-
公开(公告)号：CN113379034A
公开(公告)日：2021-09-10
申请号：CN202110661438.4
申请日：2021-06-15
Applicant: 南京大学
Abstract: 本申请公开了一种基于网络结构搜索技术的神经网络结构优化方法，包括以下步骤：获取训练样本，将所述训练样本输入初始神经网络，通过搜索算法根据所述训练样本，在所述初始神经网络上依次生成具有不同搜索状态的分支神经网络结构，得到若干个待优化神经网络结构，所述搜索状态包括插入分支的节点位置和对应节点位置的插入深度，对待优化神经网络结构进行优化，得到最优神经网络结构。通过搜索算法自动在初始神经网络结构上构建分支神经网络结构，对其进行优化后，得到最优神经网络分支结构，解决了现有神经网络构建过程中，通过动态计算的模型压缩算法对模型进行压缩，耗费大量人力物力，同时还存在神经网络陷入局部最优，严重影响效率的问题。
-
公开(公告)号：CN112712126A
公开(公告)日：2021-04-27
申请号：CN202110009127.X
申请日：2021-01-05
Applicant: 南京大学
Abstract: 本申请提供了一种图片识别方法，该方法采用预先训练好的图片识别模型，图片识别模型包括：主网络、分支网络、分支点以及第一处理模块；主网络为任意一种卷积神经网络模型；分支点设置于预定位置处；分支网络包括预设层数并且预设通道宽度的分支网络卷积层；预设层数以及预设通道宽度根据主网络中的下采样层确定；图片识别方法包括：主网络对待识别图片进行第一特征处理，得到第一处理图片；分支网络对第一处理图片进行识别，确定分支识别结果；第一处理模块接收分支网络输出的分支识别结果，并根据分支识别结果与分支识别结果的极大值位置确定交叉熵；如果交叉熵小于预设阈值，则输出分支识别结果。本申请提供的方法提高了图片识别精度。
-
Patent Agency Ranking
公开(公告)号：CN112633402A
公开(公告)日：2021-04-09
申请号：CN202011607740.3
申请日：2020-12-30
Applicant: 南京大学
Abstract: 本申请涉及神经网络技术领域，提供一种实现动态计算的高精度高比例的分类模型及分类方法，高精度高比例的分类模型包括主干网络模型和至少一个第一分支网络模型；主干网络模型包括输入端、输出端和多个中间层，在多个中间层的1/4‑1/3的层数之间，插入第一分支网络模型；第一分支网络模型包括分类模块和置信度确定模块。在实际应用过程中，分类模块用于产生插入处的分类输出，置信度确定模块用于判断分类输出是否满足精度要求，若满足精度要求，则高精度高比例的分类模型在第一分支网络模型的输出端提前退出，若不满足精度要求，则放弃分类模块产生的分类输出，并返回主干网络模型的中间层，继续完成分类运算。
-
公开(公告)号：CN112633402B
公开(公告)日：2024-05-03
申请号：CN202011607740.3
申请日：2020-12-30
Applicant: 南京大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/084
Abstract: 本申请涉及神经网络技术领域，提供一种实现动态计算的高精度高比例的分类模型及分类方法，高精度高比例的分类模型包括主干网络模型和至少一个第一分支网络模型；主干网络模型包括输入端、输出端和多个中间层，在多个中间层的1/4‑1/3的层数之间，插入第一分支网络模型；第一分支网络模型包括分类模块和置信度确定模块。在实际应用过程中，分类模块用于产生插入处的分类输出，置信度确定模块用于判断分类输出是否满足精度要求，若满足精度要求，则高精度高比例的分类模型在第一分支网络模型的输出端提前退出，若不满足精度要求，则放弃分类模块产生的分类输出，并返回主干网络模型的中间层，继续完成分类运算。
-
公开(公告)号：CN112712126B
公开(公告)日：2024-03-19
申请号：CN202110009127.X
申请日：2021-01-05
Applicant: 南京大学
Abstract: 本申请提供了一种图片识别方法，该方法采用预先训练好的图片识别模型，图片识别模型包括：主网络、分支网络、分支点以及第一处理模块；主网络为任意一种卷积神经网络模型；分支点设置于预定位置处；分支网络包括预设层数并且预设通道宽度的分支网络卷积层；预设层数以及预设通道宽度根据主网络中的下采样层确定；图片识别方法包括：主网络对待识别图片进行第一特征处理，得到第一处理图片；分支网络对第一处理图片进行识别，确定分支识别结果；第一处理模块接收分支网络输出的分支识别结果，并根据分支识别结果与分支识别结果的极大值位置确定交叉熵；如果交叉熵小于预设阈值，则输出分支识别结果。本申请提供的方法提高了图片识别精度。
-
公开(公告)号：CN118485112A
公开(公告)日：2024-08-13
申请号：CN202410690829.2
申请日：2024-05-30
Applicant: 南京大学
IPC: G06N3/0464 , G06N3/08 , G06F17/15 , G06F17/16
Abstract: 本申请提供一种用于加快量化卷积网络的模型，涉及深度学习技术领域，所述模型包括数据获取模块，所述数据获取模块被配置为获取神经网络待卷积数据和，所述神经网络待卷积数据包括图像、视频和音频中的至少一种特征数据；模型构建模块，所述模型构建模块被配置为构建目标傅里叶变换矩阵，所述符号化傅里叶变换矩阵包括傅里叶变换基础项、频域乘法项和修正项；卷积执行模块，所述卷积执行模块被配置为将所述神经网络待卷积数据导入所述目标傅里叶变换矩阵中进行卷积处理，得到目标特征数据。本申请通过上述模型解决了现有卷积算法无法兼备低数值误差和低算术复杂度的问题。
-
公开(公告)号：CN113379034B
公开(公告)日：2023-10-20
申请号：CN202110661438.4
申请日：2021-06-15
Applicant: 南京大学
IPC: G06N3/0464 , G06N3/063 , G06N3/082
Abstract: 本申请公开了一种基于网络结构搜索技术的神经网络结构优化方法，包括以下步骤：获取训练样本，将所述训练样本输入初始神经网络，通过搜索算法根据所述训练样本，在所述初始神经网络上依次生成具有不同搜索状态的分支神经网络结构，得到若干个待优化神经网络结构，所述搜索状态包括插入分支的节点位置和对应节点位置的插入深度，对待优化神经网络结构进行优化，得到最优神经网络结构。通过搜索算法自动在初始神经网络结构上构建分支神经网络结构，对其进行优化后，得到最优神经网络分支结构，解决了现有神经网络构建过程中，通过动态计算的模型压缩算法对模型进行压缩，耗费大量人力物力，同时还存在神经网络陷入局部最优，严重影响效率的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
