-
公开(公告)号：CN107437110A
公开(公告)日：2017-12-05
申请号：CN201710560643.5
申请日：2017-07-11
Applicant: 中国科学院自动化研究所
CPC classification number: G06N3/082 , G06N3/0454 , G06N3/063
Abstract: 本发明涉及深度神经网络领域，提出了一种卷积神经网络的分块卷积优化方法及装置，旨在解决神经网络中卷积运算在硬件处理系统中的处理瓶颈问题，该优化方法包括：选择待分块卷积的卷积层，并确定其分块尺寸上限；根据分块尺寸的上限，确定输入特征图的分块数、分块尺寸；基于分块数、分块尺寸、卷积核尺寸、输入特征图尺寸、输入特征图边界填充尺寸，计算分块特征图的分块边界填充尺寸；基于分块数、分块尺寸、分块边界填充尺寸，构建基于分块边界填充的卷积，并替换原始卷积。本发明大大缓解了卷积神经网络在嵌入式硬件平台运行的资源受限问题，并在读写存储器时最大限度的提高突发长度，提高吞吐量，降低延时，提高效率。
-
公开(公告)号：CN104217222B
公开(公告)日：2017-11-21
申请号：CN201410498343.5
申请日：2014-09-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于随机采样哈希表示的图像匹配方法，包括以下步骤：将n幅图像组成原始数据集，提取所有图像的视觉特征生成特征空间；从原始数据集中随机选择m幅图像，同时在特征空间中随机抽取p个视觉特征子集，得到一个样本子集；学习得到样本子集的t个主特征向量，作为哈希投影函数；用来生成t位二值哈希编码；重复上述步骤k次，得到k段t位二值哈希编码，并级联得到k×t位的二值哈希编码，作为匹配特征；得到待匹配图像和原始数据集中每一幅图像的二值哈希编码；基于得到的二值哈希编码进行相似度度量，得到待匹配图像的匹配结果。本发明有助于加快基于哈希编码的近似近邻查找方法的精度，适用于图像检索、图像匹配及其它机器学习算法中。
-
公开(公告)号：CN102262624A
公开(公告)日：2011-11-30
申请号：CN201110225342.X
申请日：2011-08-08
Applicant: 中国科学院自动化研究所
Abstract: 本发明提出基于多模态辅助的实现跨语言沟通系统及方法，所述方法利用实现跨语言沟通系统中的前台交互模块、数据管理模块和语义关联模块，通过分析谈话内容，利用自然语言处理工具能够自动地提取对话中的中心议题及关键字，并语义关联模块根据检测到的中心议题与关键字信息，自动地搜索相关的图片和视频片段并以恰当的方式提供给谈话双方，从而达到促进彼此的了解和沟通。这里，作为辅助理解的图片和视频，既可以通过搜索的方法从网络自动扒取，也可以从一个预先已标注好的多媒体库中直接获取。最后，系统根据谈话双方的文本聊天信息以及与之相对应的图片和视频内容，生成一个多模态的谈话摘要。
-
公开(公告)号：CN101877143A
公开(公告)日：2010-11-03
申请号：CN200910242340.4
申请日：2009-12-09
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开一种二维图像组的三维场景重建方法，该方法包括以下步骤：步骤S1：输入图像组中每幅图像计算各像素的视觉关注度评价；步骤S2：在输入图像组的各幅图像上提取尺度不变特征变换特征点，并且对图像组中两两图像上的特征点进行匹配和选择，获得的匹配特征点，匹配和选择的原则包括特征点对的特征空间相似度以及获得的特征点相对应的视觉关注度；步骤S3：利用获得的匹配特征点对对摄像机参数进行估计；步骤S4：用选取的匹配特征点对、相应特征点的关注度评价以及估计得到的摄像机参数求取优化的三维场景模型。
-
公开(公告)号：CN101377776A
公开(公告)日：2009-03-04
申请号：CN200710121079.3
申请日：2007-08-29
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明基于移动虚拟分类面的交互式图像检索方法，采用移动虚拟分类面选取图像的数据点；对图像数据点进行逐一标注；利用前一个标注的图像数据点选取下一个图像数据点；利用标注的图像数据点查找访问图像，完成交互式图像检索。在图像检索的相关反馈过程中，主动学习常常被用来减轻人工标注的数据量，其主要思想是每次仅仅选取信息量最大的数据进行标注。传统的成批标注的方法忽略了数据点之间的关系，因此不够高效。本发明提出移动虚拟分类面选点策略，利用前一个标注的数据去为下一个数据的选取提供指导，从而在不增加标注数据量的条件下提高了所标注数据总的信息量。移动虚拟分类面选点策略使主动学习算法性能得到了显著提高。
-
Patent Agency Ranking
公开(公告)号：CN119476375B
公开(公告)日：2025-03-25
申请号：CN202510053059.5
