-
公开(公告)号：CN111460978A
公开(公告)日：2020-07-28
申请号：CN202010237340.1
申请日：2020-03-30
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 , 中国科学院自动化研究所
Abstract: 本发明提出了一种基于动作判定传感器和深度学习技术的幼儿行为监控系统及其判定方法，监控系统包含图像处理和步态识别两种模式，上述两种模式相互融合提高幼儿行为的判定准确度。图像处理基于深度学习技术，通过对分类好的幼儿图片使用CNN进行训练，得到相应的分类模型，在空间上监测点在t时刻的幼儿动作变化数据，从而更好地预测下一帧的动作，相比于传统的单帧识别判断，本发明具有良好地预判性。为应对图像处理时可能造成的误判，本发明将步态识别融入其中，感知幼儿的行为实际动作，在幼儿行为图片学习的基础之上结合幼儿行为产生的加速度变化差和压感变化差进行反馈学习。上述两种方式相结合有效提高了幼儿行为监控的准确度和预判能力。
-
公开(公告)号：CN111131705A
公开(公告)日：2020-05-08
申请号：CN201911365541.3
申请日：2019-12-26
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 , 中国科学院自动化研究所
Abstract: 本发明公开一种人工智能数据采集装置，包括用于固定摄像头的圆盘和固定台，固定台的顶面开设有活动槽，活动槽两相远离的侧壁通过转轴与圆盘的侧壁的中心处插接，活动槽的尺寸与圆盘相匹配，两个转轴的外壁均绕接有线圈，固定台的前侧和后侧均固定有距离传感器、温度传感器和单片机，距离传感器与温度传感器的输出端均与单片机的信息输入端连接，线圈靠近转轴的一端通过导线连接有金属材质的限位垫，圆盘的中心处内部固定有和限位垫材质相同的导电圈，限位垫与导电圈材质相同，且两者均为四分之一的圆弧型，通过以上各装置的配合使用，能够实现数据采集装置因需工作，可以减少灰尘和雨水对数据采集装置的影响，提升数据采集装置的使用寿命。
-
公开(公告)号：CN111077789A
公开(公告)日：2020-04-28
申请号：CN201911365519.9
申请日：2019-12-26
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 , 中国科学院自动化研究所
IPC: G05B15/02 , G05B19/418 , F16F15/04 , F16M11/04
Abstract: 本发明公开了一种便携式基于人工智能技术的家居控制装置，属于智能家居技术领域。一种便携式基于人工智能技术的家居控制装置，包括壳体和控制板，壳体内部分别连接有第一支撑板和第二支撑板，壳体内部底壁上连接有升降机构，升降机构远离壳体内部底壁的一端转动连接在第一支撑板的底壁上，第一支撑板顶壁上连接有第一减震机构，第二支撑板内部连接有夹紧机构，第二支撑板顶壁上连接有夹板，控制板连接在第二支撑板顶壁上，且控制板与夹板相抵，第二支撑板顶壁上连接有第二减震机构；本发明能有效的对控制装置受到撞击或掉落时起到良好的缓冲保护作用，避免其发生撞击或掉落的情况时，对控制装置造成严重的损坏，而影响其正常使用。
-
公开(公告)号：CN110378213A
公开(公告)日：2019-10-25
申请号：CN201910502476.8
申请日：2019-06-11
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 , 中国科学院自动化研究所
Abstract: 本申请涉及一种行为识别方法、装置、计算机设备和存储介质。所述方法包括：获取包含人体行为的图数据，根据图数据生成骨骼数据和关节节点数据，将骨骼数据输入已训练的骨骼识别网络模型，得到骨骼数据识别为各个人体行为的第一概率，将关节节点数据输入已训练的节点识别网络模型，得到关节节点数据识别为各个人体行为的第二概率，计算各个人体行为第一概率和第二概率的加权值，根据加权值确定目标行为。通过将图数据分解成骨骼数据和关节节点数据，单独对骨骼数据和关节节点数据进行识别，在将两个识别结果进行整合，得到图数据的识别结果。将数据分成表征不同特征的数据，根据不同特征的数据进行识别，整合不同特征的识别结果，提高识别准确度。
-
公开(公告)号：CN119441513A
公开(公告)日：2025-02-14
申请号：CN202510033310.1
申请日：2025-01-09
Applicant: 中国科学院自动化研究所 , 国网四川省电力公司电力科学研究院
