JP2021532502A - ニューラルネットワークモデル訓練方法、装置、コンピュータ機器および記憶媒体 - Google Patents
ニューラルネットワークモデル訓練方法、装置、コンピュータ機器および記憶媒体 Download PDFInfo
- Publication number
- JP2021532502A JP2021532502A JP2021506734A JP2021506734A JP2021532502A JP 2021532502 A JP2021532502 A JP 2021532502A JP 2021506734 A JP2021506734 A JP 2021506734A JP 2021506734 A JP2021506734 A JP 2021506734A JP 2021532502 A JP2021532502 A JP 2021532502A
- Authority
- JP
- Japan
- Prior art keywords
- training
- sample
- neural network
- network model
- model
- 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.)
- Granted
Links
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
- 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
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
Description
である。
第2の計算モジュール105は、前記各訓練サンプルの特徴ベクトルと前記各比較サンプルの特徴ベクトルとの間のコサイン距離を計算することと、前記各訓練サンプルの特徴ベクトルと前記各比較サンプルの特徴ベクトルとの間のコサイン距離を前記各訓練サンプルと前記各比較サンプルとの間の類似度として使用することと、に使用されるということを含む。
Claims (20)
- 訓練セットの訓練サンプルに基づいてディープニューラルネットワークモデルを訓練して、訓練されたディープニューラルネットワークモデルを取得することと、
前記訓練されたディープニューラルネットワークモデルに基づいて、検証セットおよび/またはテストセットを含む参照セットの全ての参照サンプルに対してデータ検証を実行して、前記全ての参照サンプルのそれぞれについてのモデル予測値を取得することと、
事前にデータラべリングを行った前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することと、
前記参照サンプルの中で、差異測定指標が所定の閾値以下である全ての目標参照サンプルを比較サンプルとして使用することと、
前記訓練セット中の訓練サンプルと前記各比較サンプルとの間の類似度を計算することと、
前記比較サンプルとの間の類似度が所定の増幅条件を満たす訓練サンプルを増幅対象となるサンプルとして使用することと、
前記増幅対象となるサンプルのデータを増幅して、目標訓練サンプルを取得することと、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで訓練することと、を含むことを特徴とするニューラルネットワークモデル訓練方法。 - 上述した前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで訓練することは、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セットの全ての検証サンプルのそれぞれに対応する差異測定指標が前記所定の閾値以下になるまで訓練すること、を含むことを特徴とする請求項1に記載のニューラルネットワークモデル訓練方法。 - 上述した前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することは、
前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、
前記差異測定指標の種類に基づいて、前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することと、を含むことを特徴とする請求項1または2に記載のニューラルネットワークモデル訓練方法。 - 上述した前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することは、
差異測定指標の種類と、ディープニューラルネットワークモデルの役割を指示するためのモデル役割指示文字との間の対応関係とを含む所定指標の対応リストを取得することと、
前記訓練されたディープニューラルネットワークモデルに対応するモデル役割指示文字を決定することと、
前記差異測定指標とモデル役割指示文字との間の対応関係、および前記訓練されたディープニューラルネットワークモデルに対応するモデル役割指示文字に基づいて、前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、を含むことを特徴とする請求項3に記載のニューラルネットワークモデル訓練方法。 - 前記差異測定指標の種類は、クロスエントロピー係数、ジャカード係数およびdice係数を含み、ここで、ディープニューラルネットワークモデルが画像分類に使用されることを指示するためのモデル役割指示文字は、前記クロスエントロピー係数に対応し、ディープニューラルネットワークモデルが画像分割に使用されることを指示するためのモデル役割指示文字は、前記ジャカード係数またはdice係数に対応することを特徴とする請求項4に記載のニューラルネットワークモデル訓練方法。
