-
公开(公告)号：CN114418898A
公开(公告)日：2022-04-29
申请号：CN202210274449.1
申请日：2022-03-21
Applicant: 南湖实验室
IPC: G06T5/00 , G06T7/73 , G06V10/774 , G06K9/62
Abstract: 本发明提供了一种基于目标重叠度计算和自适应调整的数据增强方法，包括：S1、将已标注的目标检测任务的数据集作为对象；S2、对待扩展目标进行选择：选定一个或多个目标类别作为待扩展类别，筛选出整个数据集中包含所述待扩展类别的图片的集合作为待扩展集合，从整个数据集中随机选取一定比例数量的图片组成集合作为待生成集合；S3、所述待扩展集合与所述待生成集合中的图片随机组合，通过重叠度计算与自适应调整的方法，生成新图片与新标签以进行数据增强。本发明可以提升数据集中的图片数量、目标数量、目标与背景组合的多样性，提升深度神经网络模型的训练效率和性能。
-
公开(公告)号：CN114117333A
公开(公告)日：2022-03-01
申请号：CN202210068973.3
申请日：2022-01-20
Applicant: 南湖实验室
Abstract: 本发明公开了一种用于异常检测的对抗重构网络设计、训练方法及检测方法，尤其涉及一种用于异常检测的可支持多段式训练的对抗重构网络损失函数设计方法，包括重构网络损失函数和判别网络损失函数，所述的重构网络损失函数包括重构损失函数和重构对抗损失函数，所述的判别网络损失函数包括真实图像判别损失函数和判别对抗损失函数，所述的重构损失函数用于评估重构网络的重构性能，真实图像判别损失函数用于评估判别网络的判别性能，所述的重构对抗损失函数和判别对抗损失函数用于重构网络和判别网络对抗训练的交互。前述对抗重构网络损失函数涉及方法为多段式训练策略提供基础，使模型训练更稳定，克服对抗重构网络的对抗训练不稳定的问题，保证最终的重构网络能够高效复原正常样本，且判别网络对正常样本赋高分。
-
公开(公告)号：CN114418898B
公开(公告)日：2022-07-26
申请号：CN202210274449.1
申请日：2022-03-21
Applicant: 南湖实验室
IPC: G06T5/00 , G06T7/73 , G06V10/774 , G06K9/62
Abstract: 本发明提供了一种基于目标重叠度计算和自适应调整的数据增强方法，包括：S1、将已标注的目标检测任务的数据集作为对象；S2、对待扩展目标进行选择：选定一个或多个目标类别作为待扩展类别，筛选出整个数据集中包含所述待扩展类别的图片的集合作为待扩展集合，从整个数据集中随机选取一定比例数量的图片组成集合作为待生成集合；S3、所述待扩展集合与所述待生成集合中的图片随机组合，通过重叠度计算与自适应调整的方法，生成新图片与新标签以进行数据增强。本发明可以提升数据集中的图片数量、目标数量、目标与背景组合的多样性，提升深度神经网络模型的训练效率和性能。
-
公开(公告)号：CN118469020A
公开(公告)日：2024-08-09
申请号：CN202410783303.9
申请日：2024-06-18
Applicant: 南湖实验室
IPC: G06N5/04 , G06N20/00 , G06F18/214 , G06F40/20
Abstract: 本发明属于大语言模型技术领域，具体涉及一种基于大语言模型微调算法的专业问答模型的构建方法。该构建方法，包括如下步骤：构建特定领域专业语言问答数据集；构建专业问答模型：预训练大语言模型、载入MLA‑LoRA模块和构建专业问答模型；微调训练：结合数据集对专业问答模型进行微调训练。本发明提出了一项创新性的方法，采用大语言模型微调的策略来构建特定专业领域问答模型，基于预训练大语言模型，通过构建的特定领域专业问答数据集，来微调来构建专业知识问答模型。本发明能够适用于更广泛的专业领域。这种泛用性的提高意味着该模型不仅局限于一个特定的应用场景，而是可以灵活应用于多种不同的专业领域，从而提供更广泛的服务和应用可能性。
-
公开(公告)号：CN118114889A
公开(公告)日：2024-05-31
申请号：CN202410536157.X
申请日：2024-04-30
Applicant: 南湖实验室
IPC: G06Q10/063 , G06Q50/26
Abstract: 本发明属于化工园区应急管理技术领域，具体涉及一种危化品应急辅助救援决策系统的构建方法及系统。该构建方法，包括如下步骤：构建包括预处理安全事故应急预案的训练数据集；通过高效微调训练方法构建由大语言模型和Lora模型组成的应急辅助决策模型并微调训练；所述应急辅助决策模型对于输入的自然语言事故描述，进行决策或应急辅助救援决策信息生成。本发明可以帮助园区应急救援系统更快速、准确地响应突发事件，并传递出相应建议。
-
Patent Agency Ranking
公开(公告)号：CN117011931A
公开(公告)日：2023-11-07
