-
公开(公告)号：CN119474895A
公开(公告)日：2025-02-18
申请号：CN202411150245.2
申请日：2024-08-21
Applicant: 中国科学院自动化研究所
IPC: G06F18/22 , G06F18/214 , G06F8/75 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种相似性检测方法、装置、设备及介质，包括：获取用于相似性检测的第一汇编代码和第二汇编代码；将所述第一汇编代码和所述第二汇编代码进行编码，得到所述第一汇编代码对应的第一向量和所述第二汇编代码对应的第二向量；将所述第一向量和所述第二向量输入相似性检测模型中，确定所述第一向量和所述第二向量的相似度。该方法用以解决相关技术中计算数据量较为庞大，存在数据丢失的状况，致使相似性检测需要消耗大量资源的同时相似性检测精度较低，进而导致检测的成本显著上升的问题，通过使用相似性检测模型来判断汇编代码之间的相似性，大幅降低了检测的时间和计算成本，且检测的精度显著提高。
-
公开(公告)号：CN117893881A
公开(公告)日：2024-04-16
申请号：CN202311715547.5
申请日：2023-12-13
Applicant: 中国科学院自动化研究所 , 武汉人工智能研究院
IPC: G06V10/94 , G06N3/063 , G06N3/0455
Abstract: 本发明提供一种视觉Transformer推理优化方法及装置，该方法包括：将视觉Transformer中多头自注意力机制的第一权重矩阵划分为多个第一权重子矩阵；使用网络处理器中的矩阵计算单元依次基于各第一权重子矩阵计算图像的特征矩阵，特征矩阵包括Q矩阵、K矩阵和V矩阵，并将Q矩阵和K矩阵进行相乘得到QK矩阵；在矩阵计算单元每次计算特征矩阵和QK矩阵的同时，使用网络处理器中的向量计算单元对矩阵计算单元已计算的QK矩阵进行softmax计算，以供矩阵计算单元将softmax的计算结果与V矩阵进行相乘得到最终结果。本发明提升视觉Transformer的推理速度。
-
公开(公告)号：CN117422037A
公开(公告)日：2024-01-19
申请号：CN202311134048.7
申请日：2023-09-04
Applicant: 中国科学院自动化研究所 , 武汉人工智能研究院
IPC: G06F30/392 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及模拟芯片设计技术领域，提供一种模拟芯片自动化布局模型训练方法及自动化布局方法，该训练方法同步对各样本布局智能体对应的策略网络进行训练，可以实现模拟芯片自动化布局模型的中心化训练，提升强化学习收敛效率和稳定性。该训练方法可以得到配置于各目标布局智能体内的模拟芯片自动化布局模型，实现去中心化布局决策，可以提升后续模拟芯片布局效率及布局效果，能够在不需要大量的布局数据的前提下，在秒级的时间内，得到一个性能与人工布局性能相当的布局结果，从而实现自动化的布局，进而有助于后续模拟芯片布线，为模拟芯片的快速生产及批量化应用提供了便利。
-
公开(公告)号：CN114333040B
公开(公告)日：2022-07-12
申请号：CN202210218277.6
申请日：2022-03-08
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种多层级目标检测方法及系统，包括：获取待检测目标图片集合；将所述待检测目标图片集合输入预先训练好的多层级目标检测模型中，得到初始目标检测结果和多个子目标检测结果；其中，所述多层级目标检测模型是获取目标检测数据集，基于单阶段初始目标检测网络训练参数确定多阶段子任务训练参数，对所述多阶段子任务训练参数进行更新，并对所述目标检测数据集的正负样本进行回归训练所获得的。本发明基于充分训练的目标检测神经网络，仅增加少量的参数量进行微调，即可完成已检测目标的二次分析，在保持该方法优势的同时，节约了计算量和部署工作量，同时在二次分析时可以引入上下文信息，获得更高的精度。
-
Patent Agency Ranking
公开(公告)号：CN114861842B
公开(公告)日：2022-10-28
申请号：CN202210797903.1
申请日：2022-07-08
