-
公开(公告)号：CN114239799B
公开(公告)日：2025-05-02
申请号：CN202111464007.5
申请日：2021-12-03
Applicant: 上海交通大学
IPC: G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/082 , G06N3/096
Abstract: 本发明提供一种高效目标检测方法，包括：获取目标检测训练集；将所述训练集用于目标检测网络的预训练，得到全精度目标检测网络；自动调整所述目标检测网络的精度和参数，获得指定压缩率下的混合精度目标检测网络；采用所述混合精度目标检测网络对待检测图像进行处理，得到图像检测结果。本发明能基于给定的图像数据，自动调整设计目标检测网络的参数，减少模型大小，无需繁杂的人为设计，能够在不同的计算和存储资源下，自适应的调整模型大小，同时实现较高的图像检测准确率，保证了图像检测方法的稳定性和实用性。
-
公开(公告)号：CN112926570B
公开(公告)日：2023-01-17
申请号：CN202110323738.1
申请日：2021-03-26
Applicant: 上海交通大学
IPC: G06V10/22 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种自适应比特网络量化方法、系统及图像处理方法，包括：获取全精度网络模型；获取所应用的分类任务下的测试数据集，并在测试数据集测试全精度网络模型的分类结果；使用量化函数对全精度网络模型的参数进行量化，并计算不同参数在待选比特位宽条件下量化前后的标准误差；估计不同参数的量化对网络性能的影响，获得当前参数的重要性；求解目标压缩率下具有最高准确度的比特位宽分配策略；将网络按照比特位宽分配策略进行量化，得到最终网络，用于图像分类和目标检测。本发明可以快速给出不同压缩率要求下网络参数的比特位宽和量化模型，同时保证较高的分类准确度，保证了量化方法的通用性。
-
公开(公告)号：CN113256657A
公开(公告)日：2021-08-13
申请号：CN202110617162.X
申请日：2021-06-03
Applicant: 上海交通大学烟台信息技术研究院
Abstract: 本发明提供一种高效医学图像分割方法及系统、终端、介质，包括：获取医学图像训练集，训练第一分割网络，用于医学图像预分割，得到分割特征图；优化所述第一分割网络的网络参数和所述分割特征图，获得第二分割网络；基于医学图像训练集迭代更新所述第二分割网络的网络参数至收敛，得到最终医学图像分割网络；将医学图像输入所述最终医学图像分割网络，得到分割结果。本发明由于网络参数和分割特征图均为精度低，计算简单，可以快速给出的医学图像分割结果，适合应用在各类医学设备上辅助诊断。
-
公开(公告)号：CN112926570A
公开(公告)日：2021-06-08
申请号：CN202110323738.1
申请日：2021-03-26
Applicant: 上海交通大学
Abstract: 本发明公开了一种自适应比特网络量化方法、系统及图像处理方法，包括：获取全精度网络模型；获取所应用的分类任务下的测试数据集，并在测试数据集测试全精度网络模型的分类结果；使用量化函数对全精度网络模型的参数进行量化，并计算不同参数在待选比特位宽条件下量化前后的标准误差；估计不同参数的量化对网络性能的影响，获得当前参数的重要性；求解目标压缩率下具有最高准确度的比特位宽分配策略；将网络按照比特位宽分配策略进行量化，得到最终网络，用于图像分类和目标检测。本发明可以快速给出不同压缩率要求下网络参数的比特位宽和量化模型，同时保证较高的分类准确度，保证了量化方法的通用性。
-
公开(公告)号：CN113256657B
公开(公告)日：2022-11-04
申请号：CN202110617162.X
申请日：2021-06-03
Applicant: 上海交通大学烟台信息技术研究院
Abstract: 本发明提供一种高效医学图像分割方法及系统、终端、介质，包括：获取医学图像训练集，训练第一分割网络，用于医学图像预分割，得到分割特征图；优化所述第一分割网络的网络参数和所述分割特征图，获得第二分割网络；基于医学图像训练集迭代更新所述第二分割网络的网络参数至收敛，得到最终医学图像分割网络；将医学图像输入所述最终医学图像分割网络，得到分割结果。本发明由于网络参数和分割特征图均为精度低，计算简单，可以快速给出的医学图像分割结果，适合应用在各类医学设备上辅助诊断。
-
Patent Agency Ranking
公开(公告)号：CN118898277A
公开(公告)日：2024-11-05
申请号：CN202410937603.8