Abstract: 本发明涉及混合量化技术领域，具体涉及一种视觉语言大模型混合量化方法、装置和电子设备，该方法包括：将构建的图像编码器校准集输入预先建立的图像编码器和文本编码器，并从预先定义的混合精度量化的搜索空间中选择量化方案对图像编码器进行训练后量化，基于量化前后图像编码器和文本编码器的输出计算第一量化误差；将多模态校准集输入视觉语言大模型，并从搜索空间中选择量化方案对视觉语言大模型进行混合精度量化，根据量化前后视觉语言大模型的输出计算第二量化误差；将各量化方案及对应的量化误差存入到哈希表中；结合哈希表使用基于策略梯度的强化学习算法来优化生成量化方案的策略。通过哈希表加速量化方案的搜索过程，提高优化效率。
-
Patent Agency Ranking
公开(公告)号：CN119249360A
公开(公告)日：2025-01-03
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：CN118886453A
公开(公告)日：2024-11-01
申请号：CN202411376160.6
申请日：2024-09-29
Applicant: 中国科学院自动化研究所
IPC: G06N3/0455 , G06N3/082 , G06N3/084 , G06N3/0985
Abstract: 本公开涉及一种基于低秩量化大模型的预测方法、装置、电子设备、存储介质和计算机程序产品，所述基于低秩量化大模型的预测方法包括：获取预测模型，其中，预测模型为大模型；通过将预测模型中的线性层的参数进行低秩分解，得到第一低秩矩阵、第二低秩矩阵、和第三低秩矩阵；基于第一低秩矩阵、第二低秩矩阵、和第三低秩矩阵，构建与线性层对应的量化低秩模块，其中，量化低秩模块依次包含第一激活量化层、第一线性层、尺度缩放层、第二激活量化层、和第二线性层；通过将预测模型中的线性层替换为量化低秩模块，得到压缩后的预测模型；将输入数据输入到压缩后的预测模型，得到与输入数据对应的预测结果。能够解决模型预测推理速度低下的问题。
-
公开(公告)号：CN118628876A
公开(公告)日：2024-09-10
申请号：CN202411115733.X
申请日：2024-08-14
Applicant: 珠海亿智电子科技有限公司 , 北京科技大学 , 中国科学院自动化研究所
IPC: G06V10/778 , G06V10/764 , G06V10/766 , G06V10/774
Abstract: 本发明适用计算机视觉感知领域和模型压缩技术领域，提供了一种目标检测模型的量化感知训练方法，该方法包括：构建待量化的目标检测模型的目标损失函数，该目标损失函数包括分类损失函数、回归损失函数以及任务和谐约束损失函数，基于目标损失函数，对目标检测模型进行量化感知训练，直至该目标损失函数收敛，从而使得分类任务和回归任务之间的关系变得越来越和谐，避免了不和谐的预测框的出现，提高了量化后目标检测模型在NMS后的检测性能。
-
公开(公告)号：CN117975190A
公开(公告)日：2024-05-03
申请号：CN202311868899.4
申请日：2023-12-29
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明提供一种基于视觉预训练模型的模仿学习混合样本处理方法及装置，该方法包括：获取专家样本集；向次优专家样本添加目标噪声得到噪声专家样本，根据噪声专家样本和最优专家样本得到混合样本集；标定混合样本集的权重系数，对重分布的混合样本集进行预测和评分，再根据评分结果训练策略网络和奖励函数网络，根据目标奖励函数网络对评估数据集的各样本进行评分，得到评估数据集对应的预测排序，以更新重分布的混合样本集中各样本对应的权重系数，最后根据目标策略网络对重分布后的权重系数进行模仿学习，得到优化后的专家样本。本发明所述方法针对品质不一的混合专家样本进行差异化学习，改善数据集样本分布，提升模仿学习智能体的泛化能力。
-
公开(公告)号：CN113326930B
公开(公告)日：2024-05-03
申请号：CN202010134455.8
申请日：2020-02-29
Applicant: 华为技术有限公司 , 中国科学院自动化研究所
IPC: G06N3/084 , G06N3/045 , G06N3/0464
Abstract: 本申请提供了一种数据处理方法、神经网络的训练方法及相关装置、设备，方法应用于训练设备，方法包括：将神经网络的模型参数设置为浮点数进行训练，直到训练设备训练第一神经网络达到收敛状态；确定训练后的第一神经网络中第l个卷积层包含的各个卷积核之间的相关度；其中，卷积核对应的相关度越大，训练设备在进行计算时产生的冗余计算越多；将M个卷积核进行量化训练，直至训练设备训练第一神经网络达到收敛状态，得到量化后的第二神经网络；其中，其中，M为大于0的正整数；M个卷积核为相关度较高的前M个卷积核。实施本申请，可以在提高神经网络的运算效率的同时，尽可能地保持神经网络的运算精度。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.124 seconds)
