-
公开(公告)号：CN110991621A
公开(公告)日：2020-04-10
申请号：CN201911282344.5
申请日：2019-12-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种基于通道数搜索卷积神经网络的方法，包括：构建与待优化卷积神经网络的卷积层层数相同的初始卷积神经网络，并将该初始卷积神经网络每层的初始通道数设为相同数值并使初始卷积神经网络的初始通道数不超过待优化卷积神经网络的最小通道数，训练该初始卷积神经网络至收敛；对初始卷积神经网络进行多次突变以得到多个突变卷积神经网络，其中，单次突变是从预设的增量函数中随机选择一个增量函数对该次突变中的卷积神经网络的卷积层通道数进行增量变换后训练至收敛得到一个突变卷积神经网络；从多个突变卷积神经网络中选择图像分类准确率最高的突变卷积神经网络作为搜索结果。本发明可以从一个初始小规模网络，在控制网络参数量的同时迅速搜索产生性能较高的卷积神经网络，并大大减少训练消耗。
-
公开(公告)号：CN110782006A
公开(公告)日：2020-02-11
申请号：CN201910952242.3
申请日：2019-10-09
Applicant: 中国科学院计算技术研究所
IPC: G06N3/04
Abstract: 本发明提供一种生成复杂神经网络的方法，包括：1)从已有的神经网络结构的种群中选择具有高适应度的两个作为父代个体，其中，所述两个父代个体之间具有以卷积层为单位的异构结构；2)将一个卷积层作为最小的操作单位，对所述两个父代个体执行交叉操作以得到子代个体。本发明可以根据已有网络结构方面的经验，有方向性地改变神经网络结构。本发明在不对卷积神经网络进行任何附加训练的情况下，可以实现功能保持，大大节省计算代价。如果对卷积神经网络进行额外训练，可以体现出新产生的神经结构表现更加优秀。在同源结构进行融合的过程中，本发明将已有参数和结构作为指导，能够迅速实现基于功能保持的神经网络结构搜索。
-
公开(公告)号：CN107682924B
公开(公告)日：2020-01-07
申请号：CN201710917120.1
申请日：2017-09-30
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种适用于长延迟SIC网络的链路调度方法和系统，包括：根据发送节点数目、环境噪声功率和SIC算法的信号干扰比阈值，生成各发送节点的传输信号所能被SIC算法解码的最小功率值，通过将最小功率值集合为K‑SIC功率阈向量以为各发送节点划分发送功率等级；根据各发送节点的发送数据量，判定长延迟网络的负载状态，并根据负载状态和发送功率等级执行最小帧长调度算法，生成长延迟网络的最小调度帧长；根据发送节点数目、最小调度帧长和接收节点的接收机制，执行最小功率调度算法，得到使得全网功耗最小的链路调度策略。由此可提升长延迟SIC网络内节点间的传输效率，并降低长延迟SIC网络的整体能耗。
-
公开(公告)号：CN107257261A
公开(公告)日：2017-10-17
申请号：CN201710350556.7
申请日：2017-05-18
Applicant: 中国科学院计算技术研究所
IPC: H04B17/309 , H04W72/12
CPC classification number: H04W72/1231 , H04B17/309 , H04W72/1221
Abstract: 本发明提供一种针对6TiSCH多跳无线网络的动态链路调度方法，包括：1)获得在当前环境下从源节点到潜在的目的节点的信道概率，所述信道概率为在干扰下数据传输正确的概率；2)若所述信道概率小于等于设定的阈值，则执行以下步骤：2‑1)确定所述源节点到潜在的目的节点的端到端平均时延fD以及能量消耗fE；2‑2)求解使得端到端平均时延fD最小、以及能量消耗fE最小的条件下的链路调度决策变量x，所述链路调度决策变量x决定某一个节点在时隙‑频率块中以何种概率对来自其它节点的数据包进行转发。
-
公开(公告)号：CN104080122A
公开(公告)日：2014-10-01
申请号：CN201410300914.X
申请日：2014-06-27
Applicant: 中国科学院计算技术研究所
Abstract: 本发明公开了一种适用于水下无线传感器网络的媒体访问控制方法及系统，方法包括：使水下无线传感器网络中所有节点时间同步，并使接收节点通过侦听周围邻居节点的通信包来建立该周围邻居节点的延迟图和通信过程表；根据该延迟图和通信过程表判断发起会话是否会引起冲突，如果不会，则发起会话，计算该周围邻居节点的剩余带宽及给该周围邻居节点应该分配的时隙数目；接收节点按照控制包的内容要求，向该周围邻居节点发送请求报文；该周围邻居节点根据该请求报文内容，发送数据包给该接收节点；该接收节点收到该数据包后，广播发送应答报文给该周围邻居节点。该协议能减少控制数据包的花销，提高信道时空复用率，提高信道利用率并提高通信效率。
-
Patent Agency Ranking
公开(公告)号：CN103117881A
公开(公告)日：2013-05-22
申请号：CN201310062489.0
申请日：2013-02-27
Applicant: 中国电子器材总公司 , 中国科学院计算技术研究所 , 中电百达兴南京科技有限公司
Abstract: 本发明公开了一种物联网资源管理系统，该系统分别与传感器网络和物联网应用程序进行通信，该系统包括：通信数据解析模块、传感器数据处理模块、应用程序消息处理模块、和配置信息存储模块。其中配置信息存储模块用于存储所述预先配置的通信协议信息、传感器类型信息和消息格式信息，并提供操作接口供用户对所述存储的信息进行配置操作。应用上述系统，各功能模块利用存储模块中的信息完成传感器网络资源的封装和解封装，实现物联网应用程序与传感器网络的通信。另一方面，对于上层的物联网应用程序而言，不需要去了解传感器网络的具体细节，应用程序开发人员仅需按照通用的数据接口进行开发，从而有效降低整个物联网系统的开发难度。
-
公开(公告)号：CN119888324A
公开(公告)日：2025-04-25
申请号：CN202411947015.9
申请日：2024-12-27
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种基于类增量学习的图像分类模型及其训练方法、分类方法。分类模型包括求解器和特征生成器。其中，求解器包括特征提取器、分类器以及多个辅助分类器。特征提取器用于根据输入的任务进行特征提取输出最终特征。分类器用于根据最终特征对任务进行分类。辅助分类器用于在模型训练时根据学习模块的输出生成嵌入蒸馏的嵌入知识。特征生成器用于在分类器的指导下生成历史任务的生成特征，并将生成特征与当前任务特征通过损失拟合以训练求解器。本发明可以将嵌入在网络中间块中的更丰富的知识从旧的冻结特征提取器迁移到当前的特征提取器来防止特征提取器遗忘，而无需存储历史任务数据或原型。
-
公开(公告)号：CN119741228A
公开(公告)日：2025-04-01
申请号：CN202411828017.6
申请日：2024-12-12
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于混合精度量化的扩散模型极低比特量化方法和装置，包括：获取待极低比特量化的扩散模型，获取该极低比特量化的初始量化精度，增加该初始量化精度得到高比特量化精度，减少该初始量化精度得到低比特量化精度；统计该扩散模型中各组权重数据的长尾分布程度；将该长尾分布程度最高的至少一组权重数据按照该高比特量化精度进行量化，并将该长尾分布程度最低的至少一组权重数据按照该低比特量化精度进行量化，并将该扩散模型的其余权重数据按照该初始量化精度进行量化，得到量化模型；将噪声图像和降噪要求的文本向量输入该量化模型，该量化模型根据该文本向量对该噪声图像进行降噪，得到符合该降噪要求的去噪图像。
-
公开(公告)号：CN112184743B
公开(公告)日：2024-07-23
申请号：CN202011182514.5
申请日：2020-10-29
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法，包括如下步骤：S1、提取乳腺主体图；S2、定位斜侧位胸肌分割线；S3、定位双视图的乳头区域；S4、生成胸肌和乳头的区块标注信息；S5、检验修正。本发明在原始乳腺钼靶图像的基础上，快速大批量地自动生成乳腺钼靶图像中胸肌区域和乳头区域的高质量预标注分割信息，解决了目前存在的标注效率低下、分割标准差异大的问题，降低了对后续人工的要求，使得标注效率大幅度提高，从而产生适合于语义分割神经网络的高质量的训练数据集。
-
公开(公告)号：CN116109873A
公开(公告)日：2023-05-12
申请号：CN202310174287.9
申请日：2023-02-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明提出一种基于多模型联合对比学习的图像分类方法和系统，包括：本发明提出多模型联合对比学习算法来引导不同的模型在特征层面进行交互，在多个模型之间相互地迁移各自的对比相似度概率分布。采用对比学习可使相同类别的样本在特征空间接近，不同类别样本在特征空间远离，进而得到具有判别性的表征空间。在多模型联合学习的场景下，对比学习可以使得不同模型的特征向量建立关系，从而在特征层面对多模型进行交互。通过多模型联合对比学习，每一个网络都可以学习更好的特征表达，从而提升图像分类的效果和下游的语义识别任务。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.059 seconds)