申请日：2025-01-14
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
IPC: G06N3/0495 , G06N3/084
Abstract: 本发明公开了一种用于深度神经网络的量化训练方法和系统，该方法包括：获取原始神经网络模型和验证数据集，通过层级敏感度评估和拓扑分析生成量化优先级；基于层敏感度矩阵，为各层配置差异化量化参数并建立量化约束；构建误差补偿机制，生成误差补偿策略；执行双尺度自适应量化训练，对前向和反向传播分别采用独立优化的量化策略；根据训练状态和资源约束动态调整量化参数；评估模型性能和资源效率。本发明通过多维度敏感度评估、动态量化策略和系统误差补偿，提升了量化训练的精度和效率，同时保证了部署资源约束的满足。
-
公开(公告)号：CN119476375A
公开(公告)日：2025-02-18
申请号：CN202510053059.5
申请日：2025-01-14
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
IPC: G06N3/0495 , G06N3/084
Abstract: 本发明公开了一种用于深度神经网络的量化训练方法和系统，该方法包括：获取原始神经网络模型和验证数据集，通过层级敏感度评估和拓扑分析生成量化优先级；基于层敏感度矩阵，为各层配置差异化量化参数并建立量化约束；构建误差补偿机制，生成误差补偿策略；执行双尺度自适应量化训练，对前向和反向传播分别采用独立优化的量化策略；根据训练状态和资源约束动态调整量化参数；评估模型性能和资源效率。本发明通过多维度敏感度评估、动态量化策略和系统误差补偿，提升了量化训练的精度和效率，同时保证了部署资源约束的满足。
-
公开(公告)号：CN118886453B
公开(公告)日：2024-11-29
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：CN117953272A
公开(公告)日：2024-04-30
申请号：CN202311801526.5
申请日：2023-12-25
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/82 , G06V20/13 , G06V20/10 , G06V10/44 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/0495
Abstract: 本发明提供一种图像分类方法及装置，所述方法包括：获取目标卷积神经网络，目标卷积神经网络是通过对预训练的卷积神经网络进行优化得到的，预训练的卷积神经网络是根据带有类别标签的图像数据进行训练得到的；将待识别图像输入至目标卷积神经网络中，得到目标卷积神经网络输出的待识别图像对应的类别信息；其中，目标卷积神经网络的优化方式包括：将预训练的卷积神经网络中的各个卷积操作层替换为Winograd卷积；对Winograd卷积中的域变换操作和逐元素乘法操作进行量化；对量化后的Winograd卷积进行量化参数和变换矩阵的优化。本发明实现了在确保图像分类效果的同时又节省了卷积神经网络推理的计算资源和时间资源的消耗。
-
公开(公告)号：CN113592783B
公开(公告)日：2024-01-19
申请号：CN202110772766.1
申请日：2021-07-08
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院自动化研究所
Abstract: 本发明提供一种角膜共聚焦图像中细胞基础指标的精准量化方法，包括：获取待识别的角膜共聚焦图像并输入到细胞边界分割模型，根据细胞边界分割模型输出细胞边界概率图；其中，细胞边界分割模型是以角膜共聚焦图像样本作为输入、以角膜共聚焦图像样本中每个像素点是否为细胞边界的标注结果作为输出标签，通过机器学习训练得到的；对细胞边界概率图进行预设后处理，得到细胞边界分割图；基于细胞边界分割图，获取角膜共聚焦图像的细胞区域，根据角膜共聚焦图像的细胞区域计算角膜细胞的基础指标。本发明提供的角膜共聚焦图像中细胞基础指标的精准量化方法及装置，可实现角膜共聚焦(56)对比文件Moritz C. Daniel 等.“Automatedsegmentation of the corneal endotheliumin a large set of ‘real-world’ specularmicroscopy images using the U-Netarchitecture”《.]Scientific Reports》.2019,第9卷(第1期),正文1-7.潘细朋.“基于深度卷积网络的病理图像细胞检测、分割及识别算法研究”《.中国博士学位论文全文数据库 (医药卫生科技辑)》.2021,2021年(1), E059-42.
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.043 seconds)
