-
公开(公告)号：CN110852359A
公开(公告)日：2020-02-28
申请号：CN201911035972.3
申请日：2019-10-29
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于深度学习的家谱识别方法及系统，本发明面向家谱数字化领域，基于深度学习的方法，设计了一种目标位置检测与目标分类两个深度学习任务分离的家谱数据快速数字化方案，首先通过分别训练目标位置检测和目标分类两个卷积神经网络，以此判断出家谱中汉字的位置与内容，最后通过正则表达式分析出家谱中人物关系来绘制出数字化的家谱。基于此深度学习的家谱识别方案不仅减免了大量人力识别，同时保证数据数字化结果的准确度。
-
公开(公告)号：CN110852359B
公开(公告)日：2023-05-26
申请号：CN201911035972.3
申请日：2019-10-29
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于深度学习的家谱识别方法及系统，本发明面向家谱数字化领域，基于深度学习的方法，设计了一种目标位置检测与目标分类两个深度学习任务分离的家谱数据快速数字化方案，首先通过分别训练目标位置检测和目标分类两个卷积神经网络，以此判断出家谱中汉字的位置与内容，最后通过正则表达式分析出家谱中人物关系来绘制出数字化的家谱。基于此深度学习的家谱识别方案不仅减免了大量人力识别，同时保证数据数字化结果的准确度。
-
公开(公告)号：CN108564165B
公开(公告)日：2024-01-23
申请号：CN201810206021.7
申请日：2018-03-13
Applicant: 上海交通大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种卷积神经网络定点化优化的方法及系统，包括：量化步骤：将预训练过的卷积神经网络进行量化，将卷积神经网络的输入量化为N bits的定点数，将卷积核中的参数量化为预设集合中的数，选择与所述预设集合中欧式距离最近的数进行量化；训练步骤：控制卷积层参数不变，训练量化后的卷积神经网络；卷积运算步骤：将经过训练的卷积神经网络输入卷积器，所述卷积器的输入为n个N bits的定点数以及n个4bits的卷积核参数，经过位移器输入n输入树形级联加法器，所述n为卷积核的数量。本发明提高了运算效率降低了功耗，同时保证预测结果的准确度。
-
公开(公告)号：CN108564165A
公开(公告)日：2018-09-21
申请号：CN201810206021.7
申请日：2018-03-13
Applicant: 上海交通大学
Abstract: 本发明提供了一种卷积神经网络定点化优化的方法及系统，包括：量化步骤：将预训练过的卷积神经网络进行量化，将卷积神经网络的输入量化为N bits的定点数，将卷积核中的参数量化为预设集合中的数，选择与所述预设集合中欧式距离最近的数进行量化；训练步骤：控制卷积层参数不变，训练量化后的卷积神经网络；卷积运算步骤：将经过训练的卷积神经网络输入卷积器，所述卷积器的输入为n个N bits的定点数以及n个4bits的卷积核参数，经过位移器输入n输入树形级联加法器，所述n为卷积核的数量。本发明提高了运算效率降低了功耗，同时保证预测结果的准确度。
-
-
-
Search Results
4
records
(took 0.019 seconds)