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明提供一种少样本目标检测方法、装置和电子设备；涉及机器视觉技术领域。该方法包括：采用包括基础类别的第一样本数据训练得到第一模型，第一模型包括支持分支、查询分支，第一模型的支持分支用于提取基础类别的类别特征；采用包括新类别的第二样本数据对第一模型进行微调，得到第二模型，第二模型的支持分支用于提取基础类别和新类别的类别特征，第二样本的数量远小于第一样本的数量；将待检测样本输入第二模型的查询分支，提取待检测样本的第一特征；将第一特征与第二模型的类别特征进行特征重加权处理，得到处理后的第二特征，利用第二特征确定待检测样本的检测结果。本发明能够提高少样本检测器的性能。
-
公开(公告)号：CN114333040A
公开(公告)日：2022-04-12
申请号：CN202210218277.6
申请日：2022-03-08
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种多层级目标检测方法及系统，包括：获取待检测目标图片集合；将所述待检测目标图片集合输入预先训练好的多层级目标检测模型中，得到初始目标检测结果和多个子目标检测结果；其中，所述多层级目标检测模型是获取目标检测数据集，基于单阶段初始目标检测网络训练参数确定多阶段子任务训练参数，对所述多阶段子任务训练参数进行更新，并对所述目标检测数据集的正负样本进行回归训练所获得的。本发明基于充分训练的目标检测神经网络，仅增加少量的参数量进行微调，即可完成已检测目标的二次分析，在保持该方法优势的同时，节约了计算量和部署工作量，同时在二次分析时可以引入上下文信息，获得更高的精度。
-
公开(公告)号：CN117422041A
公开(公告)日：2024-01-19
申请号：CN202311132966.6
申请日：2023-09-04
Applicant: 中国科学院自动化研究所 , 武汉人工智能研究院
IPC: G06F30/394 , G06N3/126
Abstract: 本发明涉及模拟芯片设计技术领域，提供一种模拟芯片自动化布线模型训练方法及自动化布线方法，该训练方法中将目标遗传算法得到的布线路径信息作为深度Q网络的回放经验，可以提高深度Q网络的预测能力。而且，将整个模拟芯片的网表信息分解成各个子网络信息，并利用各样本电路图子网络训练得到模拟芯片自动化布线模型，如此可以缩小目标遗传算法以及深度Q网络的搜索范围，可以进一步提高深度Q网络的训练效率。该训练方法得到的模拟芯片自动化布线模型，可以适用于电路图子网络范围内的布线，搜索范围小，可以快速得到最优布线方案，可以提高布线效率，为模拟芯片的快速生产及批量化应用提供了便利。
-
公开(公告)号：CN114861842A
公开(公告)日：2022-08-05
申请号：CN202210797903.1
申请日：2022-07-08
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 本发明提供一种少样本目标检测方法、装置和电子设备；涉及机器视觉技术领域。该方法包括：采用包括基础类别的第一样本数据训练得到第一模型，第一模型包括支持分支、查询分支，第一模型的支持分支用于提取基础类别的类别特征；采用包括新类别的第二样本数据对第一模型进行微调，得到第二模型，第二模型的支持分支用于提取基础类别和新类别的类别特征，第二样本的数量远小于第一样本的数量；将待检测样本输入第二模型的查询分支，提取待检测样本的第一特征；将第一特征与第二模型的类别特征进行特征重加权处理，得到处理后的第二特征，利用第二特征确定待检测样本的检测结果。本发明能够提高少样本检测器的性能。
-
公开(公告)号：CN119942066A
公开(公告)日：2025-05-06
申请号：CN202411938991.8
申请日：2024-12-26
Applicant: 武汉人工智能研究院 , 中国科学院自动化研究所
IPC: G06V10/25 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N5/04
Abstract: 本发明提供物体检测方法、模型训练方法、装置、设备及介质，物体检测包括待检测的图像输入到图像特征提取器；图像特征提取器提取的图像特征和高斯白噪声输入到扩散模型中；扩散模型输出隐向量，隐向量输入到自编码器的解码器中；解码器输出与隐向量相应的物体检测结果；物体检测模型训练包括自编码器训练和图像特征提取器与扩散模型联合训练。本发明的物体检测方法，将变长/无序/连续离散混杂的矩形框与类别信息变换为定长/有序/抗噪的隐向量；本发明所提供层次化的自编码器结构，在保持隐向量空间良好性质的同时，尽量压缩向量维度，提升了物体检测方法的速度和精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.033 seconds)