申请日：2024-07-12
Applicant: 上海交通大学
IPC: G06N3/0495 , G06N3/0464 , G06N3/08 , G06V10/82 , G06V10/764
Abstract: 本发明提供一种自适应精度神经网络训练方法和系统，包括：计算模型训练过程中的权重、激活和梯度对模型损失的敏感度度量，衡量各个层量化的影响；基于所述敏感度度量，设计权重、激活和梯度的位宽分配方案，在训练过程每经过一定的训练时间，根据所述敏感度度量对位宽逐层进行动态调整；各个层根据权重、激活和梯度调整后的当前位宽，选择对应的低位整数矩阵计算算子，替换掉原有的浮点计算算子。本发明能够在保证网络训练后的性能的前提下，降低网络训练过程中的计算量，减少神经网络训练在实际场景下的开销。
-
公开(公告)号：CN114239799A
公开(公告)日：2022-03-25
申请号：CN202111464007.5
申请日：2021-12-03
Applicant: 上海交通大学
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种高效目标检测方法，包括：获取目标检测训练集；将所述训练集用于目标检测网络的预训练，得到全精度目标检测网络；自动调整所述目标检测网络的精度和参数，获得指定压缩率下的混合精度目标检测网络；采用所述混合精度目标检测网络对待检测图像进行处理，得到图像检测结果。本发明能基于给定的图像数据，自动调整设计目标检测网络的参数，减少模型大小，无需繁杂的人为设计，能够在不同的计算和存储资源下，自适应的调整模型大小，同时实现较高的图像检测准确率，保证了图像检测方法的稳定性和实用性。
-
公开(公告)号：CN115834914B
公开(公告)日：2025-04-25
申请号：CN202211561058.4
申请日：2022-12-07
Applicant: 上海交通大学
IPC: H04N19/91 , G06T9/00 , G06N3/0464
Abstract: 本发明提供一种基于张量网络的熵编码、熵解码方法及图像压缩方法、系统、装置，包括：采用格雷码将图像的离散特征划分为多个二进制位平面；采用特征映射将二进制位平面映射到对应的希尔伯特空间内，生成位平面的向量化特征；基于张量网络的熵编码模型，对位平面的向量化特征分别进行概率估计及编码，生成位平面特征二进制码流；合并所有的位平面特征二进制码流，得到特征二进制码流。采用张量网络建模特征概率分布，能够在不引入任何先验假设的条件下，准确计算特征的联合概率，相比于现有熵模型的设计进一步提升了压缩结构的灵活性和可扩展性。
-
公开(公告)号：CN119211564A
公开(公告)日：2024-12-27
申请号：CN202411315044.3
申请日：2024-09-20
Applicant: 上海交通大学
Abstract: 本公开提供一种整数实现的图像编码、解码、压缩方法以及系统、终端，其中，方法包括：将待压缩图像输入预设的整数化的编码网络，确定整数特征图；将整数特征图输入预设的整数化的超先验编码网络，采用非参数化分布估计确定整数超先验特征图和超先验特征二进制码流；将整数超先验特征图输入预设的整数化的超先验解码网络，确定整数特征图的高斯分布参数；采用预设的熵编码器对整数特征图进行编码处理，确定特征图二进制码流；将超先验特征二进制码流和特征图二进制码流进行合并处理，确定压缩图像二进制码流。通过本公开，在不损失率失真性能的情况下，降低图像编码和图像解码的复杂度，提高图像压缩的运行效率，节省资源消耗。
-
公开(公告)号：CN119048799A
公开(公告)日：2024-11-29
申请号：CN202411009929.0
申请日：2024-07-26
Applicant: 上海交通大学
IPC: G06V10/764 , G06N3/0464 , G06N3/082 , G06N3/084 , G06F7/483
Abstract: 本发明提供一种基于随机初始化的神经网络压缩和图像分类方法及系统，包括：获取待压缩网络及其参数初始化方法和初始化的随机数种子；使用所述随机数种子按照所述初始化方法生成初始化的网络参数；对每一层每个通道搜索缩放因子，将所述初始化的网络参数乘以缩放因子获得缩放的网络参数，使得缩放的网络参数与待压缩的网络参数之间误差的平方和最小；将所述待压缩的网络参数减去所述缩放的网络参数，得到参数差值；对所述参数差值进行压缩处理得到压缩后的参数差值。本发明实现高压缩率，来降低神经网络储存和传输开销，达到节省资源的目的。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
