-
公开(公告)号：CN101877143B
公开(公告)日：2012-07-04
申请号：CN200910242340.4
申请日：2009-12-09
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开一种二维图像组的三维场景重建方法，该方法包括以下步骤：步骤S1：输入图像组中每幅图像计算各像素的视觉关注度评价；步骤S2：在输入图像组的各幅图像上提取尺度不变特征变换特征点，并且对图像组中两两图像上的特征点进行匹配和选择，获得的匹配特征点，匹配和选择的原则包括特征点对的特征空间相似度以及获得的特征点相对应的视觉关注度；步骤S3：利用获得的匹配特征点对对摄像机参数进行估计；步骤S4：用选取的匹配特征点对、相应特征点的关注度评价以及估计得到的摄像机参数求取优化的三维场景模型。
-
公开(公告)号：CN101470898A
公开(公告)日：2009-07-01
申请号：CN200710304226.0
申请日：2007-12-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明提出双人跳水同步性分析的方法，主要包括：双人跳水动作视频中，基于动态背景重建的运动目标提取；基于跳水规则中同步性评分要素的同步性特征的表示和提取；采用偏好性统计学习方法构造同步性评价函数来进行同步性评价的方法。本发明能自动提取双人跳水动作视频中的运动员外轮廓。本发明根据跳水规则提出了有效的表示同步性特征的方法。本发明还把偏好性统计学习中常用的排序的思想引入到双人跳水动作视频的同步性评价函数构造问题中，把绝对分值问题转化成相对排序问题。最终，通过计算双人跳水动作视频的同步性评价函数值能够对双人跳水的同步性进行自动评定。本发明能够准确有效地自动评判双人跳水的同步性。
-
公开(公告)号：CN119249360B
公开(公告)日：2025-05-20
申请号：CN202411767208.6
申请日：2024-12-04
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
Abstract: 本发明公开了一种离线强化学习和持续在线微调的决策方法和模型，该方法包括获取原始文本‑图像对数据和历史轨迹数据，通过特征匹配验证和标准化处理得到增强状态序列；利用多层级注意力机制进行序列预测，并通过知识蒸馏和任务适应性增强得到预训练模型参数；基于稳定性评估和可塑性控制对模型进行在线知识迁移，结合经验回放优化得到优化后模型参数；最后进行多维度性能评估和资源优化。本发明通过多模态特征融合、动态知识迁移和自适应优化机制，有效解决了特征表示不充分、灾难性遗忘和优化效率低等问题，提高了模型的学习效率和泛化能力。
-
公开(公告)号：CN119576555A
公开(公告)日：2025-03-07
申请号：CN202411655388.9
申请日：2024-11-19
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提供一种面向决策大模型的多级异构内存协同调度方法，包括获取异构内存系统的硬件配置信息和初始状态信息，基于爱尔朗分布族构建突发访存模型，结合自适应分层采样获取动态访存特征；采用多维效能度量和层级亲和度矩阵表征内存系统状态；接着基于广义极值理论预测负载特征，构建增广拉格朗日优化模型生成资源分配方案；通过帕累托优化算法制定数据迁移策略；引入汤普森采样的动态参数调整和基于组合预警指标的异常处理机制。本发明能够精确刻画访存特征、优化资源分配、降低迁移开销，提升决策大模型训练效率。
-
公开(公告)号：CN119006959B
公开(公告)日：2025-01-21
申请号：CN202411455251.9
申请日：2024-10-17
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本公开涉及人工智能领域，提供一种基于卷积的大模型微调加速方法及装置，所述方法包括：获取经过预训练的大模型和微调训练数据；在所述大模型的自注意力模块中引入卷积模块，得到初始微调模型；在固定所述大模型的参数的条件下，利用所述微调训练数据，对所述初始微调模型进行训练，得到微调训练模型；基于所述微调训练模型，得到经过微调的大模型。本公开可以解决对大模型进行微调训练可能会遇到训练内存占用高、训练速度慢、预训练知识遗忘的问题，实现模型对微调训练数据的加速学习，优化模型在微调训练数据所属的任务或领域中的表现。
-
Patent Agency Ranking
公开(公告)号：CN118643878B
公开(公告)日：2024-11-15
申请号：CN202411097720.4
申请日：2024-08-12
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
