-
公开(公告)号：CN114997399A
公开(公告)日：2022-09-02
申请号：CN202210439651.5
申请日：2022-04-25
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于边端数据推理模式下的任务推送方法，属于人工智能领域。本发明边缘端和智能终端均部署规则推理引擎，另外在边缘端部署一套规则定制界面，通过该界面定制业务规则，在边缘端生成规则库文件，供边缘端规则推理引擎进行规则匹配。选择规则定制界面中的规则发布功能，选择将要发送的规则分类文件，再从在线的终端列表中选择要发送的智能终端，点击发布后，智能终端后台算法实现分类信息的同步，以及通过求本地规则分类文件与发布的规则分类文件的差集和交集实现规则内容的更新，最终实现被选智能终端的规则库更新。本发明可满足终端定制化需求，实现智能终端的灵活配置。
-
公开(公告)号：CN114863091A
公开(公告)日：2022-08-05
申请号：CN202210404364.0
申请日：2022-04-18
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于伪标签的目标检测训练方法，属于半监督学习领域。本发明的分类输出进行多级处理，类别输出概率大于等于第一阈值的作为该目标的类别伪标签，类别输出概率值大于第二阈值小于第一阈值的，标记为特殊类，类别输出概率值小于等于第二阈值，作为背景类；在优化损失函数中，特殊类对损失函数无贡献；目标检测算法模型的输出包括分类分支、回归分支和回归框可靠判断分支，在回归分支输出的基础上，计算回归分支输出结果和标注框的IoU值，并将IoU值作为回归框可靠判断分支的学习目标，回归框可靠判断分支输出值高的对应的回归分支输出越准确。本发明保持新模型的输出多样性，保持伪标签类别精度的同时，也能保证伪标签的位置准确性。
-
公开(公告)号：CN119692413A
公开(公告)日：2025-03-25
申请号：CN202411621410.8
申请日：2024-11-14
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/082 , G06F9/455 , G06N3/0985
Abstract: 本发明涉及一种智能感知算法训练框架统一支撑方法，属于深度学习领域。本发明包括主流国产框架转换兼容技术；统一训练系统；训练框架多硬件兼容技术；多类型计算资源虚拟化技术。本发明集成国产主流训练框架PaddlePaddle，通过X2Paddle工具实现对PyTorch训练框架在训练代码层和模型层的统一转换兼容能力；并以计算资源虚拟化技术进行训练环境管理，以镜像的方式实现对不同训练框架的兼容支持，实现主流国产硬件计算设备的接入；通过模型资源管理和构建场景开发套件，实现算法资源集成，以实现对不同任务常场景的快速开发能力；通过分布式训练技术，支持对单机多卡和多机多卡资源的调度使用。通过超参数调优和模型压缩技术，实现对训练模型效果和训练效率寻优。
-
公开(公告)号：CN118313610B
公开(公告)日：2024-12-27
申请号：CN202410482864.5
申请日：2024-04-22
Applicant: 北京计算机技术及应用研究所
IPC: G06Q10/0631 , G06Q10/10 , G06N3/006
Abstract: 本发明涉及一种基于贪心算法的无人机序列目标分配方法，属于无人机技术领域。本发明从矩阵M1n×m中选择最小值m1kl，将目标l分配给无人机k，表示目标l在无人机k的任务序列中；将矩阵M1n×m的第k行设置为等于矩阵M2m×m的第l行；再对M1n×m的第k行的每个元素加上s＝M1n×m[k][l]；然后对矩阵M1n×m的第l列赋值为∞；重复上述步骤，直到所有目标均被分配完成。本发明采用基于贪心算法的无人机序列目标分配方法，相比于传统的枚举法和新兴的强化学习算法，本算法的精度和速度都具有明显优势，能够更好地适应无人机领域的实时性和准确性要求。
-
公开(公告)号：CN115019365B
公开(公告)日：2024-04-09
申请号：CN202210566675.7
申请日：2022-05-23
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于模型适用性度量的分级人脸识别方法，属于人脸识别领域。本发明基于测试集获取一个统一判断阈值，记为global_Th，计算底图间最低判断阈值，称之为类间阈值score_inter_i；提取基于注册底图自身特性的类内阈值score_intra_i；当前模型的适用性差的场景，使用注册底图处理策略处理，并获得处理后的融合特征向量merge_feat_i和类内阈值merge_score_intra_i，根据上述阈值获得每个注册底图的自适应阈值，使用该自适应阈值进行人脸识别。本发明不仅考量注册底图之间关系，更进一步考量注册底图自身特性，即模型对注册底图的适用性，以此自适应的得到每个注册底图识别判断阈值；本发明通过衡量模型对每个注册底图的适用性，针对不同的适用性结合分级识别处理的方法以提高识别效果。
-
Patent Agency Ranking
公开(公告)号：CN115018066B
公开(公告)日：2024-04-09
申请号：CN202210564592.4
申请日：2022-05-23
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种边端模式下的深度神经网络本地化训练方法，属于机器学习领域。本发明边缘侧处理机向终端设备发送待部署深度神经网络模型；终端设备执行智能信息处理任务，将采集的数据、模型预测结果与置信度发送至边缘侧处理机进行存储；边缘侧处理机存储的终端推理数据超过指定存储容量阈值时，对深度神经网络模型进行本地化训练；边缘侧处理机测试深度神经网络模型并将结果写入日志；测试结果高于日志记录历史最高值时，边缘侧处理机向终端设备发送本地化训练后的模型进行部署，并将伪标注训练集合并到真实标注训练集中。该方法有效改善了数据分布偏差问题，降低了人工标注成本，且有效改善了灾难性遗忘问题。
-
公开(公告)号：CN116682034A
公开(公告)日：2023-09-01
申请号：CN202310466054.6
申请日：2023-04-27
Applicant: 北京计算机技术及应用研究所
IPC: G06V20/40 , G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种复杂生产作业场景下危险行为检测方法，属于目标检测领域。本发明分为两个子系统，安全帽检测模块可以应用于吊装作业场景中或生产区域里，可以检验这些场景中员工是否正确佩戴安全帽、正确着工作服以及场景中人员数量是否超出限制，对于没有正确穿戴或人数超限等异常行为进行视觉标注和语音报警，同时可以把系统抓拍到的异常行为的视频帧存储在本地。防静电手环检测模块可以应用于装配作业场景中，可以检验这些场景中员工是否正确佩戴防静电手环，对于没有正确佩戴防静电手环的异常行为进行视觉标注和语音报警，同时把系统抓拍到的异常行为的视频帧存储在本地。本发明提升安全生产监管智能化水平。
-
公开(公告)号：CN115019365A
公开(公告)日：2022-09-06
申请号：CN202210566675.7
申请日：2022-05-23
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于模型适用性度量的分级人脸识别方法，属于人脸识别领域。本发明基于测试集获取一个统一判断阈值，记为global_Th，计算底图间最低判断阈值，称之为类间阈值score_inter_i；提取基于注册底图自身特性的类内阈值score_intra_i；当前模型的适用性差的场景，使用注册底图处理策略处理，并获得处理后的融合特征向量merge_feat_i和类内阈值merge_score_intra_i，根据上述阈值获得每个注册底图的自适应阈值，使用该自适应阈值进行人脸识别。本发明不仅考量注册底图之间关系，更进一步考量注册底图自身特性，即模型对注册底图的适用性，以此自适应的得到每个注册底图识别判断阈值；本发明通过衡量模型对每个注册底图的适用性，针对不同的适用性结合分级识别处理的方法以提高识别效果。
-
公开(公告)号：CN115018066A
公开(公告)日：2022-09-06
申请号：CN202210564592.4
申请日：2022-05-23
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种边端模式下的深度神经网络本地化训练方法，属于机器学习领域。本发明边缘侧处理机向终端设备发送待部署深度神经网络模型；终端设备执行智能信息处理任务，将采集的数据、模型预测结果与置信度发送至边缘侧处理机进行存储；边缘侧处理机存储的终端推理数据超过指定存储容量阈值时，对深度神经网络模型进行本地化训练；边缘侧处理机测试深度神经网络模型并将结果写入日志；测试结果高于日志记录历史最高值时，边缘侧处理机向终端设备发送本地化训练后的模型进行部署，并将伪标注训练集合并到真实标注训练集中。该方法有效改善了数据分布偏差问题，降低了人工标注成本，且有效改善了灾难性遗忘问题。
-
公开(公告)号：CN111931914A
公开(公告)日：2020-11-13
申请号：CN202010793944.4
申请日：2020-08-10
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于模型微调的卷积神经网络通道剪枝方法及系统，该方法包括：构造卷积神经网络分类模型，该模型由特征提取器和分类器两部分构成，特征提取器包括卷积层以及池化层，在ImageNet图像分类数据集上进行训练，得到预训练模型C；修改所述预训练模型C的分类器，将分类器全连接层输出的类别数设置为目标类别，并在目标数据集上进行稀疏性训练，得到收敛后的模型C′；将所述稀疏训练后的模型C′根据通道剪枝策略进行剪枝，得到剪枝后的模型C″；将所述剪枝后的模型C″在目标数据集上进行微调，以提高剪枝后模型的性能。本发明提供一种基于模型微调的卷积神经网络通道剪枝方法及系统，通过对批归一化层缩放参数进行全局排序，并限制每个待剪枝网络层通道保留率，来选取网络中待剪通道。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.037 seconds)
