CN116342923A - 影像识别深度学习模型的训练方法 - Google Patents

影像识别深度学习模型的训练方法 Download PDF

Info

Publication number
CN116342923A
CN116342923A CN202211623916.3A CN202211623916A CN116342923A CN 116342923 A CN116342923 A CN 116342923A CN 202211623916 A CN202211623916 A CN 202211623916A CN 116342923 A CN116342923 A CN 116342923A
Authority
CN
China
Prior art keywords
data
deep learning
image recognition
learning model
recognition deep
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
Application number
CN202211623916.3A
Other languages
English (en)
Inventor
张益铭
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.)
Universal Scientific Industrial Shanghai Co Ltd
Original Assignee
Universal Scientific Industrial Shanghai Co Ltd
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 Universal Scientific Industrial Shanghai Co Ltd filed Critical Universal Scientific Industrial Shanghai Co Ltd
Priority to CN202211623916.3A priority Critical patent/CN116342923A/zh
Priority to TW112100134A priority patent/TWI815762B/zh
Publication of CN116342923A publication Critical patent/CN116342923A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/764—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
    • 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)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

一种影像识别深度学习模型的训练方法，其包含从多个原始数据中选取部分原始数据且对其标记；依据深度学习演算法训练标记数据以产生影像识别深度学习模型；输入部分原始数据至影像识别深度学习模型以推论出推论结果并计算正确率，然后判断正确率是否大于等于门槛值。当正确率大于等于门槛值时，得到最终影像识别深度学习模型；当正确率小于门槛值时，重新标记推论结果有误的原始数据以产生再标记数据并更新影像识别深度学习模型，然后重复前述流程，直到正确率大于等于门槛值为止。借此，能快速地收敛影像识别深度学习模型。

