfo
- Publication number
- CN116306807A CN116306807A CN202310141051.5A CN202310141051A CN116306807A CN 116306807 A CN116306807 A CN 116306807A CN 202310141051 A CN202310141051 A CN 202310141051A CN 116306807 A CN116306807 A CN 116306807A
- Authority
- CN
- China
- Prior art keywords
- data
- labeling
- model
- marking
- meta
- 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
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于元宇宙数据标记的AI模型生产方法,包括如下步骤:步骤一:准备数据,采用网络已知整理好的数据集,并配合人工标记,在人工标记前,先计划数据质量和校正的流程和资源,采用LabelImg的标注工具,并对目标进行2D包围框标注;步骤二:数据预处理,将步骤一中人工标记的数据进行整理,统一格式,调整格式,采用Vulcan和ComputeShader进行优化以及通过层融合进行图优化;通过本发明的设计,不仅详细的公开了AI模型的构建方法,还能够能够有效且快速的实现AI模型的生产,在技术完整性上有着明显的优势,同时在对测试数据的标记中,采用人工与已有完整标记的数据集一同使用,从而能够更加精准的对AI模型进行测试。
Description
技术领域
本发明属于元宇宙技术领域,具体涉及一种基于元宇宙数据标记的AI模型生产方法。
背景技术
元宇宙,是人类运用数字技术构建的,由现实世界映射或超越现实世界,可与现实世界交互的虚拟世界,具备新型社会体系的数字生活空间,而人工智能AI商业化在算力、算法和技术方面有着成熟的发展,而将元宇宙与AI相结合,通过算法和应用的落地来真正解决行业具体难点、痛点,需要采集大量人工智能相关的原始数据,并经过标注处理后做算法训练支撑,从而决定AI的智能性,在机器学习中,数据标注是为原始数据(图像、文本、语音、视频、点云等)上的目标或事件标注丰富的标签以为机器学习模型提供理解数据上下文的能力的过程。
在公布号CN115169578A中公开了一种基于元宇宙数据标记的AI模型生产方法及系统,该专利通过于MetaDataLabeler提高数据标注、标签管理、模型训练的效率,使得数据不必频繁地导入、导出,从而不断提高模型精度,但该专利并没有详细的对模型的生成展开叙述,仅仅公开了框架组成、模块切割以及数据导入,在如何实现快速构件AI模型上,是不具体的,同时也没有公开对导入进行测试的数据如何确保标记的准确度,以及如何实现降低人工标记数据的繁琐操作的,因此实际使用中存在可改进的空间。
发明内容
本发明的目的在于提供一种基于元宇宙数据标记的AI模型生产方法,以解决上述背景技术中提出的现有生产AI模型的方法公开不具体,没有细致的阐述具体方法,仅仅公开了基本框架的构建,同时在对后期用于检测的数据的前期处理中,也没有进行改进的问题。
为实现上述目的,本发明提供如下技术方案:一种基于元宇宙数据标记的AI模型生产方法,包括如下步骤:
步骤一:准备数据,采用网络已知整理好的数据集,并配合人工标记,在人工标记前,先计划数据质量和校正的流程和资源,采用LabelImg的标注工具,并对目标进行2D包围框标注;
步骤二:数据预处理,将步骤一中人工标记的数据进行整理,统一格式,调整格式,采用Vulcan和Compute Shader进行优化以及通过层融合进行图优化;
步骤三:划分数据集,将步骤二的数据划分为训练集,测试集,以及验证集;
步骤四:配置模型,采用Le Net、Alex Net、VGG-16、VGG-1、Yolo1/2/3任一中网络模型作为网络架构;
步骤五:训练模型,计算损失函数和优化器;
步骤六:评估优化,通过测试集进行评估,并根据评估结果对网络进行评估是否需要进一步调整优化或者是已经最优,应用于实践;
步骤七:模型应用,将需要寻找的数据输入至模型内,并将数据传输至元数据内,通过生成的模型实现快速数据标记定位。
作为本发明中过一种优选的技术方案,所述步骤一中,使用LabelImg的标注工具的操作范围包括对整个文件打标签,对固定区域打标签,对数据截断打标签。