- 上記した前記訓練セット中の訓練サンプルと前記比較サンプルとの間の類似度を計算することは、
畳み込みニューラルネットワークに基づいて訓練して得られた特徴抽出モデルである所定特徴抽出モデルに基づいて、前記訓練セットの各訓練サンプルに対して特徴抽出を行って各訓練サンプルの特徴ベクトルを取得することと、
前記所定特徴抽出モデルに基づいて、前記比較サンプルに対して特徴抽出を行って各比較サンプルの特徴ベクトルを取得することと、
前記各訓練サンプルの特徴ベクトルと前記各比較サンプルの特徴ベクトルに基づいて、前記訓練セット中の訓練サンプルと前記比較サンプルとの間の類似度を計算することと、を含むことを特徴とする請求項1または2に記載のニューラルネットワークモデル訓練方法。 - 上述した前記各訓練サンプルの特徴ベクトルと前記各比較サンプルの特徴ベクトルに基づいて、前記訓練セット中の訓練サンプルと前記比較サンプルとの間の類似度を計算することは、
前記各訓練サンプルの特徴ベクトルと前記各比較サンプルの特徴ベクトルとの間のコサイン距離を計算することと、
前記各訓練サンプルの特徴ベクトルと前記各比較サンプルの特徴ベクトルとの間のコサイン距離を前記各訓練サンプルと前記各比較サンプルとの間の類似度として使用することと、を含むことを特徴とする請求項6に記載のニューラルネットワークモデル訓練方法。 - 訓練セットの訓練サンプルに基づいてディープニューラルネットワークモデルを訓練して、訓練されたディープニューラルネットワークモデルを取得するための訓練モジュールと、
前記訓練モジュールの訓練によって得られた前記訓練されたディープニューラルネットワークモデルに基づいて、検証セットおよび/またはテストセットを含む参照セットの全ての参照サンプルに対してデータ検証を実行して、
前記全ての参照サンプルのそれぞれについてのモデル予測値を取得するための検証モジュールと、
前記検証モジュールの検証によって得られた、事前にデータラべリングを行った前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算するための第1の計算モジュールと、
全ての前記参照サンプル中の、前記第1の計算モジュールによって計算された差異測定指標が所定の閾値以下である目標参照サンプルを比較サンプルとして決定するための第1の決定モジュールと、
前記訓練セット中の訓練サンプルと前記第1の決定モジュールによって決定された前記各比較サンプルとの間の類似度を計算するための第2の計算モジュールと、
前記第2の計算モジュールによって計算された前記比較サンプルとの間の類似度が所定の増幅条件を満たす訓練サンプルを増幅対象となるサンプルとして決定するための第2の決定モジュールと、
前記第2の決定モジュールによって決定された前記増幅対象となるサンプルに対してデータ増幅を実行して、目標訓練サンプルを取得するための増幅モジュールと、を含み、
ここで、前記訓練モジュールは、前記訓練サンプルの増幅によって得られた前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで再訓練するために使用されることを特徴とするニューラルネットワークモデル訓練装置。 - 前記訓練モジュールは、具体的には、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのそれぞれに対応する差異測定指標が前記所定の閾値以下になるまで訓練すること、に使用されることを特徴とする請求項8に記載のニューラルネットワークモデル訓練装置。 - 第1の計算モジュールは、具体的には、
前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、
前記差異測定指標の種類に基づいて、前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することと、に使用されることを特徴とする請求項8または9に記載のニューラルネットワークモデル訓練装置。 - メモリ、プロセッサ、および前記メモリに記憶され、前記プロセッサ上で実行可能なコンピュータ可読命令からなるコンピュータ機器であって、前記プロセッサは、前記コンピュータ可読命令を実行すると、以下のステップ、すなわち
訓練セットの訓練サンプルに基づいてディープニューラルネットワークモデルを訓練して、訓練されたディープニューラルネットワークモデルを取得するステップと、
前記訓練されたディープニューラルネットワークモデルに基づいて、検証セットおよび/またはテストセットを含む参照セットの全ての参照サンプルに対してデータ検証を実行して、前記全ての参照サンプルのそれぞれについてのモデル予測値を取得するステップと、
事前にデータラべリングを行った前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算するステップと、
前記参照サンプルの中で、差異測定指標が所定の閾値以下である全ての目標参照サンプルを比較サンプルとして使用するステップと、
前記訓練セット中の訓練サンプルと前記各比較サンプルとの間の類似度を計算するステップと、
前記比較サンプルとの間の類似度が所定の増幅条件を満たす訓練サンプルを増幅対象となるサンプルとして使用するステップと、
