-
公开(公告)号：CN118570119A
公开(公告)日：2024-08-30
申请号：CN202410474455.0
申请日：2024-04-19
Applicant: 南京大学
Abstract: 本发明公开了一种基于掩码的芯片焊接缺陷图像生成方法，包括：在实际的产线端收集焊盘内带有缺陷的芯片图像，构造缺陷素材库Q；芯片标注，收集正常芯片的图像，得到源数据集C，选取模板图像并标注；图像配准，从源数据集C中加载一张芯片图像img，与所属型号的模板图像进行配准，并读取每个焊盘B和引脚P的顶点坐标；根据顶点坐标，初始化生成块，并生成区域掩码M1；构造虚焊类型即焊盘中没有焊料的生成块O1；随机生成形状掩码，并选取缺陷素材，构造含有随机形状缺焊即焊盘中焊料不完整的生成块O2；使用高斯模糊，对生成块O1和O2进行平滑处理，并填充回原始的芯片图像img中；重复执行上述步骤直至完成基于掩码的芯片焊接缺陷生成。
-
公开(公告)号：CN111667016A
公开(公告)日：2020-09-15
申请号：CN202010539580.7
申请日：2020-06-12
Applicant: 中国电子科技集团公司第三十六研究所 , 南京大学
Abstract: 本发明提供了一种基于prototype的增量式信息分类方法，包括：步骤1，对当前已经训练好的模型生成一份副本，并固定副本模型参数；步骤2，为数据流新来的每个类初始化一个prototype向量，并按照新类的数量扩展当前模型的分类数目；步骤3,使用深度学习算法，计算新数据对应的损失；步骤4，根据新模型和模型副本对新数据的输出计算固化损失；步骤5，将两部分损失进行权重求和，使用梯度下降算法调整模型；步骤6，根据当前迭代次数选择继续训练或者退出。
-
公开(公告)号：CN112488209B
公开(公告)日：2024-02-20
申请号：CN202011396575.1
申请日：2020-11-25
Applicant: 南京大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0895
Abstract: 本发明提供了一种基于半监督学习的增量式图片分类方法，包括：步骤1，将流数据中出现的新类图片、公开数据集图片(作为辅助数据)进行预处理，分别放到集合A、集合B中；步骤2，对当前模型生成一份副本，并固定副本模型参数；步骤3，使用新数据训练一个teacher模型；步骤4，在当前模型中，对于每个新类别，增加一个分头网络，成为待更新参数的新模型；步骤5，对辅助数据与新数据进行shuffle操作，整体构成最终的训练数据；步骤6，使用模型副本与teacher模型对训练数据计算目标向量；步骤7，将训练数据输入新模型中，根据模型输出结果与目标向量，计算损失值。步骤8，使用梯度下降算法调整模型参数；步骤9，测试模型的预测精度。
-
公开(公告)号：CN110955809B
公开(公告)日：2023-03-31
申请号：CN201911179884.0
申请日：2019-11-27
Applicant: 南京大学
IPC: G06F16/904 , G06F16/901 , G06F16/906 , G06N3/048 , G06N3/088
Abstract: 本发明提供了一种支持拓扑结构保持的高维数据可视化方法，基于自组织增量学习神经网络的高维数据可视化方法，以实现拓扑结构保持过程中自适应网络结构设定，并可实现可视空间数据密度分布情况展示。该方法主要包括：在线聚类，可视映射，可视渲染等几个部分。在线聚类从原始数据集中自组织的学习出一个可代表该结构的代表数据集；可视映射利用降维方法多维缩放，将数据集映射到可视空间内，并保持代表数据的相对距离；可视渲染展示数据集在可视空间分布情况。采用本发明进行高维数据可视化，可以实现自适应的可视网络结构生成，并在可视结果中展示数据相互关系的同时展示数据密度分布情况。
-
Patent Agency Ranking
公开(公告)号：CN111985533A
公开(公告)日：2020-11-24
申请号：CN202010673065.8
申请日：2020-07-14
Applicant: 中国电子科技集团公司第三十六研究所 , 南京大学
Abstract: 本发明提供了一种基于多尺度信息融合的增量式水声信号识别方法，包括：步骤1，初始化算法记忆存储空间；步骤2，输入水声信号；步骤3，更新增量学习数据集；步骤4，对增量数据集进行数据增强；步骤5，更新全局特征提取器和多尺度信息提取器；步骤6，进行特征信息的融合；步骤7，更新算法的记忆存储空间；步骤8，若判断样本为已知信号，则转步骤9，若判断样本为未知信号，则输出信号未知，并转步骤10；步骤9，利用信号分类器进行已知信号的识别，并输出识别结果；步骤10，判断是否有数据更新，若有数据更新则返回步骤2进行算法的增量学习，若无数据更新则结束算法。
