-
公开(公告)号：CN118799653B
公开(公告)日：2025-04-29
申请号：CN202411267049.3
申请日：2024-09-11
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/22 , G06N3/0464 , G06N3/08
Abstract: 本发明的一种隐式语义关联建模方法、零样本图像分类方法及装置，属于图像处理技术领域，零样本图像分类方法包括以下步骤：步骤1，获取测试图像和源图像，所述测试图像为未标注的目标图像，所述源图像为标记好的图像；步骤2，利用源图像进行模型训练，获得语义相关性预测模型g(*)；步骤3，计算测试图像的隐含语义表示；步骤4，计算测试图像与每个源图像之间的语义关联矩阵Hi,t；步骤5，利用语义相关性预测模型g(*)预测测试图像与每个源图像之间的语义一致性，并将测试图像分类到平均语义一致性最大的类别。本发明在多个公共数据集上表现出色，并持续提高分类准确率，具有较好的判别力和泛化能力。
-
公开(公告)号：CN102148921A
公开(公告)日：2011-08-10
申请号：CN201110113290.7
申请日：2011-05-04
Applicant: 中国科学院自动化研究所
IPC: H04N5/14
Abstract: 本发明是基于动态群组划分的多目标跟踪方法，所述多目标跟踪方法包括步骤如下：S1：对于视频场景中的某一时刻，首先判定是否有目标进入或离开场景区域，根据检测结果更新目标集合；S2：设定目标集合的分组阈值，使用层次聚类按距离对上一时刻目标集合进行聚类，根据上一时刻的聚类结果，将上一时刻目标位置分成不同群组；S3：为目标集合中的每个群组分配一个跟踪器，跟踪器根据群组内每个目标上一时刻的位置状态，加上群组内每个目标当前时刻在图像上的观测值，使用贝叶斯框架推断每个目标在当前时刻位置的最优值，用每个目标当前时刻位置的最优值更新目标集合中各个目标的位置状态，为推断各个目标的下一时刻的位置做准备。
-
公开(公告)号：CN118171697B
公开(公告)日：2024-08-30
申请号：CN202410584793.X
申请日：2024-05-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
Inventor： 胥明凯 , 任志刚 , 李琮 , 杨杰 , 陈显达 , 王淑颖 , 王思源 , 刘昭 , 刘晓 , 刘哲 , 王万国 , 胡庆浩 , 李章明 , 高翔 , 邵帅 , 郑义斌 , 张雨薇
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明的一种深度神经网络压缩的方法、装置、计算机设备和存储介质，属于卷积神经网络技术领域，方法包括：获取原始深度神经网络的权重矩阵；通过局部结构化稀疏处理对权重矩阵进行稀疏剪枝；通过乘积量化方法对稀疏剪枝后权重矩阵进行矩阵权重压缩，获得压缩权重；将压缩权重放入adam模块进行微调，获得压缩后的输变电缺陷识别模型。本发明通过结构化稀疏提高了计算效率，通过乘积量化降低了存储开销，结构化稀疏和乘积量化两者协同工作，大大提高了深度神经网络的压缩率。
-
公开(公告)号：CN116912637B
公开(公告)日：2023-12-22
申请号：CN202311174427.9
申请日：2023-09-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/77 , G06V10/25 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/082 , G06T7/00
Abstract: 本发明公开了一种输变电缺陷识别的方法、装置、计算机设备和存储介质，属于图像处理技术领域，应用于变电站场景的方法包括：获取变电站缺陷检测数据集，对变电站缺陷检测数据集进行图像预处理，生成样本集；利用训练集训练卷积神经网络，建立基于YoloV3模型的变电站缺陷识别模型；基于双门动态剪枝方法对变电站缺陷识别模型进行轻量化处理，获得轻量化变电站缺陷识别模型：利用验证集对轻量化变电站缺陷识别模型进行验证；实时采集变电站缺陷监测图像，并输入轻量化变电站缺陷识别模型进行变电站缺陷检测。本发明能够及时发现和鉴别变电站(56)对比文件琚泽立 等.基于轻量化网络的变电站缺陷图片检测算法.电网与清洁能源.2020,(08),第47-53页.胥明凯 等.应用于GIS绝缘缺陷诊断的改进BP神经网络识别方法《.第三届智能电网会议论文集——智能用电》.2019,第288-291页.Mashhadi M.B et.al.Pruning thePilots: Deep Learning-Based Pilot Designand Channel Estimation for MIMO-OFDMSystems《.IEEE TRANSACTIONS ON WIRELESSCOMMUNICATIONS》.2021,第20卷(第10期),第6315-28页.周仿荣;方明;马御棠;潘浩.基于YOLO v3的输电线路缺陷快速检测方法.云南电力技术.2020,(04),第116-120页.