前記増幅対象となるサンプルのデータを増幅して、目標訓練サンプルを取得するステップと、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで訓練するステップと、を実現することを特徴とするコンピュータ機器。 - 上述した前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで訓練することは、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのそれぞれに対応する差異測定指標が前記所定の閾値以下になるまで訓練すること、を含むことを特徴とする請求項11に記載のコンピュータ機器。 - 上述した前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することは、
前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、
前記差異測定指標の種類に基づいて、前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することと、を含むことを特徴とする請求項11または12に記載のコンピュータ機器。 - 上述した前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することは、
差異測定指標の種類と、ディープニューラルネットワークモデルの役割を指示するためのモデル役割指示文字との間の対応関係とを含む所定指標の対応リストを取得することと、
前記訓練されたディープニューラルネットワークモデルに対応するモデル役割指示文字を決定することと、
前記差異測定指標とモデル役割指示文字との間の対応関係、および前記訓練されたディープニューラルネットワークモデルに対応するモデル役割指示文字に基づいて、前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、を含むことを特徴とする請求項13に記載のコンピュータ機器。 - 前記差異測定指標の種類は、クロスエントロピー係数、ジャカード係数およびdice係数を含み、ここで、ディープニューラルネットワークモデルが画像分類に使用されることを指示するためのモデル役割指示文字は、前記クロスエントロピー係数に対応し、ディープニューラルネットワークモデルが画像分割に使用されることを指示するためのモデル役割指示文字は、前記ジャカード係数またはdice係数に対応することを特徴とする請求項14に記載のコンピュータ機器。
- 前記コンピュータ可読命令が1つ以上のプロセッサによって実行されると、1つ以上の前記プロセッサに、以下のステップ、すなわち、
訓練セットの訓練サンプルに基づいてディープニューラルネットワークモデルを訓練して、訓練されたディープニューラルネットワークモデルを取得するステップと、
前記訓練されたディープニューラルネットワークモデルに基づいて、検証セットおよび/またはテストセットを含む参照セットの全ての参照サンプルに対してデータ検証を実行して、前記全ての参照サンプルのそれぞれについてのモデル予測値を取得するステップと、
事前にデータラべリングを行った前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算するステップと、
前記参照サンプルの中で、差異測定指標が所定の閾値以下である全ての目標参照サンプルを比較サンプルとして使用するステップと、
前記訓練セット中の訓練サンプルと前記各比較サンプルとの間の類似度を計算するステップと、
前記比較サンプルとの間の類似度が所定の増幅条件を満たす訓練サンプルを増幅対象となるサンプルとして使用するステップと、
前記増幅対象となるサンプルのデータを増幅して、目標訓練サンプルを取得するステップと、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで訓練するステップと、を実行させることを特徴とするコンピュータ可読命令が記憶されている1つ以上の不揮発性可読記憶媒体。 - 上述した前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのモデル予測値が所定訓練終了条件を満たすまで訓練することは、
前記目標訓練サンプルを前記訓練セット中の訓練サンプルとして前記訓練されたディープニューラルネットワークモデルを、前記検証セット中の全ての検証サンプルのそれぞれに対応する差異測定指標が前記所定の閾値以下になるまで訓練すること、を含むことを特徴とする請求項16に記載の不揮発性可読記憶媒体。 - 上述した前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することは、
前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、
前記差異測定指標の種類に基づいて、前記各参照サンプルのモデル予測値と前記各参照サンプルに対応する真のラべリングとの間の差異測定指標を計算することと、を含むことを特徴とする請求項16または17に記載の不揮発性可読記憶媒体。 - 上述した前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することは、
差異測定指標の種類と、ディープニューラルネットワークモデルの役割を指示するためのモデル役割指示文字との間の対応関係とを含む所定指標の対応リストを取得することと、
前記訓練されたディープニューラルネットワークモデルに対応するモデル役割指示文字を決定することと、
