-
公开(公告)号：CN114612825B
公开(公告)日：2024-03-19
申请号：CN202210230959.9
申请日：2022-03-09
申请人： 云南大学
IPC分类号： G06V20/40 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于边缘设备的目标检测方法，根据实际需要选择目标检测模型，设置检测时间、检测功耗和检测精度的优先级，以及检测时间上限，对于需要进行目标检测的边缘设备，获取支持不同模型输入分辨率的深度学习框架，构成深度学习框架集合，并获取每个深度学习框架的推断时间和平均功耗，基于检测时间上限和三个性能的优先级，对深度学习框架进行优选，根据筛选得到的深度学习框架对目标检测模型进行优化配置，对目标检测模型进行训练后部署到边缘设备上进行目标检测。本发明通过对边缘设备上目标检测模型的深度学习框架进行优选，综合考虑目标检测模型的检测时间、检测功耗和检测精度，从而提高目标检测的性能。
-
公开(公告)号：CN117332819A
公开(公告)日：2024-01-02
申请号：CN202311258807.0
申请日：2023-09-27
申请人： 云南大学
IPC分类号： G06N3/0464 , G06N3/082 , G06N3/096 , G06V10/764 , G06V10/82
摘要： 本发明公开了一种基于BN指示参数的轻量化网络模型构建方法，根据实际需要构建一个过参数化的初始CNN模型，并获取训练样本集，在初始CNN模型中设置剪枝单元，采用训练样本集对初始CNN模型进行训练，在训练过程中动态计算CNN模型中每个剪枝单元的BN指示参数，筛选BN指示参数最小的剪枝单元进行通道宽度收缩，从而对CNN模型在完成训练的过程之中动态实现剪枝优化，得到最终的CNN模型。本发明通过衡量网络通道的冗余程度在早期训练阶段探索高质量的子模型结构并实现动态剪枝，自动构建出高性能的轻量化网络模型。
-
-
公开(公告)号：CN114898168B
公开(公告)日：2024-05-17
申请号：CN202210310612.5
申请日：2022-03-28
申请人： 云南大学
IPC分类号： G06V10/771 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/045
摘要： 本发明公开了一种基于条件标准流模型的黑盒对抗样本生成方法，首先使用白盒攻击方法生成原始图像对应的对抗样本，得到训练数据集，构建包括卷积神经网络和条件GLOW模型的条件标准流模型，其中卷积神经网络对原始样本提取图像特征作为条件变量，条件GLOW模型根据条件变量以及原始图像对应的对抗样本编码得到对应的隐空间表示；使用训练数据集对条件标准流模型进行训练，得到训练样本集隐空间表示的分布，然后以干净图像提取到的特征作为条件变量对隐空间表示的分布进行采样得到对抗样本输出，再进行裁剪后得到最终的对抗样本。本发明解决了黑盒攻击场景下，查询次数大、计算资源和时间消耗极其严重、不能批量生成对抗样本等问题。
-
公开(公告)号：CN113609280B
公开(公告)日：2023-10-13
申请号：CN202110898767.0
申请日：2021-08-05
申请人： 云南大学
IPC分类号： G06F16/335 , G06F16/332 , G06F16/951 , G06F16/9535
摘要： 本发明公开一种基于元学习的多领域对话生成方法、装置、设备及介质，应用于网络营销，包括：获取至少一个目标领域的训练对话样本和测试对话样本；对每一目标领域的训练对话样本进行处理，获取对应的训练损失；基于训练损失，对初始化模型进行更新，得到中间模型；采用中间模型对测试对话样本进行处理，获取对应的测试损失，基于测试损失对中间模型进行更新，获取多领域对话模型；爬取与产品关键字相关的发布信息，发布信息包括待回复信息；将发布信息输入基于元学习生成的多领域对话模型，获取待回复信息对应的目标对话；将目标对话回复在待回复信息对应的文本回复区域上，用于实现在多个目标领域上进行自动化营销，智能生成目标对话。
-
公开(公告)号：CN114612825A
公开(公告)日：2022-06-10
申请号：CN202210230959.9
申请日：2022-03-09
申请人： 云南大学
摘要： 本发明公开了一种基于边缘设备的目标检测方法，根据实际需要选择目标检测模型，设置检测时间、检测功耗和检测精度的优先级，以及检测时间上限，对于需要进行目标检测的边缘设备，获取支持不同模型输入分辨率的深度学习框架，构成深度学习框架集合，并获取每个深度学习框架的推断时间和平均功耗，基于检测时间上限和三个性能的优先级，对深度学习框架进行优选，根据筛选得到的深度学习框架对目标检测模型进行优化配置，对目标检测模型进行训练后部署到边缘设备上进行目标检测。本发明通过对边缘设备上目标检测模型的深度学习框架进行优选，综合考虑目标检测模型的检测时间、检测功耗和检测精度，从而提高目标检测的性能。
-
公开(公告)号：CN108197636A
公开(公告)日：2018-06-22
申请号：CN201711274887.3
申请日：2017-12-06
申请人： 云南大学
CPC分类号： G06K9/6256 , G06K9/46 , G06N3/0454
摘要： 本发明涉及一种基于深度多视点特征的稻谷检测和分类方法，该方法包括以下步骤：1)数据集的划分：利用交叉验证法对稻谷下落图像数据集进行划分，得到训练集和测试集；2)网络模型的构建：利用深度学习的方法对输入的图像进行特征的提取，同时利用随机梯度下降来不断更新模型参数；3)模型分析和性能评估：将测试数据输入训练好的稻谷分类器中，通过将概率预测值与分类阈值的比较，得到稻谷的检测分类结果。本发明较现有技术相比，准确率有很大方面的提升，并且改善了传统方式对于稻谷特征提取的不足，同时根据分类的结果完成对稻谷出糙率的计算等优点。
-
-
-
-
-
-
搜索结果
17 条记录 (耗时 0.024 秒)
