-
公开(公告)号：CN110533156B
公开(公告)日：2023-06-23
申请号：CN201810502432.0
申请日：2018-05-23
Applicant: 富士通株式会社
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种提高卷积神经网络的处理速度的方法和设备。该方法包括：根据待提高的旧卷积神经网络CNN的卷积层的旧输出数、旧CNN的测试集上的损失与训练集上的损失之比，计算经提高的新CNN的卷积层的新输出数；以及根据新CNN的卷积层的新输出数，对旧CNN的卷积层进行剪枝操作；其中，旧CNN的测试集上的损失与训练集上的损失之比越大，新CNN的卷积层的新输出数越小。
-
公开(公告)号：CN114078133A
公开(公告)日：2022-02-22
申请号：CN202010806892.X
申请日：2020-08-12
Applicant: 富士通株式会社
Abstract: 本公开内容涉及用于确定物体分布的图像处理方法、图像处理装置以及存储介质。根据本公开内容的一个实施例，该图像处方法包括：使用卷积神经网络基于针对同一目标区域的RGB图像和高度图像确定表示目标区域内分布的至少一个感兴趣类型物体的分布的掩模分布图，其中，高度图像内的每个像素具有表征被拍摄物体的相应部位的高度的高度属性，掩模分布图中的每个掩模指示单个感兴趣类型物体在同一目标区域内占据的前景区域；以及基于高度图像更新掩模分布图。本公开内容的方法、装置和存储介质的有益效果至少包括：提高确定的物体分布的准确度。
-
公开(公告)号：CN108133222A
公开(公告)日：2018-06-08
申请号：CN201611095599.7
申请日：2016-12-01
Applicant: 富士通株式会社
CPC classification number: G06N3/0454 , G06N3/08
Abstract: 本发明涉及为数据库确定卷积神经网络CNN模型的装置和方法。根据本发明的为数据库确定CNN模型的装置包括：选取单元，用于从多个已知分类能力的CNN模型中选取至少两个CNN模型；拟合单元，用于根据至少两个CNN模型的分类能力和第一参数拟合以分类能力和第一参数为变量的曲线，其中，第一参数用于表征CNN模型的性能；预测单元，用于根据曲线预测其它CNN模型的第一参数；以及确定单元，用于根据每一个CNN模型的第一参数从多个CNN模型中确定适用于数据库的CNN模型。使用根据本发明的为数据库确定CNN模型的装置和方法，无需对所有CNN模型进行训练，大大降低了计算量，简化了设计CNN模型的流程。
-
公开(公告)号：CN118644798A
公开(公告)日：2024-09-13
申请号：CN202310244394.4
申请日：2023-03-13
Applicant: 富士通株式会社
IPC: G06V20/40 , G06V10/75 , G06F16/435
Abstract: 公开了一种用于处理多模态媒体片段的信息处理装置、信息处理方法和计算机可读存储介质。该信息处理装置包括：匹配程度计算单元，被配置成针对多模态媒体片段包括的多个单元信号中的每一单元信号，计算该单元信号与关于关注目标的多个类别中的每个类别之间的匹配程度；类别确定单元，被配置成针对多个单元信号中的每一单元信号，基于匹配程度计算单元计算出的该单元信号与多个类别中的每个类别之间的匹配程度来确定该单元信号所涉及的类别；以及变化趋势确定单元，被配置成基于类别确定单元所确定的多个单元信号所涉及的类别或者多个单元信号所涉及的类别和相应的匹配程度，确定关注目标随时间的变化趋势。
-
公开(公告)号：CN113822281A
公开(公告)日：2021-12-21
申请号：CN202010565659.7
申请日：2020-06-19
Applicant: 富士通株式会社
Abstract: 本公开内容涉及用于对模型进行多目标优化的装置、方法以及存储介质。根据本公开内容的一个实施例，该装置包括：存储器，存储有指令；以及处理器，处理器被配置从存储器获取指令，并执行指令以：确定模型的模型损失函数；基于模型损失函数和模型的速度指标确定模型的多目标优化函数；以及求解多目标优化函数以确定满足预定要求的选定模型；其中，模型包括用于完成图像任务的多个子模型；模型损失函数为多个子模型中的各子模型的子模型损失函数的加权和；各子模型损失函数的用于加权和的损失权重是通过基于训练样本集以迭代更新方式被确定。本公开内容的方法、装置和存储介质的有益效果至少包括：能够筛选出综合性能良好的模型。
-
Patent Agency Ranking
公开(公告)号：CN108133222B