前記差異測定指標とモデル役割指示文字との間の対応関係、および前記訓練されたディープニューラルネットワークモデルに対応するモデル役割指示文字に基づいて、前記訓練されたディープニューラルネットワークモデルによって使用される差異測定指標の種類を決定することと、を含むことを特徴とする請求項18に記載の不揮発性可読記憶媒体。 - 前記差異測定指標の種類は、クロスエントロピー係数、ジャカード係数およびdice係数を含み、ここで、ディープニューラルネットワークモデルが画像分類に使用されることを指示するためのモデル役割指示文字は、前記クロスエントロピー係数に対応し、ディープニューラルネットワークモデルが画像分割に使用されることを指示するためのモデル役割指示文字は、前記ジャカード係数またはdice係数に対応することを特徴とする請求項19に記載の不揮発性可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008317.2A CN109840588B (zh) | 2019-01-04 | 2019-01-04 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
CN201910008317.2 | 2019-01-04 | ||
PCT/CN2019/089194 WO2020140377A1 (zh) | 2019-01-04 | 2019-05-30 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021532502A true JP2021532502A (ja) | 2021-11-25 |
JP7167306B2 JP7167306B2 (ja) | 2022-11-08 |
Family
ID=66883678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021506734A Active JP7167306B2 (ja) | 2019-01-04 | 2019-05-30 | ニューラルネットワークモデル訓練方法、装置、コンピュータ機器および記憶媒体 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210295162A1 (ja) |
JP (1) | JP7167306B2 (ja) |
CN (1) | CN109840588B (ja) |
SG (1) | SG11202008322UA (ja) |
WO (1) | WO2020140377A1 (ja) |
Families Citing this family (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245662B (zh) * | 2019-06-18 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 检测模型训练方法、装置、计算机设备和存储介质 |
CN110245721B (zh) * | 2019-06-25 | 2023-09-05 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
CN112183757B (zh) * | 2019-07-04 | 2023-10-27 | 创新先进技术有限公司 | 模型训练方法、装置及系统 |
CN112183166B (zh) * | 2019-07-04 | 2024-07-02 | 北京地平线机器人技术研发有限公司 | 确定训练样本的方法、装置和电子设备 |
CN110348509B (zh) * | 2019-07-08 | 2021-12-14 | 睿魔智能科技(深圳)有限公司 | 数据增广参数的调整方法、装置、设备及存储介质 |
CN110543182B (zh) * | 2019-09-11 | 2022-03-15 | 济宁学院 | 一种小型无人旋翼机自主着陆控制方法及系统 |
CN112541515A (zh) * | 2019-09-23 | 2021-03-23 | 北京京东乾石科技有限公司 | 模型训练方法、驾驶数据处理方法、装置、介质和设备 |
CN110688471B (zh) * | 2019-09-30 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 训练样本获取方法、装置及设备 |
CN112711643B (zh) * | 2019-10-25 | 2023-10-10 | 北京达佳互联信息技术有限公司 | 训练样本集获取方法及装置、电子设备、存储介质 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
CN113051969A (zh) * | 2019-12-26 | 2021-06-29 | 深圳市超捷通讯有限公司 | 物件识别模型训练方法及车载装置 |
CN113093967A (zh) * | 2020-01-08 | 2021-07-09 | 富泰华工业(深圳)有限公司 | 数据生成方法、装置、计算机装置及存储介质 |
KR20210106814A (ko) * | 2020-02-21 | 2021-08-31 | 삼성전자주식회사 | 뉴럴 네트워크 학습 방법 및 장치 |
CN113496227A (zh) * | 2020-04-08 | 2021-10-12 | 顺丰科技有限公司 | 一种字符识别模型的训练方法、装置、服务器及存储介质 |
CN111814821B (zh) * | 2020-05-21 | 2024-06-18 | 北京迈格威科技有限公司 | 深度学习模型的建立方法、样本处理方法及装置 |
CN113743426A (zh) * | 2020-05-27 | 2021-12-03 | 华为技术有限公司 | 一种训练方法、装置、设备以及计算机可读存储介质 |
CN113827233A (zh) * | 2020-06-24 | 2021-12-24 | 京东方科技集团股份有限公司 | 用户特征值检测方法及装置、存储介质及电子设备 |