Description

影像识别深度学习模型的训练方法
技术领域
本揭示内容是关于一种深度学习模型的训练方法，特别是关于一种应用于影像识别且可快速收敛监督式学习模型的训练方法。
背景技术
于深度学习(Deep learning)与机器学习(Machine learning)中，已被众人公认及多个实验数据佐证目前具有较高正确率(Accuracy rate)的演算法是监督式学习(Supervised learning)，但是其若应用在影像辨识领域会需要非常庞大的标记影像和分类影像才足以使得辨识模型能达到较高的正确率。因此，前述缺点会造成在训练辨识模型之前，需要额外人力成本去标记与分类大量的原始影像，导致训练辨识模型的开发时程明显地增加。
有鉴于此，如何开发一种应用于影像识别且可快速收敛监督式学习模型的训练方法，实为民众所殷切企盼，亦是相关业者须努力研发突破的目标及方向。
发明内容
本揭示内容的目的在于提供一种影像识别深度学习模型的训练方法，其从大量原始数据中选取少量原始数据，并建模影像识别深度学习模型，然后输入未训练的原始数据至影像识别深度学习模型之后，再重新标记推论结果有误的原始数据以反复训练且更新影像识别深度学习模型，借以令最终影像识别深度学习模型可快速收敛且同时保有高正确率。
依据本揭示内容的一实施方式提供一种影像识别深度学习模型的训练方法，其用以获得一最终影像识别深度学习模型并包含一第一数据选取步骤、一数据标记步骤、一模型训练步骤、一第二数据选取步骤以及一数据推论步骤。第一数据选取步骤包含从T个原始数据中选取Ni个原始数据，其中i＝1～n，且T、Ni、i及n均为正整数。数据标记步骤包含对Ni个原始数据进行标记以产生Ni个标记数据。模型训练步骤包含依据一深度学习演算法训练Ni个标记数据以产生一第i影像识别深度学习模型。第二数据选取步骤包含从T-Mi个原始数据中选取Ni+1个原始数据，其中Mi为正整数。数据推论步骤包含输入Pi个原始数据至第i影像识别深度学习模型以推论出Pi个推论结果，并依据Pi个推论结果计算第i影像识别深度学习模型的一正确率，然后判断正确率是否大于等于一门槛值，其中Pi为正整数。其中当正确率大于等于门槛值时，第i影像识别深度学习模型为最终影像识别深度学习模型。其中当正确率小于门槛值时，执行一数据再标记步骤与一模型更新步骤，然后将i设为i+1并重复执行第二数据选取步骤及数据推论步骤，直到正确率大于等于门槛值为止。其中数据再标记步骤包含重新标记Pi个原始数据的至少一者以产生至少一再标记数据。其中模型更新步骤包含依据深度学习演算法重新训练至少一再标记数据以更新第i影像识别深度学习模型。
附图说明
图1是绘示依照本揭示内容实施例的影像识别深度学习模型的训练系统的示意图；
图2是绘示依照本揭示内容的第一实施例的影像识别深度学习模型的训练方法的流程示意图；以及
图3是绘示依照本揭示内容的第二实施例的影像识别深度学习模型的训练方法的流程示意图。
其中，附图标记说明如下：
100：影像识别深度学习模型的训练系统
110：存储单元
112：原始数据
114：深度学习演算法
116：门槛值
118：实际结果
120：运算处理单元
121：标记数据
122：第1影像识别深度学习模型
1221，1251：正确率
123，126：推论结果
124：再标记数据
125：第2影像识别深度学习模型
200，300：影像识别深度学习模型的训练方法
S210，S310：第一数据选取步骤
S220，S320：数据标记步骤
S230，S330：模型训练步骤
S240，S340：第二数据选取步骤
S250，S350：数据推论步骤
S260，S360：模型判定步骤
S262，S362：数据再标记步骤
S264，S364：模型更新步骤
具体实施方式
请参照图1，其是绘示依照本揭示内容实施例的影像识别深度学习模型的训练系统100的示意图。由图1可知，影像识别深度学习模型的训练系统100包含一存储单元110以及一运算处理单元120，并可以是用于运行影像识别深度学习模型的各式智能型装置及/或电脑装置。
存储单元110存储T个原始数据(Raw data)112、深度学习演算法114及门槛值116，其中T为正整数。深度学习演算法114可为一监督式学习演算法，但本揭示内容不限于此。此外，门槛值116用以鉴定基于深度学习演算法114所训练出的影像识别深度学习模型的正确率，端看使用者的需求来对门槛值116进行配置。具体而言，存储单元110是为一机器可读取媒体，其可为但不限定于随机存取存储器、只读存储器、快闪存储器、硬盘或前述装置的组合，而可用以存储前述影像识别深度学习模型。
运算处理单元120耦接存储单元110，其可为但不限定于一般用途处理器、微控制器以及类似品。在本揭示内容实施例中，运算处理单元120可存取存储单元110中记录的模块、程序码/电子指令来实现本揭示内容提出的影像识别深度学习模型的训练方法，其细节详述如下。
请参照图2，其是绘示依照本揭示内容的第一实施例的影像识别深度学习模型的训练方法200的流程示意图。影像识别深度学习模型的训练方法200是用以获得一最终影像识别深度学习模型并包含第一数据选取步骤S210、数据标记步骤S220、模型训练步骤S230、第二数据选取步骤S240以及数据推论步骤S250，且可由图1的影像识别深度学习模型的训练系统100执行，以下即搭配图1所示的元件说明图2各步骤的细节。
第一数据选取步骤S210为“从T个原始数据中选取Ni个原始数据”，其包含驱动运算处理单元120读取来自存储单元110的T个原始数据112，并从T个原始数据112中选取Ni个原始数据112，其中i＝1～n，T、Ni、i及n均为正整数，且T大于Ni。进一步来说，第一数据选取步骤S210可更包含驱动运算处理单元120将T个原始数据112分群为多个原始数据群体，然后从各原始数据群体中选取部分原始数据112以集成Ni个原始数据112。举例来说，T＝30000。运算处理单元120将30000个原始数据112平均地拆分为5个原始数据群体；换言之，各原始数据群体包含相同数量(即6000个)的原始数据112。特别的是，运算处理单元120可依据多个分类特征将30000个原始数据112分群为5个原始数据群体，借以令各原始数据群体具有相同的分类特征。举例来说，原始数据112可为动物(如猫或狗)的一原始影像。在相同的原始数据群中，多个原始影像的动物可具有相同大小、品种或颜色。借此，通过平均分群的方式可使后续数据标记步骤S220中的Ni个标记数据对于不同特征的数据会具有相同的数量，进而可加快最终影像识别深度学习模型的收敛速度。
数据标记步骤S220为“对Ni个原始数据进行标记”，其包含驱动运算处理单元120对Ni个原始数据112进行标记以产生Ni个标记数据。
模型训练步骤S230为“产生第i影像识别深度学习模型”，其包含驱动运算处理单元120依据深度学习演算法114训练Ni个标记数据以产生第i影像识别深度学习模型。
第二数据选取步骤S240为“从T-Mi个原始数据中选取Ni+1个原始数据”，其包含驱动运算处理单元120从T-Mi个原始数据112中选取Ni+1个原始数据112，其中Mi为正整数且Mi大于Ni+1，并满足下列条件：