作为本发明中过一种优选的技术方案,所述步骤二中,统一格式包括对图像去灰度化、去噪平滑、均衡化,二值化、当然收集到的样本数量不够,将样本数量翻倍,具体操作方法包括水平翻转图像,随机裁剪,平移变换,颜色,光照变换。
作为本发明中过一种优选的技术方案,在所述步骤一中,对图像标注的方法包括图像数据标注,矩形框标注、关键点标注、线段标注、语义分割、实例分割、ocr标注、图片清洗所述语音标注包括ASR语音转写、音素标注、情绪判断、语音切割、语音清洗、韵律标注,文本标注包括ocr转写、nlp词性标注、命名实体、情感分析、意图匹配、关系抽取的自然语言处理,3D点云标注的方式是通过3D框将目标物体标注出来。
作为本发明中过一种优选的技术方案,所述步骤五中,损失函数是评价训练输出与刚开始标记好的标签之间差距的指标评估依据,优化器是影响网络训练快慢与训练梯度下降优劣,以及是否会陷入鞍点等的关键武器。
作为本发明中过一种优选的技术方案,所述步骤四中,建模工具包括ERwin、Sysbase的PowerDesigner以及Rational的Rose。
作为本发明中过一种优选的技术方案,还包括血统分析,该血统分析用于对步骤五中评价训练输出与刚开始标记好的标签之间差距最大的标记出发,往回追溯其处理过程,直到数据系统的数据源,根据数据源对标记数据进行修改。
作为本发明中过一种优选的技术方案,在步骤七中,元数据包括技术元数据和业务元数据。
与现有技术相比,本发明的有益效果是:
通过本发明的设计,不仅详细的公开了AI模型的构建方法,还能够能够有效且快速的实现AI模型的生产,在技术完整性上有着明显的优势,同时在对测试数据的标记中,采用人工与已有完整标记的数据集一同使用,从而能够更加精准的对AI模型进行测试,并且在人工标记中,采用了LabelImg的标注工具,以及对目标进行2D包围框标注的方式来提升人工标记的准确率和标记效率,避免人工标记质量未达到训练数据的质量要求的现象,完善了现有生产方式中的不足。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
实施例1
本发明提供一种技术方案:一种基于元宇宙数据标记的AI模型生产方法,包括如下步骤:
步骤一:准备数据,采用网络已知整理好的数据集,并配合人工标记,在人工标记前,先计划数据质量和校正的流程和资源,采用LabelImg的标注工具,并对目标进行2D包围框标注,由于需要的自动标注数据质量最低是95%,最高可达99%,然而,自动标注的数据质量只有70%甚至更低,对目标进行2D包围框标注边缘后,因此采用那么常见的场景中通过自动标注就能基本胜任;
步骤二:数据预处理,将步骤一中人工标记的数据进行整理,统一格式,调整格式,采用Vulcan和Compute Shader进行优化以及通过层融合进行图优化;
步骤三:划分数据集,将步骤二的数据划分为训练集,测试集,以及验证集;
步骤四:配置模型,采用Le Net网络模型作为网络架构;
步骤五:训练模型,计算损失函数和优化器;
步骤六:评估优化,通过测试集进行评估,并根据评估结果对网络进行评估是否需要进一步调整优化或者是已经最优,应用于实践;
步骤七:模型应用,将需要寻找的数据输入至模型内,并将数据传输至元数据内,通过生成的模型实现快速数据标记定位。
本实施例中,步骤一中,使用LabelImg的标注工具的操作范围包括对整个文件打标签,对固定区域打标签,对数据截断打标签。
本实施例中,步骤二中,统一格式包括对图像去灰度化、去噪平滑、均衡化,二值化、当然收集到的样本数量不够,将样本数量翻倍,具体操作方法包括水平翻转图像,随机裁剪,平移变换,颜色,光照变换。
本实施例中,在步骤一中,对图像标注的方法包括图像数据标注,矩形框标注、关键点标注、线段标注、语义分割、实例分割、ocr标注、图片清洗语音标注包括ASR语音转写、音素标注、情绪判断、语音切割、语音清洗、韵律标注,文本标注包括ocr转写、nlp词性标注、命名实体、情感分析、意图匹配、关系抽取的自然语言处理,3D点云标注的方式是通过3D框将目标物体标注出来,其中目标物体包括车辆、行人、广告标志和树木等,供计算机视觉、无人驾驶等人工智能模型训练使用,如点云连续帧标注;自动驾驶场景中应用较为广泛的一种数据处理类型,对每一帧点云数据中的目标物体进行连续标注,同一个主体在不同帧中的车框/人框进行唯一性关联。
本实施例中,步骤五中,损失函数是评价训练输出与刚开始标记好的标签之间差距的指标评估依据,优化器是影响网络训练快慢与训练梯度下降优劣,以及是否会陷入鞍点等的关键武器。