公开(公告)日：2021-11-02
申请号：CN201611095599.7
申请日：2016-12-01
Applicant: 富士通株式会社
Abstract: 本发明涉及为数据库确定卷积神经网络CNN模型的装置和方法。根据本发明的为数据库确定CNN模型的装置包括：选取单元，用于从多个已知分类能力的CNN模型中选取至少两个CNN模型；拟合单元，用于根据至少两个CNN模型的分类能力和第一参数拟合以分类能力和第一参数为变量的曲线，其中，第一参数用于表征CNN模型的性能；预测单元，用于根据曲线预测其它CNN模型的第一参数；以及确定单元，用于根据每一个CNN模型的第一参数从多个CNN模型中确定适用于数据库的CNN模型。使用根据本发明的为数据库确定CNN模型的装置和方法，无需对所有CNN模型进行训练，大大降低了计算量，简化了设计CNN模型的流程。
-
公开(公告)号：CN108133223B
公开(公告)日：2020-06-26
申请号：CN201611095600.6
申请日：2016-12-01
Applicant: 富士通株式会社
Abstract: 本发明涉及确定卷积神经网络CNN模型的装置和方法。根据本发明的确定CNN模型的装置包括：第一确定单元，用于确定包括多个样本的数据库的复杂度；第二确定单元，用于根据数据库的复杂度确定适用于数据库的CNN模型的分类能力；第三确定单元，用于获取多个候选CNN模型中的每个候选CNN模型的分类能力；以及匹配单元，用于根据每个候选CNN模型的分类能力以及适用于数据库的CNN模型的分类能力确定适用于数据库的CNN模型。使用根据本发明的确定CNN模型的装置和方法，可以简化CNN模型的设计流程，使得作为用户的普通人员也能够容易地设计和调整CNN模型，并能够根据数据库的复杂度为该数据库确定出更匹配的CNN模型。
-
公开(公告)号：CN116415587A
公开(公告)日：2023-07-11
申请号：CN202111581637.0
申请日：2021-12-22
Applicant: 富士通株式会社
Abstract: 本申请公开一种信息处理装置和信息处理方法。该信息处理装置包括：第二文本生成单元，利用多个文本生成模型生成与每个第一文本对应的多个第二文本；候选模型选择单元，被配置成基于多个第二文本与相应的第一文本之间的语义匹配程度从多个文本生成模型中选择候选模型；相似度计算单元，被配置成针对每个第一文本、计算利用候选模型生成的与该第一文本对应的多个第二文本彼此之间的文本相似度，以及基于第二文本彼此之间的文本相似度，计算候选模型彼此之间的模型相似度；目标模型选择单元，被配置成基于模型相似度从候选模型中选择目标模型；以及第四文本生成单元，被配置成利用目标模型生成与待处理文本对应的第二预定数目的第四文本。
-
公开(公告)号：CN111985601A
公开(公告)日：2020-11-24
申请号：CN201910423683.4
申请日：2019-05-21
Applicant: 富士通株式会社
Abstract: 本公开涉及一种计算机实现的用于增量学习的数据识别方法，包括：获取新的训练样本集，将新的训练样本集与已有的训练样本集进行合并以得到更新后的训练样本集，计算更新后的训练样本集的复杂度并基于复杂度计算要基于更新后的训练样本集生成的数据识别模型的网络结构的规模，确定要生成的数据识别模型的网络结构的参数空间并基于要识别的数据从网络结构的参数空间中采样得到具有该规模的子网络结构的参数，并根据子网络结构的参数构建用于数据识别模型的网络结构，得到子网络结构的每个结点处的操作；使用更新后的训练样本集对具有子网络结构的数据识别模型进行训练以确定子网络结构中每个节点处的操作所涉及的参数，从而生成数据识别模型，以及基于数据识别模型进行数据识别。
-
公开(公告)号：CN109697502A
公开(公告)日：2019-04-30
申请号：CN201710984232.9
申请日：2017-10-20
Applicant: 富士通株式会社
Abstract: 本公开提供了在卷积神经网络中进行数据处理的信息处理方法和设备以及存储介质。该信息处理方法包括针对优化的卷积神经网络中的一个卷积层进行下述操作：对该卷积层的第一组输入通道以第一组滤波器进行卷积处理，得到第一组输出通道；对该卷积层的至少第二组输入通道以第二组滤波器进行卷积处理，得到至少第二组输出通道；其中，第一组输入通道的输入数目与第一组输出通道的输出数目之比和第二组输入通道的输入数目与第二组输出通道的输出数目之比相同。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.023 seconds)