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
CN111783902B (zh) * | 2020-07-30 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 数据增广、业务处理方法、装置、计算机设备和存储介质 |
CN112087272B (zh) * | 2020-08-04 | 2022-07-19 | 中电科思仪科技股份有限公司 | 一种电磁频谱监测接收机信号自动检测方法 |
CN112163074A (zh) * | 2020-09-11 | 2021-01-01 | 北京三快在线科技有限公司 | 用户意图识别方法、装置、可读存储介质及电子设备 |
CN112184640A (zh) * | 2020-09-15 | 2021-01-05 | 中保车服科技服务股份有限公司 | 一种图像检测模型的构建及图像检测方法和装置 |
CN112149733B (zh) * | 2020-09-23 | 2024-04-05 | 北京金山云网络技术有限公司 | 模型训练、质量确定方法、装置、电子设备及存储介质 |
CN112148895B (zh) * | 2020-09-25 | 2024-01-23 | 北京百度网讯科技有限公司 | 检索模型的训练方法、装置、设备和计算机存储介质 |
CN112364999B (zh) * | 2020-10-19 | 2021-11-19 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
CN112257075A (zh) * | 2020-11-11 | 2021-01-22 | 福建有度网络安全技术有限公司 | 内网环境下的系统漏洞检测方法、装置、设备及存储介质 |
CN112419098B (zh) * | 2020-12-10 | 2024-01-30 | 清华大学 | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 |
CN112560988B (zh) * | 2020-12-25 | 2023-09-19 | 竹间智能科技(上海)有限公司 | 一种模型训练方法及装置 |
CN112766320B (zh) * | 2020-12-31 | 2023-12-22 | 平安科技(深圳)有限公司 | 一种分类模型训练方法及计算机设备 |
CN112990455A (zh) * | 2021-02-23 | 2021-06-18 | 北京明略软件系统有限公司 | 网络模型的发布方法及装置、存储介质、电子设备 |
CN112927013B (zh) * | 2021-02-24 | 2023-11-10 | 国网数字科技控股有限公司 | 一种资产价值预测模型构建方法、资产价值预测方法 |
CN113033665A (zh) * | 2021-03-26 | 2021-06-25 | 北京沃东天骏信息技术有限公司 | 样本扩展方法、训练方法和系统、及样本学习系统 |
CN113139609B (zh) * | 2021-04-29 | 2023-12-29 | 国网甘肃省电力公司白银供电公司 | 基于闭环反馈的模型校正方法、装置和计算机设备 |
CN113743448B (zh) * | 2021-07-15 | 2024-04-30 | 上海朋熙半导体有限公司 | 模型训练数据获取方法、模型训练方法和装置 |
CN113610228B (zh) * | 2021-08-06 | 2024-03-05 | 脸萌有限公司 | 神经网络模型的构建方法及装置 |
CN113762286A (zh) * | 2021-09-16 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 数据模型训练方法、装置、设备及介质 |
CN113570007B (zh) * | 2021-09-27 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 |
CN114154697A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 房屋维修资源的预测方法、装置、计算机设备和存储介质 |
WO2023126468A1 (en) * | 2021-12-30 | 2023-07-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods for inter-node verification of aiml models |
CN114118305A (zh) * | 2022-01-25 | 2022-03-01 | 广州市玄武无线科技股份有限公司 | 一种样本筛选方法、装置、设备及计算机介质 |
CN116703739A (zh) * | 2022-02-25 | 2023-09-05 | 索尼集团公司 | 图像增强方法及设备 |
CN114663483A (zh) * | 2022-03-09 | 2022-06-24 | 平安科技(深圳)有限公司 | 单目深度估计模型的训练方法、装置、设备及存储介质 |
CN114637263B (zh) * | 2022-03-15 | 2024-01-12 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN114724162A (zh) * | 2022-03-15 | 2022-07-08 | 平安科技(深圳)有限公司 | 文本识别模型的训练方法、装置、计算机设备及存储介质 |