本实施例中,步骤四中,建模工具包括ERwin、Sysbase的PowerDesigner以及Rational的Rose。
本实施例中,还包括血统分析也称血缘分析,如:对于底层仓库实体,涉及的是ETL处理过程;而对于仓库汇总表,可能既涉及ETL处理过程,又涉及仓库汇总处理过程;而对于指标,则除了上面的处理过程,还涉及指标生成的处理过程,该血统分析用于对步骤五中评价训练输出与刚开始标记好的标签之间差距最大的标记出发,往回追溯其处理过程,直到数据系统的数据源,根据数据源对标记数据进行修改。
本实施例中,在步骤七中,元数据包括技术元数据和业务元数据,其中技术元数据是存储关于数据仓库系统技术细节的数据,是用于开发和管理数据仓库使用的数据,它主要包括以下信息:数据仓库结构的描述,包括仓库模式、视图、维、层次结构和导出数据的定义,以及数据集市的位置和内容;业务系统、数据仓库和数据集市的体系结构和模式;汇总用的算法,包括度量和维定义算法,数据粒度、主题领域、聚集、汇总、预定义的查询与报告;由操作环境到数据仓库环境的映射,包括源数据和它们的内容、数据分割、数据提取、清理、转换规则和数据刷新规则、安全(用户授权和存取控制),业务元数据从业务角度描述了数据仓库中的数据,它提供了介于使用者和实际系统之间的语义层,使得不懂计算机技术的业务人员也能够“读懂”数据仓库中的数据。业务元数据主要包括以下信息:使用者的业务术语所表达的数据模型、对象名和属性名;访问数据的原则和数据的来源;系统所提供的分析方法以及公式和报表的信息;具体包括以下信息:企业概念模型:这是业务元数据所应提供的重要的信息,它表示企业数据模型的高层信息、整个企业的业务概念和相互关系;以这个企业模型为基础;多维数据模型:这是企业概念模型的重要组成部分,它告诉业务分析人员在数据集市当中有哪些维、维的类别、数据立方体以及数据集市中的聚合规则。
实施例2
与本实施例1中的不同之处在于:一种基于元宇宙数据标记的AI模型生产方法,包括如下步骤:
步骤一:准备数据,采用网络已知整理好的数据集,并配合人工标记,在人工标记前,先计划数据质量和校正的流程和资源,采用LabelImg的标注工具,并对目标进行2D包围框标注,由于需要的自动标注数据质量最低是95%,最高可达99%,然而,自动标注的数据质量只有70%甚至更低,对目标进行2D包围框标注边缘后,因此采用那么常见的场景中通过自动标注就能基本胜任;
步骤二:数据预处理,将步骤一中人工标记的数据进行整理,统一格式,调整格式,采用Vulcan和Compute Shader进行优化以及通过层融合进行图优化;
步骤三:划分数据集,将步骤二的数据划分为训练集,测试集,以及验证集;
步骤四:配置模型,采用Alex Net网络模型作为网络架构;
步骤五:训练模型,计算损失函数和优化器;
步骤六:评估优化,通过测试集进行评估,并根据评估结果对网络进行评估是否需要进一步调整优化或者是已经最优,应用于实践;
步骤七:模型应用,将需要寻找的数据输入至模型内,并将数据传输至元数据内,通过生成的模型实现快速数据标记定位。
实施例3
与上述实施例中的不同之处在于:一种基于元宇宙数据标记的AI模型生产方法,包括如下步骤:
步骤一:准备数据,采用网络已知整理好的数据集,并配合人工标记,在人工标记前,先计划数据质量和校正的流程和资源,采用LabelImg的标注工具,并对目标进行2D包围框标注,由于需要的自动标注数据质量最低是95%,最高可达99%,然而,自动标注的数据质量只有70%甚至更低,对目标进行2D包围框标注边缘后,因此采用那么常见的场景中通过自动标注就能基本胜任;
步骤二:数据预处理,将步骤一中人工标记的数据进行整理,统一格式,调整格式,采用Vulcan和Compute Shader进行优化以及通过层融合进行图优化;
步骤三:划分数据集,将步骤二的数据划分为训练集,测试集,以及验证集;
步骤四:配置模型,采用VGG-16、VGG-1、Yolo1/2/3网络模型作为网络架构;
步骤五:训练模型,计算损失函数和优化器;
步骤六:评估优化,通过测试集进行评估,并根据评估结果对网络进行评估是否需要进一步调整优化或者是已经最优,应用于实践;
步骤七:模型应用,将需要寻找的数据输入至模型内,并将数据传输至元数据内,通过生成的模型实现快速数据标记定位。
尽管已经示出和描述了本发明的实施例(详见上述详尽的描述),对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于元宇宙数据标记的AI模型生产方法,其特征在于:包括如下步骤:
步骤一:准备数据,采用网络已知整理好的数据集,并配合人工标记,在人工标记前,先计划数据质量和校正的流程和资源,采用LabelImg的标注工具,并对目标进行2D包围框标注;
步骤二:数据预处理,将步骤一中人工标记的数据进行整理,统一格式,调整格式,采用Vulcan和Compute Shader进行优化以及通过层融合进行图优化;
步骤三:划分数据集,将步骤二的数据划分为训练集,测试集,以及验证集;
步骤四:配置模型,采用Le Net、Alex Net、VGG-16、VGG-1、Yolo1/2/3任一中网络模型作为网络架构;
步骤五:训练模型,计算损失函数和优化器;
步骤六:评估优化,通过测试集进行评估,并根据评估结果对网络进行评估是否需要进一步调整优化或者是已经最优,应用于实践;
步骤七:模型应用,将需要寻找的数据输入至模型内,并将数据传输至元数据内,通过生成的模型实现快速数据标记定位。
2.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:所述步骤一中,使用LabelImg的标注工具的操作范围包括对整个文件打标签,对固定区域打标签,对数据截断打标签。
3.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:所述步骤二中,统一格式包括对图像去灰度化、去噪平滑、均衡化,二值化、当然收集到的样本数量不够,将样本数量翻倍,具体操作方法包括水平翻转图像,随机裁剪,平移变换,颜色,光照变换。
4.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:在所述步骤一中,对图像标注的方法包括图像数据标注,矩形框标注、关键点标注、线段标注、语义分割、实例分割、ocr标注、图片清洗所述语音标注包括ASR语音转写、音素标注、情绪判断、语音切割、语音清洗、韵律标注,文本标注包括ocr转写、nlp词性标注、命名实体、情感分析、意图匹配、关系抽取的自然语言处理,3D点云标注的方式是通过3D框将目标物体标注出来。
5.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:所述步骤五中,损失函数是评价训练输出与刚开始标记好的标签之间差距的指标评估依据,优化器是影响网络训练快慢与训练梯度下降优劣,以及是否会陷入鞍点等的关键武器。
6.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:所述步骤四中,建模工具包括ERwin、Sysbase的PowerDesigner以及Rational的Rose。
7.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:还包括血统分析,该血统分析用于对步骤五中评价训练输出与刚开始标记好的标签之间差距最大的标记出发,往回追溯其处理过程,直到数据系统的数据源,根据数据源对标记数据进行修改。
8.根据权利要求1所述的一种基于元宇宙数据标记的AI模型生产方法,其特征在于:在步骤七中,元数据包括技术元数据和业务元数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141051.5A CN116306807A (zh) | 2023-02-20 | 2023-02-20 | 一种基于元宇宙数据标记的ai模型生产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141051.5A CN116306807A (zh) | 2023-02-20 | 2023-02-20 | 一种基于元宇宙数据标记的ai模型生产方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306807A true CN116306807A (zh) | 2023-06-23 |
Family
ID=86825010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310141051.5A Pending CN116306807A (zh) | 2023-02-20 | 2023-02-20 | 一种基于元宇宙数据标记的ai模型生产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306807A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562991A (zh) * | 2023-07-10 | 2023-08-08 | 北京未来链技术有限公司 | 面向元宇宙电商平台的商品大数据信息识别方法及系统 |