IPC: G06N3/0495 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种面向轻量卷积神经网络的训练后量化方法、装置，该方法包括读取图像数据；构建浮点模型和量化后模型，基于随机预处理和打乱顺序后的图像批次，逐块地对浮点模型和量化后模型中的每个模型块进行输出特征图的重建，并计算输出特征图重建的损失；基于特征图重建的损失，对量化后模型的每个模型块的批归一化参数和量化参数进行梯度更新和学习。本发明通过对图像数据进行逐块地预处理和随机打乱顺序，提高了模型对输入数据的泛化能力，避免了模型过拟合；通过逐块学习并更新批归一化层参数、权重缩放因子和激活缩放因子，可以在量化过程中细致调整模型参数，在低比特量化下仍保持较高的模型精度。
-
公开(公告)号：CN118643878A
公开(公告)日：2024-09-13
申请号：CN202411097720.4
申请日：2024-08-12
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
IPC: G06N3/0495 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种面向轻量卷积神经网络的训练后量化方法、装置，该方法包括读取图像数据；构建浮点模型和量化后模型，基于随机预处理和打乱顺序后的图像批次，逐块地对浮点模型和量化后模型中的每个模型块进行输出特征图的重建，并计算输出特征图重建的损失；基于特征图重建的损失，对量化后模型的每个模型块的批归一化参数和量化参数进行梯度更新和学习。本发明通过对图像数据进行逐块地预处理和随机打乱顺序，提高了模型对输入数据的泛化能力，避免了模型过拟合；通过逐块学习并更新批归一化层参数、权重缩放因子和激活缩放因子，可以在量化过程中细致调整模型参数，在低比特量化下仍保持较高的模型精度。
-
公开(公告)号：CN110929762B
公开(公告)日：2023-05-12
申请号：CN201911048238.0
申请日：2019-10-30
Applicant: 中科南京人工智能创新研究院 , 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0442
Abstract: 本发明提出了一种基于深度学习的肢体语言检测与行为分析方法及系统。通过对目标的行为视频、图片以及语音进行提取，分别获取目标在不同情绪下的面部表情以及四肢行为的图片及视频，获取在相应情绪下的语音数据，丰富数据集，予以标注后制作成训练集。后使用CNN训练图片及视频帧数据，关键点为面部表情，头部动作，四肢动作，整体动作频率，这4点训练成一个集成模型，其次使用LSTM训练语音数据，最后将两个模型进行集成训练，合成集成模型，最终会产生3个模型，保证模型支持语音或图片单独检测的能力。上述过程使得本发明拥有较强的主动学习能力，并不断优化数据库，使得准确率能够随着识别次数的增加不断提升。
-
公开(公告)号：CN109829366B
公开(公告)日：2021-04-30
申请号：CN201811565384.6
申请日：2018-12-20
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院
Abstract: 本申请涉及一种车道检测方法、装置、设备及计算机可读存储介质，该方法包括：获取包含有车道线的影像的待处理图像；对待处理图像按照预设图像处理方式进行预处理；对预处理后图像中车道线的影像进行曲线离散化处理；提取曲线离散化处理后的图像中的所有霍夫直线；利用所有霍夫直线复原待处理图像中的车道线。该方法可以缓解现有技术中存在的对弯曲道路进行车道检测，得到的车道检测结果的准确性较低的技术问题，达到了提高弯曲道路车道检测结果的准确性的技术效果。
-
公开(公告)号：CN111783961A
公开(公告)日：2020-10-16
申请号：CN202010660722.5
申请日：2020-07-10
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于数据处理领域，具体涉及了一种基于激活定点拟合的卷积神经网络训练后量化方法及系统，旨在解决现有技术无法通过更加高效的低比特量化方法实现卷积神经网络训练后量化的问题。本发明包括：对原卷积神经网络各层权值矩阵进行低比特定点量化；获取一组校验数据，构造输入激活到输出激活的优化目标函数，迭代进行定点权值矩阵和权值量化尺度因子的优化，获得权值定点量化卷积神经网络；基于校验数据及权值定点量化卷积神经网络，求解激活量化尺度因子，获得权值-激活定点卷积神经网络。本发明直接学习由输入激活到输出激活之间的低比特映射函数，保障权值量化前后卷积输出的相似，量化后的模型精度高，并且量化过程无需使用数据重新训练。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.083 seconds)