Figure BDA0004003202590000041
须说明的是，Ni+1个原始数据112不同于Ni个原始数据112，即Ni+1个原始数据112是未经由深度学习演算法114训练的原始数据112。
数据推论步骤S250为“推论出Pi个推论结果并判断正确率是否大于等于门槛值”，其包含驱动运算处理单元120输入Pi个原始数据112至第i影像识别深度学习模型以推论出Pi个推论结果，并依据Pi个推论结果计算第i影像识别深度学习模型的正确率，然后判断正确率是否大于等于门槛值116，其中Pi为正整数，并满足下列条件：
Figure BDA0004003202590000051
进一步来说，存储单元110可更存储T个实际结果(Groundtruth)118，其分别对应T个原始数据。数据推论步骤S250可更包含驱动运算处理单元120从存储单元110中的T个实际结果118获得对应Pi个原始数据的Pi个实际结果118，然后依据Pi个实际结果118计算Pi个推论结果而产生第i影像识别深度学习模型的正确率。
当正确率大于等于门槛值116时，运算处理单元120接续执行模型判定步骤S260。其中模型判定步骤S260为“获得最终影像识别深度学习模型”，其包含驱动运算处理单元120判定第i影像识别深度学习模型为最终影像识别深度学习模型。当正确率小于门槛值116时，运算处理单元120接续执行数据再标记步骤S262与模型更新步骤S264，然后将i设为i+1并重复执行第二数据选取步骤S240及数据推论步骤S250，直到正确率大于等于门槛值116为止。
其中数据再标记步骤S262为“重新标记Pi个原始数据的至少一者以产生至少一再标记数据”，其包含驱动运算处理单元120重新标记Pi个原始数据112的至少一者以产生至少一再标记数据。须注意的是，于数据再标记步骤S262中，Pi个原始数据112的至少一者所对应的推论结果不符合实际结果118；换言之，在输入Pi个原始数据112至第i影像识别深度学习模型之后，运算处理单元120会重新标记推论结果有误的原始数据112。
其中模型更新步骤S264为“重新训练至少一再标记数据以更新第i影像识别深度学习模型”，其包含驱动运算处理单元120依据深度学习演算法114重新训练至少一再标记数据以更新第i影像识别深度学习模型。
借此，本揭示内容的影像识别深度学习模型的训练方法200从大量(T个)原始数据112中选取少量(Ni个)原始数据112，并建模影像识别深度学习模型，然后将训练过的原始数据112(即Ni个原始数据112)以及未训练的原始数据112(即Ni+1个原始数据112)输入至影像识别深度学习模型之后，再重新标记推论结果有误的原始数据112以反复训练且更新影像识别深度学习模型，借以令最终影像识别深度学习模型可快速收敛且同时保有高正确率。
请参照图3，其是绘示依照本揭示内容的第二实施例的影像识别深度学习模型的训练方法300的流程示意图。影像识别深度学习模型的训练方法300等同于图2的影像识别深度学习模型的训练方法200运行在n＝2的情境下，并包含第一数据选取步骤S310、数据标记步骤S320、模型训练步骤S330、第二数据选取步骤S340以及数据推论步骤S350，且可由图1的影像识别深度学习模型的训练系统100执行，以下即搭配图1所示的元件说明图3各步骤的细节。
第一数据选取步骤S310包含驱动运算处理单元120将30000个(T＝30000)原始数据112平均分群而产生5个原始数据群体，然后从各原始数据群体中平均选取60个原始数据112以集成300个(N1＝300)原始数据112。数据标记步骤S320包含驱动运算处理单元120对300个原始数据112进行标记以产生300个标记数据121。模型训练步骤S330包含驱动运算处理单元120依据深度学习演算法114训练300个标记数据121以产生第1影像识别深度学习模型122。第二数据选取步骤S340包含驱动运算处理单元120从29700个(T-M1＝T-N1＝30000-300)原始数据112中选取200个(N2＝200)原始数据112。数据推论步骤S350包含驱动运算处理单元120输入500个(N1+N2＝300+200＝500)原始数据112至第1影像识别深度学习模型122以推论出500个推论结果123，并依据500个实际结果118计算500个推论结果123而产生第1影像识别深度学习模型122的正确率1221，然后判断正确率1221是否大于等于门槛值116。
于第三实施例中，门槛值116可设为0.9，正确率1221可为0.88，因此正确率1221小于门槛值116(即否)。运算处理单元120接续执行数据再标记步骤S362与模型更新步骤S364。数据再标记步骤S362包含驱动运算处理单元120重新标记推论结果123不符合实际结果118的至少一原始数据112以产生至少一再标记数据124。模型更新步骤S364包含驱动运算处理单元120依据深度学习演算法114重新训练至少一再标记数据124以更新第1影像识别深度学习模型122为一第2影像识别深度学习模型125。接着，运算处理单元120再执行第二数据选取步骤S340及数据推论步骤S350。
于执行第2次的第二数据选取步骤S340中，运算处理单元120从29500个(T-M2＝T-(N1+N2)＝30000-500)原始数据112中选取120个(N3＝120)原始数据112。于执行第2次的数据推论步骤S350中，运算处理单元120输入620个(N1+N2+N3＝300+200+120＝620)原始数据112至第2影像识别深度学习模型125以推论出620个推论结果126，并依据620个实际结果118计算620个推论结果126而产生第2影像识别深度学习模型125的正确率1251，然后判断正确率1251是否大于等于门槛值116，其中正确率1251可为0.98，且正确率1251大于等于门槛值116(即是)。因此，运算处理单元120接续执行模型判定步骤S360。模型判定步骤S360包含驱动运算处理单元120判定第2影像识别深度学习模型125为最终影像识别深度学习模型。借此，本揭示内容的影像识别深度学习模型的训练方法300经由重新训练再标记数据124以更新第1影像识别深度学习模型122，使得最终影像识别深度学习模型可快速收敛且同时保有高正确率，其中最终影像识别深度学习模型的正确率可高达98％，但是所花费的总时程相较于现有的监督式学习却能够节省97.6％的时间。
由上述实施方式可知，本揭示内容具有下列优点：其一，仅对少量原始数据进行标记与分类，可大大缩减训练模型的开发时程。其二，通过平均分群原始数据的方式可使标记数据(即训练数据)对于不同特征的数据会具有相同的数量，进而可加快最终影像识别深度学习模型的收敛速度。其三，利用重新标记推论结果有误的原始数据以反复训练且更新影像识别深度学习模型，不仅使得最终影像识别深度学习模型可快速收敛，同时还能保有高正确率。
虽然本揭示内容已以实施方式公开如上，然其并非用以限定本揭示内容，任何熟习此技艺者，在不脱离本揭示内容的精神和范围内，当可作各种的更动与润饰，因此本揭示内容的保护范围当视后附的权利要求所界定者为准。