-
2023
- 2023-02-20 CN CN202310141051.5A patent/CN116306807A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562991A (zh) * | 2023-07-10 | 2023-08-08 | 北京未来链技术有限公司 | 面向元宇宙电商平台的商品大数据信息识别方法及系统 |
CN116562991B (zh) * | 2023-07-10 | 2024-02-13 | 北京未来链技术有限公司 | 面向元宇宙电商平台的商品大数据信息识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245131A (zh) | 一种知识图谱中实体对齐方法、系统及其存储介质 | |
CN110120041A (zh) | 路面裂缝图像检测方法 | |
CN111967761A (zh) | 一种基于知识图谱的监控预警方法、装置及电子设备 | |
CN109190094A (zh) | 基于ifc标准的建筑信息模型文件切分方法 | |
CN113656647B (zh) | 一种面向智能运维的工程档案数据管理平台、方法及系统 | |
CN109300042A (zh) | 一种基于大数据的风控系统 | |
Deng et al. | Transforming knowledge management in the construction industry through information and communications technology: A 15-year review | |
CN116306807A (zh) | 一种基于元宇宙数据标记的ai模型生产方法 | |
CN112652067A (zh) | 一种基于三维gis模型的文旅虚拟场景构建系统 | |
CN116361487A (zh) | 一种多源异构政策知识图谱构建和存储方法及系统 | |
CN107506362A (zh) | 基于用户群优化的图像分类仿脑存储方法 | |
CN115617743A (zh) | 一种基于数据采集的科技项目档案管理系统 | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及系统 | |
EP3306540A1 (en) | System and method for content affinity analytics | |
CN114817171B (zh) | 一种埋点数据质量治理方法 | |
CN103345485B (zh) | 一种大型主机平台动态报表自动生成方法及系统 | |
CN113569358B (zh) | 一种面向产品质量反馈的数字孪生系统模型构建方法 | |
CN115147086A (zh) | 一种农民工工资支付监控预警平台系统及方法 | |
Tian | Analysis of Chinese Painting Color Teaching Based on Intelligent Image Color Processing Technology in the Network as a Green Environment | |
CN113032496A (zh) | 一种基于产业知识图谱的产业大脑数据分析系统 | |
CN107491814A (zh) | 一种用于知识推送的过程案例分层知识模型构建方法 | |
Liu | Research progress and trend analysis of computer vision based on cite space | |
CN111291102A (zh) | 一种政务数据挖掘的高性能规模统计计算方法 | |
CN109657684A (zh) | 一种基于弱监督学习的图像语义解析方法 | |
Ni et al. | Fusion learning model for mobile face safe detection and facial gesture analysis |
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 |