申请号：CN202310725187.0
申请日：2023-06-19
Applicant: 南湖实验室
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/44 , G06V10/62 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向复杂场景视频的人物动作识别方法，提出对三种模型联合使用，由目标检测模型通过循环读取得到一定时间段内各个人物在画面中的位置信息，然后利用目标追踪模型的重识别能力，并基于重识别的ID标记提出List收集，即同一ID的动作画面内容被列入同一List，对视频画面中各人物的连续动作帧分别收集得到各人物的连续动作帧集合，最后再由视频分类模型基于连续动作帧集合对视频画面中各人物的动作进行分类，实现对复杂场景下人物动作的准确及实时识别。
-
公开(公告)号：CN119229416A
公开(公告)日：2024-12-31
申请号：CN202411270814.7
申请日：2024-09-11
Applicant: 南湖实验室
IPC: G06V20/58 , G06V10/25 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种基于多尺度模块特征融合的小尺寸车辆检测深度学习模型，它解决了小尺寸车辆图像检测等问题，其包括Backbone网络、Neck层和Head网络，Backbone网络中引入了基于可变性卷积DCNv3与双卷积跨阶段模块C2f结合的C2f_DCNv3模块以及基于空间金字塔池化层SPPF与大型可分离卷积核注意力模块LSKA结合的SPPF_LSKA模块；Neck层中引入了基于空间通道重构卷积SCConv与双卷积跨阶段模块C2f结合的C2f_SCConv模块；Head网络中引入多尺度卷积核检测模块MSK_Detect。本发明具有小尺寸图像检测效果好、降低成本等优点。
-
公开(公告)号：CN116861985A
公开(公告)日：2023-10-10
申请号：CN202310796834.7
申请日：2023-06-29
Applicant: 南湖实验室
IPC: G06N3/082 , G06N3/0464
Abstract: 本方案公开了一种基于卷积层相对信息熵的神经网络剪枝子网搜索方法，该方法创新地利用了模型权重的信息熵来对不同卷积层的冗余度进行比较，各卷积层基于冗余程度的不同进行区别对待，冗余程度低的层剪枝时保留相对较大比例，而冗余度高的层剪枝时保留相对较小比例，使通过本方案得到的子网络具有更佳的网络性能，能够适用于任意比例范围(0～1之间)的神经网络剪枝需求，可以根据设定的剪枝保留比例需求，搜索大量符合要求的子网络，并利用有效的自适应批量归一化评估器从中选出最优子网络。
-
公开(公告)号：CN115937745A
公开(公告)日：2023-04-07
申请号：CN202211612025.8
申请日：2022-12-14
Applicant: 南湖实验室
IPC: G06V20/40 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/08 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于深度学习和时序判定法的动作计数框架，该框架包括模型检测模块和时序判定模块，所述时序判定模块基于输入的包含特定重复动作的视频段进行判断。该基于深度学习和时序判定法的动作计数框架及构建方法解决了视频理解中对于开始结束信息无法有效预测的问题，提升了预测性能和效率；同时还解决了以往的重复动作计数模型在对于长时间段视频的动作计数预测中，因为采样帧的分布相对于视频长度会过于稀疏而导致的计数值有上限的问题，从而提升了重复动作计数模型的准确度性能。
-
公开(公告)号：CN115331056A
公开(公告)日：2022-11-11
申请号：CN202210973706.0
申请日：2022-08-15
Applicant: 南湖实验室
IPC: G06V10/764 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于反向传播梯度筛选的异常检测方法及模型，包括：S1.准备经过训练的异常检测模型；S2.将待预测图片输入异常检测模型进行一般的前向传播得到预测结果，当预测结果为异常时，执行步骤S3；S3.确定用于求梯度的特征图矩阵；S4.对预测结果进行反向传播计算得到特征图矩阵对应的梯度矩阵；S5.对梯度矩阵在横纵坐标的方向上求平均梯度得到平均梯度矩阵；S6.对平均梯度矩阵与特征图矩阵进行矩阵相乘操作并将各个通道的同位置元素的值进行累加得到梯度图；S7.基于步骤S6获取的梯度图进行梯度筛选得到异常感知区域。本发明在原有的基于深度神经网络的分类模型框架上实现扩展功能，在保持模型框架精简的同时能够实现异常区域的定位。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