Claims (7)

1.一种影像识别深度学习模型的训练方法，用以获得一最终影像识别深度学习模型，其特征在于，该影像识别深度学习模型的训练方法包含以下步骤：
一第一数据选取步骤，包含从T个原始数据中选取Ni个原始数据，其中i＝1～n，且T、Ni、i及n均为正整数；
一数据标记步骤，包含对该Ni个原始数据进行标记以产生Ni个标记数据；
一模型训练步骤，包含依据一深度学习演算法训练该Ni个标记数据以产生一第i影像识别深度学习模型；
一第二数据选取步骤，包含从T-Mi个原始数据中选取Ni+1个原始数据，其中Mi为正整数；以及
一数据推论步骤，包含输入Pi个原始数据至该第i影像识别深度学习模型以推论出Pi个推论结果，并依据该Pi个推论结果计算该第i影像识别深度学习模型的一正确率，然后判断该正确率是否大于等于一门槛值，其中Pi为正整数；
其中，当该正确率大于等于该门槛值时，该第i影像识别深度学习模型为该最终影像识别深度学习模型；
其中，当该正确率小于该门槛值时，执行一数据再标记步骤与一模型更新步骤，然后将i设为i+1并重复执行该第二数据选取步骤及该数据推论步骤，直到该正确率大于等于该门槛值为止；
其中，该数据再标记步骤包含重新标记该Pi个原始数据的至少一者以产生至少一再标记数据；
其中，该模型更新步骤包含依据该深度学习演算法重新训练该至少一再标记数据以更新该第i影像识别深度学习模型。
2.如权利要求1所述的影像识别深度学习模型的训练方法，其特征在于，该第一数据选取步骤更包含：
将该T个原始数据分群为多个原始数据群体，然后从各该原始数据群体中选取部分原始数据以集成该Ni个原始数据。
3.如权利要求1所述的影像识别深度学习模型的训练方法，其特征在于，Mi满足下列条件：
Figure FDA0004003202580000021
4.如权利要求1所述的影像识别深度学习模型的训练方法，其特征在于，该Ni+1个原始数据不同于该Ni个原始数据。
5.如权利要求1所述的影像识别深度学习模型的训练方法，其特征在于，Pi满足下列条件：
Figure FDA0004003202580000022
6.如权利要求1所述的影像识别深度学习模型的训练方法，其特征在于，该数据推论步骤更包含：
从存储单元获得对应该Pi个原始数据的Pi个实际结果，然后依据该Pi个实际结果计算该Pi个推论结果而产生该正确率。
7.如权利要求6所述的影像识别深度学习模型的训练方法，其特征在于，于该数据再标记步骤中，该Pi个原始数据的该至少一者所对应的该推论结果不符合该实际结果。
CN202211623916.3A 2022-12-16 2022-12-16 影像识别深度学习模型的训练方法 Pending CN116342923A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211623916.3A CN116342923A (zh) 2022-12-16 2022-12-16 影像识别深度学习模型的训练方法
TW112100134A TWI815762B (zh) 2022-12-16 2023-01-03 影像識別深度學習模型的訓練方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211623916.3A CN116342923A (zh) 2022-12-16 2022-12-16 影像识别深度学习模型的训练方法