-
公开(公告)号：CN110955809A
公开(公告)日：2020-04-03
申请号：CN201911179884.0
申请日：2019-11-27
Applicant: 南京大学
IPC: G06F16/904 , G06F16/901 , G06F16/906 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种支持拓扑结构保持的高维数据可视化方法，基于自组织增量学习神经网络的高维数据可视化方法，以实现拓扑结构保持过程中自适应网络结构设定，并可实现可视空间数据密度分布情况展示。该方法主要包括：在线聚类，可视映射，可视渲染等几个部分。在线聚类从原始数据集中自组织的学习出一个可代表该结构的代表数据集；可视映射利用降维方法多维缩放，将数据集映射到可视空间内，并保持代表数据的相对距离；可视渲染展示数据集在可视空间分布情况。采用本发明进行高维数据可视化，可以实现自适应的可视网络结构生成，并在可视结果中展示数据相互关系的同时展示数据密度分布情况。
-
公开(公告)号：CN111985533B
公开(公告)日：2023-02-03
申请号：CN202010673065.8
申请日：2020-07-14
Applicant: 中国电子科技集团公司第三十六研究所 , 南京大学
IPC: G06F18/25 , G06F18/22 , G06F18/241 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/096 , G06F123/02
Abstract: 本发明提供了一种基于多尺度信息融合的增量式水声信号识别方法，包括：步骤1，初始化算法记忆存储空间；步骤2，输入水声信号；步骤3，更新增量学习数据集；步骤4，对增量数据集进行数据增强；步骤5，更新全局特征提取器和多尺度信息提取器；步骤6，进行特征信息的融合；步骤7，更新算法的记忆存储空间；步骤8，若判断样本为已知信号，则转步骤9，若判断样本为未知信号，则输出信号未知，并转步骤10；步骤9，利用信号分类器进行已知信号的识别，并输出识别结果；步骤10，判断是否有数据更新，若有数据更新则返回步骤2进行算法的增量学习，若无数据更新则结束算法。
-
公开(公告)号：CN111667016B
公开(公告)日：2023-01-06
申请号：CN202010539580.7
申请日：2020-06-12
Applicant: 中国电子科技集团公司第三十六研究所 , 南京大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明提供了一种基于prototype的增量式信息分类方法，包括：步骤1，对当前已经训练好的模型生成一份副本，并固定副本模型参数；步骤2，为数据流新来的每个类初始化一个prototype向量，并按照新类的数量扩展当前模型的分类数目；步骤3,使用深度学习算法，计算新数据对应的损失；步骤4，根据新模型和模型副本对新数据的输出计算固化损失；步骤5，将两部分损失进行权重求和，使用梯度下降算法调整模型；步骤6，根据当前迭代次数选择继续训练或者退出。
-
公开(公告)号：CN112488209A
公开(公告)日：2021-03-12
申请号：CN202011396575.1
申请日：2020-11-25
Applicant: 南京大学
Abstract: 本发明提供了一种基于半监督学习的增量式图片分类方法，包括：步骤1，将流数据中出现的新类图片、公开数据集图片(作为辅助数据)进行预处理，分别放到集合A、集合B中；步骤2，对当前模型生成一份副本，并固定副本模型参数；步骤3，使用新数据训练一个teacher模型；步骤4，在当前模型中，对于每个新类别，增加一个分头网络，成为待更新参数的新模型；步骤5，对辅助数据与新数据进行shuffle操作，整体构成最终的训练数据；步骤6，使用模型副本与teacher模型对训练数据计算目标向量；步骤7，将训练数据输入新模型中，根据模型输出结果与目标向量，计算损失值。步骤8，使用梯度下降算法调整模型参数；步骤9，测试模型的预测精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
