公开(公告)号：CN117689865A

公开(公告)日：2024-03-12

申请号：CN202211025096.8

申请日：2022-08-25

Applicant: 中国科学院计算技术研究所

Inventor： 张蕊 ,  郭家明 ,  支天 ,  黄迪 ,  张曦珊 ,  郭崎

IPC: G06V10/25 ,  G06V10/52 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明提出一种基于特征和融合模式搜索的目标检测方法和系统，包括：构建包括融合特征搜索单元和融合模式搜索单元的特征融合网络；融合特征搜索单元从图片的多尺度特征中搜索得到各尺度下的最优特征；从所有最优特征中选择两个特征作为候选特征对，融合模式搜索单元根据候选特征对，从包括多个候选融合操作的操作集中搜索得到融合策略，对候选特征对进行特征融合，得到融合特征；基于融合特征确定图片中检测目标的预测位置类别。使用了神经网络搜索算法并根据上述关键因素设计融合特征搜索单元和融合模式搜索单元，减小了搜索时的计算开销和内存开销并有效找到好的结构。

公开(公告)号：CN117671231A

公开(公告)日：2024-03-08

申请号：CN202211024977.8

申请日：2022-08-25

Applicant: 中国科学院计算技术研究所

Inventor： 张蕊 ,  郭家明 ,  支天 ,  黄迪 ,  张曦珊 ,  郭崎

IPC: G06V10/25 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明提出一种基于特征和路径搜索的目标检测方法和系统，包括：构建包括融合特征搜索单元和融合路径搜索单元的特征融合网络；该融合特征搜索单元从图片的多尺度特征中搜索得到各尺度下的最优特征；对各尺度下的该最优特征的通道进行分组，该融合路径搜索单元从各分组中搜索得到候选特征，构建多个由两个候选特征构成的候选特征对；基于预设的融合策略对该候选特征对进行特征融合，得到每个该候选特征对的融合特征，以确定图片中检测目标的预测位置类别。

公开(公告)号：CN117475254A

公开(公告)日：2024-01-30

申请号：CN202311329374.3

申请日：2023-10-13

Applicant: 中国科学院计算技术研究所

Inventor： 胡杏 ,  党朴成 ,  韩虎生 ,  黄迪 ,  张蕊 ,  杜子东 ,  郭崎 ,  陈云霁

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/762

Abstract: 本发明提出一种破除图像数据不可学习噪声的深度学习训练方法，包括：获取训练图像样本，构建为分类数据集；对所有该训练图像样本进行聚类，获取各聚类簇的聚类信息，根据该聚类信息，生成该分类数据集的过拟合指标；以该分类数据集对目标图像分类模型进行训练，基于该过拟合指标判断每个训练轮是否出现过拟合，并对每个训练轮的学习率进行动态调整。本发明还提出一种破除图像数据不可学习噪声的深度学习训练系统，以及一种用于实现破除图像数据不可学习噪声的深度学习训练的数据处理装置。

公开(公告)号：CN117151185A

公开(公告)日：2023-12-01

申请号：CN202310943969.1

申请日：2023-07-28

Applicant: 中国科学院计算技术研究所

Inventor： 张蕊 ,  刘畅 ,  张曦珊 ,  支天

IPC: G06N3/08 ,  G06N3/084 ,  G06N3/0464 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明提出一种基于联合优化的深度神经网络自适应量化方法和系统，包括：将划分参数与神经网络参数联合优化，以使深度神经网络的数据划分和神经网络参数训练共同进行。保存训练完成后的划分参数，使用划分参数对执行模型的激活或权重进行量化，得到最终模型，以该最终模型执行相应任务。本发明可以更好地拟合深度神经网络激活和权重的数据分布，将深度神经网络中所有线性层的激活值和权重量化为低比特，从而减少量化误差，且本发明在模型的使用阶段，可以减少模型使用的计算量，加快图像分类的预测速度，减少分类产生的能耗，并减少模型存储所使用的空间大小。

公开(公告)号：CN115271090A

公开(公告)日：2022-11-01

申请号：CN202210700253.4

申请日：2022-06-20

Applicant: 中国科学院计算技术研究所

Inventor： 胡杏 ,  彭少辉 ,  张蕊 ,  郭家明 ,  易琦 ,  张曦珊 ,  杜子东 ,  郭崎 ,  陈天石

IPC: G06N20/00 ,  G06N5/04

Abstract: 本发明提出一种基于因果关系驱动的分层强化学习框架，包括：因果关系发现模块，用于获取智能体的强化学习环境中各环境变量之间的因果关系，并构建为因果关系图；子目标分层结构构造模块，用于根据该环境变量的变化函数，构建分层强化学习的子目标集合，选取该环境变量中的可控变量，通过该因果关系图从该子目标集合中选出与该可控变量关联的子目标为可达子目标，以所有该可达子目标的逻辑关系为该分层强化学习的分层关系。还提出一种基于因果关系驱动的分层强化学习方法，以及一种数据处理装置。

公开(公告)号：CN109034198A

公开(公告)日：2018-12-18

申请号：CN201810664250.3

申请日：2018-06-25

Applicant: 中国科学院计算技术研究所

Inventor： 唐胜 ,  张蕊 ,  李锦涛

IPC: G06K9/62

Abstract: 本发明涉及一种基于特征图恢复的场景分割方法和系统，包括对原始图像进行降采样，得到降采样图像，通过特征学习网络得到该降采样图像的降采样特征图，将该降采样特征图的尺寸恢复为原始图像尺寸，得到上采样特征图，将该上采样特征图输入场景分割网络，得到该原始图像的场景分割结果。本发明利用降采样输入图像可以获得的较快的分割速度；利用原始大小输入图像可以获得的较高的分割精度。此外，本发明还提出了辅助中间层监督和边境区域重加权的方法辅助场景分割神经网络模型的优化过程，从而在保持模型加速的前提下提升加速后模型的分割精度。