CN116933874A (zh) * | 2022-04-02 | 2023-10-24 | 维沃移动通信有限公司 | 验证方法、装置及设备 |
CN115184395A (zh) * | 2022-05-25 | 2022-10-14 | 北京市农林科学院信息技术研究中心 | 果蔬失重率预测方法、装置、电子设备及存储介质 |
CN115277626B (zh) * | 2022-07-29 | 2023-07-25 | 平安科技(深圳)有限公司 | 地址信息转换方法、电子设备和计算机可读存储介质 |
CN115660508A (zh) * | 2022-12-13 | 2023-01-31 | 湖南三湘银行股份有限公司 | 一种基于bp神经网络的员工绩效考核评价方法 |
CN115858819B (zh) * | 2023-01-29 | 2023-05-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种样本数据的增广方法及装置 |
CN117318052B (zh) * | 2023-11-28 | 2024-03-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
CN118071110A (zh) * | 2024-04-17 | 2024-05-24 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于机器学习的设备参数自适应调整方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120023387A (ko) * | 2010-09-03 | 2012-03-13 | 서강대학교산학협력단 | 형태적 중의성 동사 분석 장치, 방법 및 그 기록 매체 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679190B (zh) * | 2012-09-20 | 2019-03-01 | 富士通株式会社 | 分类装置、分类方法以及电子设备 |
CN103679160B (zh) * | 2014-01-03 | 2017-03-22 | 苏州大学 | 一种人脸识别方法和装置 |
CN104899579A (zh) * | 2015-06-29 | 2015-09-09 | 小米科技有限责任公司 | 人脸识别方法和装置 |
US11205119B2 (en) * | 2015-12-22 | 2021-12-21 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
CN106021364B (zh) * | 2016-05-10 | 2017-12-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
US11222263B2 (en) * | 2016-07-28 | 2022-01-11 | Samsung Electronics Co., Ltd. | Neural network method and apparatus |
US9824692B1 (en) * | 2016-09-12 | 2017-11-21 | Pindrop Security, Inc. | End-to-end speaker recognition using deep neural network |
US11068781B2 (en) * | 2016-10-07 | 2021-07-20 | Nvidia Corporation | Temporal ensembling for semi-supervised learning |
CN107247991A (zh) * | 2017-06-15 | 2017-10-13 | 北京图森未来科技有限公司 | 一种构建神经网络的方法及装置 |
CN110969250B (zh) * | 2017-06-15 | 2023-11-10 | 北京图森智途科技有限公司 | 一种神经网络训练方法及装置 |
CN108304936B (zh) * | 2017-07-12 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法和装置、表情图像分类方法和装置 |
CN108829683B (zh) * | 2018-06-29 | 2022-06-10 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
CN109117744A (zh) * | 2018-07-20 | 2019-01-01 | 杭州电子科技大学 | 一种用于人脸验证的孪生神经网络训练方法 |
-
2019
- 2019-01-04 CN CN201910008317.2A patent/CN109840588B/zh active Active
- 2019-05-30 SG SG11202008322UA patent/SG11202008322UA/en unknown
- 2019-05-30 JP JP2021506734A patent/JP7167306B2/ja active Active
- 2019-05-30 US US17/264,307 patent/US20210295162A1/en active Pending
- 2019-05-30 WO PCT/CN2019/089194 patent/WO2020140377A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120023387A (ko) * | 2010-09-03 | 2012-03-13 | 서강대학교산학협력단 | 형태적 중의성 동사 분석 장치, 방법 및 그 기록 매체 |