Publications (1)

Publication Number Publication Date
CN116342923A true CN116342923A (zh) 2023-06-27

Family

ID=86876396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211623916.3A Pending CN116342923A (zh) 2022-12-16 2022-12-16 影像识别深度学习模型的训练方法

Country Status (2)

Country Link
CN (1) CN116342923A (zh)
TW (1) TWI815762B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12014530B2 (en) * 2018-12-21 2024-06-18 Hitachi High-Tech Corporation Image recognition device and method
TWI833010B (zh) * 2019-07-23 2024-02-21 緯創資通股份有限公司 影像辨識裝置、影像辨識方法及其電腦程式產品
CN113420797B (zh) * 2021-06-08 2023-05-30 杭州知衣科技有限公司 一种可在线学习的图像属性识别方法及系统
CN113344791B (zh) * 2021-07-05 2022-06-10 中山大学 基于空洞卷积和特征融合的双目超分辨率图像检测方法、系统及介质
CN114492574A (zh) * 2021-12-22 2022-05-13 中国矿业大学 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法

Also Published As

Publication number Publication date
TW202427273A (zh) 2024-07-01
TWI815762B (zh) 2023-09-11

Similar Documents

Publication Publication Date Title
US8923608B2 (en) Pre-screening training data for classifiers
Simon et al. Generalized orderless pooling performs implicit salient matching
CN112560964A (zh) 基于半监督学习训练中草药病虫害识别模型的方法与系统
CN111046178A (zh) 一种文本序列生成方法及其系统
CN111027292B (zh) 一种限定采样文本序列生成方法及其系统
CN109522970A (zh) 图像分类方法、装置及系统
JP6107531B2 (ja) 特徴抽出プログラム及び情報処理装置
CN109615080B (zh) 无监督模型评估方法、装置、服务器及可读存储介质
CN117765480B (zh) 一种道路沿线野生动物迁徙预警方法及系统
CN115511069A (zh) 神经网络的训练方法、数据处理方法、设备及存储介质
CN112149825A (zh) 神经网络模型的训练方法及装置、电子设备、存储介质
CN112347957A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN117893839B (zh) 一种基于图注意力机制的多标记分类方法及系统
JP7073171B2 (ja) 学習装置、学習方法及びプログラム
CN115115828A (zh) 数据处理方法、装置、程序产品、计算机设备和介质
CN111666991A (zh) 基于卷积神经网络的模式识别方法、装置和计算机设备
CN117312865A (zh) 基于非线性动态优化的数据分类模型的构建方法及装置
CN116342923A (zh) 影像识别深度学习模型的训练方法
CN111401394B (zh) 一种图像标注方法及装置、计算机可读存储介质
JP2019028484A (ja) 属性識別装置、属性識別モデル学習装置、方法、及びプログラム
KR102303111B1 (ko) 기계학습 기반 소프트웨어의 학습데이터 품질 평가 방법
CN114139629A (zh) 基于度量学习的自引导式混合数据表征学习方法及系统
CN114359796A (zh) 一种目标识别的方法、装置及电子设备
CN112906871A (zh) 基于混合多层神经网络模型的温度预测方法及系统
CN109657710B (zh) 数据筛选方法、装置、服务器及存储介质

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