-
Patent Agency Ranking
公开(公告)号：CN118799653A
公开(公告)日：2024-10-18
申请号：CN202411267049.3
申请日：2024-09-11
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/22 , G06N3/0464 , G06N3/08
Abstract: 本发明的一种隐式语义关联建模方法、零样本图像分类方法及装置，属于图像处理技术领域，零样本图像分类方法包括以下步骤：步骤1，获取测试图像和源图像，所述测试图像为未标注的目标图像，所述源图像为标记好的图像；步骤2，利用源图像进行模型训练，获得语义相关性预测模型g(*)；步骤3，计算测试图像的隐含语义表示；步骤4，计算测试图像与每个源图像之间的语义关联矩阵Hi,t；步骤5，利用语义相关性预测模型g(*)预测测试图像与每个源图像之间的语义一致性，并将测试图像分类到平均语义一致性最大的类别。本发明在多个公共数据集上表现出色，并持续提高分类准确率，具有较好的判别力和泛化能力。
-
公开(公告)号：CN116912637A
公开(公告)日：2023-10-20
申请号：CN202311174427.9
申请日：2023-09-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/77 , G06V10/25 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/082 , G06T7/00
Abstract: 本发明公开了一种输变电缺陷识别的方法、装置、计算机设备和存储介质，属于图像处理技术领域，应用于变电站场景的方法包括：获取变电站缺陷检测数据集，对变电站缺陷检测数据集进行图像预处理，生成样本集；利用训练集训练卷积神经网络，建立基于YoloV3模型的变电站缺陷识别模型；基于双门动态剪枝方法对变电站缺陷识别模型进行轻量化处理，获得轻量化变电站缺陷识别模型：利用验证集对轻量化变电站缺陷识别模型进行验证；实时采集变电站缺陷监测图像，并输入轻量化变电站缺陷识别模型进行变电站缺陷检测。本发明能够及时发现和鉴别变电站和输电线路缺陷，提高了变电站和输电线路运维自动化水平和电网运行安全，也适用于输电线路场景。
-
公开(公告)号：CN118171697A
公开(公告)日：2024-06-11
申请号：CN202410584793.X
申请日：2024-05-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
Inventor： 胥明凯 , 任志刚 , 李琮 , 杨杰 , 陈显达 , 王淑颖 , 王思源 , 刘昭 , 刘晓 , 刘哲 , 王万国 , 胡庆浩 , 李章明 , 高翔 , 邵帅 , 郑义斌 , 张雨薇
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明的一种深度神经网络压缩的方法、装置、计算机设备和存储介质，属于卷积神经网络技术领域，方法包括：获取原始深度神经网络的权重矩阵；通过局部结构化稀疏处理对权重矩阵进行稀疏剪枝；通过乘积量化方法对稀疏剪枝后权重矩阵进行矩阵权重压缩，获得压缩权重；将压缩权重放入adam模块进行微调，获得压缩后的输变电缺陷识别模型。本发明通过结构化稀疏提高了计算效率，通过乘积量化降低了存储开销，结构化稀疏和乘积量化两者协同工作，大大提高了深度神经网络的压缩率。
-
公开(公告)号：CN116167413A
公开(公告)日：2023-05-26
申请号：CN202310422590.6
申请日：2023-04-20
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
IPC: G06N3/0464 , G06N3/042 , G06N3/082 , G06N3/092
Abstract: 本发明公开了一种深度卷积神经网络量化剪枝联合优化的方法及系统，属于图像处理技术领域，方法包括：获取待处理对象图像的数据集；利用所述数据集训练待优化神经网络模型，并初始化神经网络模型参数，神经网络模型参数包括评价网络、执行网络、目标评价网络和目标执行网络参数；使用基于强化学习的量化剪枝策略学习方法得到神经网络模型最优的权重剪枝率、权重量化率、输入特征量化率；使用基于蒸馏和量化熵正则后训练方法重新训练神经网络，得到优化后的神经网络模型参数；利用最优的权重剪枝率、权重量化率、输入特征量化率对神经网络模型进行优化，得到最终的神经网络模型。本发明使深度卷积神经网络提升了模型性能，实现了加速与压缩。
-
公开(公告)号：CN102148921B
公开(公告)日：2012-12-12
申请号：CN201110113290.7
申请日：2011-05-04
Applicant: 中国科学院自动化研究所
IPC: H04N5/14
Abstract: 本发明是基于动态群组划分的多目标跟踪方法，所述多目标跟踪方法包括步骤如下：S1：对于视频场景中的某一时刻，首先判定是否有目标进入或离开场景区域，根据检测结果更新目标集合；S2：设定目标集合的分组阈值，使用层次聚类按距离对上一时刻目标集合进行聚类，根据上一时刻的聚类结果，将上一时刻目标位置分成不同群组；S3：为目标集合中的每个群组分配一个跟踪器，跟踪器根据群组内每个目标上一时刻的位置状态，加上群组内每个目标当前时刻在图像上的观测值，使用贝叶斯框架推断每个目标在当前时刻位置的最优值，用每个目标当前时刻位置的最优值更新目标集合中各个目标的位置状态，为推断各个目标的下一时刻的位置做准备。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.034 seconds)