Non-Patent Citations (3)
Title |
---|
「拡増の意味 - 中国語辞書 - WEBLIO日中中日辞典」, JPN6022014506, 8 April 2022 (2022-04-08), ISSN: 0004754411 * |
FRANCOIS CHOLLET[著],株式会社クイープ[訳],巣籠悠輔[監訳], 「PYTHONとKERASによるディープラーニング」, vol. 初版, JPN6022014508, 23 May 2018 (2018-05-23), JP, pages 144 - 148, ISSN: 0004754409 * |
高橋良(外2名): "「画像パッチワークによる新しいdata augmentationの提案」", 電子情報通信学会技術研究報告, vol. 118, no. 220, JPN6022014509, 13 September 2018 (2018-09-13), JP, pages 47 - 54, ISSN: 0004754410 * |
Also Published As
Publication number | Publication date |
---|---|
JP7167306B2 (ja) | 2022-11-08 |
US20210295162A1 (en) | 2021-09-23 |
WO2020140377A1 (zh) | 2020-07-09 |
CN109840588A (zh) | 2019-06-04 |
CN109840588B (zh) | 2023-09-08 |
SG11202008322UA (en) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021532502A (ja) | ニューラルネットワークモデル訓練方法、装置、コンピュータ機器および記憶媒体 | |
KR102461631B1 (ko) | 데이터의 결측치 보정 방법 및 장치 | |
CN110941555B (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
WO2017133615A1 (zh) | 一种业务参数获取方法及装置 | |
CN110232678B (zh) | 一种图像不确定度预测方法、装置、设备及存储介质 | |
CN109583594B (zh) | 深度学习训练方法、装置、设备及可读存储介质 | |
JP6636883B2 (ja) | 評価装置、評価方法、および評価プログラム | |
CN110880014B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
WO2016188498A1 (zh) | 一种无线网络吞吐量的评估方法及装置 | |
CN107798245B (zh) | 一种基于组件依赖图的软件安全漏洞预测方法 | |
KR101852527B1 (ko) | 기계학습 기반의 동적 시뮬레이션 파라미터 교정 방법 | |
CN111694714A (zh) | 一种众核芯片功耗估算方法、装置、设备及可读存储介质 | |
CN111881477A (zh) | 数据内容的标引方法、装置、计算机设备及存储介质 | |
CN113158435B (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
CN110968802A (zh) | 一种用户特征的分析方法、分析装置及可读存储介质 | |
KR101405309B1 (ko) | 소셜 네트워크 서비스 데이터에 기반한 질병 확산 상황 예측 장치 및 방법 | |
CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
Kamiński | Interval metamodels for the analysis of simulation Input–Output relations | |
JP2016040580A (ja) | 難易度推定装置、問題生成装置、問題出題装置、難易度推定方法、問題生成方法、問題出題方法およびプログラム | |
CN108133234B (zh) | 基于稀疏子集选择算法的社区检测方法、装置及设备 | |
JP6398991B2 (ja) | モデル推定装置、方法およびプログラム | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
KR102502880B1 (ko) | 베이지안 최대엔트로피모델 추정 및 뇌 기능 동적 특성 평가 방법 | |
JP2022505341A (ja) | パフォーマンス特性に従って選択的にプログラムを計装するためのシステム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220419 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20220620 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220630 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221011 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7167306 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |