-
公开(公告)号：CN113536564B
公开(公告)日：2023-11-28
申请号：CN202110789217.5
申请日：2021-07-13
Applicant: 中国科学院软件研究所
IPC: G06F30/20 , G06F11/36 , G06F111/02
Abstract: 本发明涉及一种基于虚拟仿真的无人蜂群自主协同评估方法及系统。该方法包括：获取虚拟仿真环境的配置参数；配置无人蜂群构型、挂载等，获取无人蜂群的配置参数；获取无人蜂群测试任务的配置参数；获取无人蜂群任务执行过程中的实时参数；综合获取的各项参数计算无人蜂群的基本能力指标、任务能力指标、智能水平指标；根据指标计算的结果进行无人蜂群自主协同能力的评估。本发明基于虚拟仿真的测试手段搭建出适合于无人蜂群自主协同能力及灵活多样群组变化需求的测试框架，设计了与自主协同能力评估相关的、较为全面的数据获取方案和数据采集方案，形成了无人蜂群自主协同评估度量模型和评估体系，实现了无人蜂群自主协同能力
-
公开(公告)号：CN113535555B
公开(公告)日：2023-06-27
申请号：CN202110784453.8
申请日：2021-07-12
Applicant: 中国科学院软件研究所
Abstract: 本发明公开了一种面向强化学习模型的容器化测试方法与系统。本方法为：1)测试方根据待建的测试任务制作测试环境Docker镜像、代理Docker镜像及其对应的连接模块、回调模块、评估模块，然后将连接模块封装到代理Docker镜像文件模板中；2)测试方在测试平台上创建测试任务，并上传镜像文件到测试方服务器；3)被测方下载测试任务的镜像文件训练代理，将训练后的代理集成到代理Docker镜像并上传至测试方服务器；4)测试方服务器在新上传的代理Docker镜像文件中添加或替换回调模块和评估模块，并对其进行重新封装得到新的代理Docker镜像后，开始运行测试任务；5)测试方服务器将测试过程数据传回测试平台。
-
公开(公告)号：CN114545792A
公开(公告)日：2022-05-27
申请号：CN202210186456.6
申请日：2022-02-28
Applicant: 中国科学院软件研究所
IPC: G05B17/02
Abstract: 本发明公开了一种动态多无人系统的组合控制方法及仿真测试平台，涉及仿真测试领域。所述方法包括：配置仿真节点的控制模式以及所述控制模式的优先级；构建所述仿真节点与被测对象和/或人工控制客户端之间的映射关系；在所述仿真节点运行的情况下，向所述被测对象和/或所述人工控制客户端发送所述仿真节点的仿真数据；计算并获取第一控制信令，并接收所述被测对象发送的第二控制信令和/或所述人工控制客户端发送的第三控制信令；确定各个控制信令对应的仿真节点，并基于所述控制模式的优先级，确定相应仿真节点的控制模式，控制相应仿真节点执行相应控制模式下的控制信令。本发明实现了实现多无人系统的动态接入，以及无人系统的组合控制。
-
公开(公告)号：CN114529720A
公开(公告)日：2022-05-24
申请号：CN202210101318.3
申请日：2022-01-27
Applicant: 中国科学院软件研究所
IPC: G06V10/26 , G06K9/62 , G06T7/11 , G06V10/764
Abstract: 本发明公开了一种神经网络的可解释性评估方法、装置、存储介质及设备，涉及人工智能技术领域。所述方法包括：获取测试数据集；针对测试数据集中的图像xi，基于图像xi对应的语义分割图对图像xi进行分割，得到图像xi的像素区域集合；对图像xi的像素区域集合中每一像素区域进行子区域分割，并将分割结果作用到图像xi上，得到图像xi的子区域分割结果；基于图像xi的子区域分割结果；通过测试数据集中所有图像的目标比比值，确定被测神经网络的评估结果。本发明给出了神经网络对图像预测的解释，并确保准确评估神经网络的预测水平。
-
公开(公告)号：CN113641285A
公开(公告)日：2021-11-12
申请号：CN202110872169.6
申请日：2021-07-30
Applicant: 中国科学院软件研究所
IPC: G06F3/0484 , G06F3/0486 , G06F16/29 , G06F16/901 , G01W1/02 , G01S13/88 , G01S13/06 , G01S7/02
Abstract: 本发明公开了一种无人蜂群试验的可视化任务配置方法及系统。本方法的步骤包括：1)在无人蜂群场景中配置试验环境，包括选择试验地图、配置天气与光照；2)在可视化的试验地图中添加静态目标、动态目标和区域并设置区域属性；3)针对试验环境中的静态目标、动态目标和区域信息创建无人蜂群子任务；4)设置无人蜂群子任务的任务逻辑关系、串并行关系以及子任务在逻辑上的分支选择，组成无人蜂群试验的可视化任务整体流程；5)根据可视化任务整体流程生成无人蜂群试验的任务描述文件。本发明使用可视化任务配置方法，不仅可以看到任务整体流程，还可以直观地看到任务逻辑结构、任务内部逻辑、串并行任务。
-
Patent Agency Ranking
公开(公告)号：CN119512899A
公开(公告)日：2025-02-25
申请号：CN202411291944.9
申请日：2024-09-14
Applicant: 中国科学院软件研究所
IPC: G06F11/36
Abstract: 本公开涉及数据驱动的智能算法能力边界构建方法及装置，属于智能算法评估技术领域。所述方法包括：获取影响智能算法能力的静态属性和动态属性；分别计算静态属性的影响力得分、动态属性的影响力得分和智能算法的智能算法能力得分后，组成三元组数据，并根据所述智能算法能力得分，对所述三元组数据进行标注；基于标注后的三元组数据，构建智能算法的智能算法能力边界。本发明可以获取更精确的智能算法能力边界。
-
公开(公告)号：CN114529720B
公开(公告)日：2024-11-22
申请号：CN202210101318.3
申请日：2022-01-27
Applicant: 中国科学院软件研究所
IPC: G06V10/26 , G06T7/11 , G06V10/764 , G06V20/70
Abstract: 本发明公开了一种神经网络的可解释性评估方法、装置、存储介质及设备，涉及人工智能技术领域。所述方法包括：获取测试数据集；针对测试数据集中的图像xi，基于图像xi对应的语义分割图对图像xi进行分割，得到图像xi的像素区域集合；对图像xi的像素区域集合中每一像素区域进行子区域分割，并将分割结果作用到图像xi上，得到图像xi的子区域分割结果；基于图像xi的子区域分割结果；通过测试数据集中所有图像的目标比比值，确定被测神经网络的评估结果。本发明给出了神经网络对图像预测的解释，并确保准确评估神经网络的预测水平。
-
公开(公告)号：CN116266221A
公开(公告)日：2023-06-20
申请号：CN202111527865.X
申请日：2021-12-14
Applicant: 中国科学院软件研究所
IPC: G06F18/241 , G06N3/04
Abstract: 本发明公开了一种神经网络的鲁棒性评估方法、装置、设备及存储介质，属于计算机技术领域。所述方法包括：按照目标多层级结构对基准数据集中的数据进行标注，得到数据的标注信息；目标多层级结构包括m个层级，m个层级中最低层级包括至少一个叶子特性；基于数据的标注信息对数据进行分类，得到至少一个原子数据集，原子数据集中的数据具有相同的标注信息；采用至少一个原子数据集对待评估神经网络进行测试，得到至少一个叶子特性的评估指标值；基于至少一个叶子特性的评估指标值，确定待评估神经网络的评估指标值，待评估神经网络的评估指标值用于指示待评估神经网络的鲁棒性。本申请有助于提升神经网络的鲁棒性评估效率。
-
公开(公告)号：CN114896134A
公开(公告)日：2022-08-12
申请号：CN202210322833.4
申请日：2022-03-29
Applicant: 中国科学院软件研究所
IPC: G06F11/36
Abstract: 本发明公开了一种面向目标检测模型的蜕变测试方法、装置及设备，涉及模型测试领域。所述方法包括：生成仿真测试用例文件；通过目标检测模型对视觉图像进行处理得到预测结果，并基于预测结果和标签判断目标检测模型是否通过仿真测试用例文件的测试；在目标检测模型通过仿真测试用例文件的测试的情况下，基于仿真测试用例文件生成衍生测试用例文件，衍生测试用例文件包括标签和新视觉图像，新视觉图像由视觉图像经蜕变处理得到；通过目标检测模型对新视觉图像进行处理得到新预测结果，并基于新预测结果和标签判断目标检测模型是否通过衍生测试用例文件的测试。本发明能够帮助用户测试目标检测模型在不同程度的噪声、模糊等蜕变处理后的性能。
-
公开(公告)号：CN114742145A
公开(公告)日：2022-07-12
申请号：CN202210350711.6
申请日：2022-04-02
Applicant: 中国科学院软件研究所
IPC: G06K9/62 , G06V10/75 , G06V10/764
Abstract: 本发明公开了一种目标检测模型的性能测试方法、装置、设备及存储介质，涉及模型测试技术领域。所述方法包括：获取图像数据集，图像数据集包括：带目标的图像、图像的标签和图像的语义图；针对图像数据集中的每张图像，基于图像的标签与图像的语义图，提取图像中的所有目标以及每一目标的像素数量，并基于目标的像素数量确定目标的像素级别；通过目标检测模型对图像数据集中的图像进行处理得到预测结果，并基于预测结果和标签，统计各目标类别在各像素级别下的真正例数量、假正例数量和假反例数量；基于真正例数量、假正例数量和假反例数量，计算目标检测模型在各像素级别下的平均精度均值。本发明更好地衡量了目标检测模型对于小目标的检测性能。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.068 seconds)
