-
公开(公告)号：CN118115795A
公开(公告)日：2024-05-31
申请号：CN202410242631.8
申请日：2024-03-04
IPC分类号： G06V10/764 , G06V10/774 , G06T7/00 , G06V10/82 , G06N3/0464
摘要： 本申请提供了电子元器件分类方法、设备及存储介质，该方法包括：获取已标注的图像和未标注的图像，并将已标注的图像划分为训练集和测试集；基于训练集和测试集训练多个不同类型的神经网络模型，得到多个电子元器件分类模型，并将其划分为主模型和副模型；分别通过主模型和副模型在未标注的图像中筛选，筛选得到第一样本集合和第二样本集合；基于第一样本集合和第二样本集合，得到目标样本集合；将目标样本集合加入训练集中，重新训练主模型和副模型，检验重新训练后的主模型的分类准确率是否满足预设条件，若满足预设条件，则通过重新训练后的主模型对电子元器件进行分类。本申请能够提高综合区分良品以及不同类型的不良品的能力。
-
公开(公告)号：CN117874015A
公开(公告)日：2024-04-12
申请号：CN202410054612.2
申请日：2024-01-12
IPC分类号： G06F16/215 , G06F16/583 , G06F16/58 , G06F40/126 , G06F40/194 , G06F18/214
摘要： 本发明提供一种数据清洗方法、装置、电子设备及存储介质。该方法包括：获取目标数据集；根据目标数据集中所包括的类别确定类别约束条件；并将目标数据集划分为多个子数据集；针对任意一个子数据集执行以下步骤：将该子数据集作为待清洗子数据集，其他子数据集作为训练集；基于训练集训练前置视觉语言模型；将待清洗子数据集中的图像和类别约束条件输入到前置视觉语言模型中，得到待清洗子数据集中图像的伪标签；将待清洗子数据集中的图像、标签和伪标签作为三元组输入到后置视觉语言模型，输出待清洗子数据集中图像的判定结果；根据判定结果，对待清洗子数据集进行清洗操作。本发明能够有效识别标注错误，多类别标注不齐，无明显类别主体等问题。
-
公开(公告)号：CN117455832A
公开(公告)日：2024-01-26
申请号：CN202311185801.5
申请日：2023-09-14
IPC分类号： G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/084 , G06N5/04
摘要： 本发明公开一种基于重参化和注意力机制的贴片保险丝表面缺陷检测方法及装置，方法包括获取已标注贴片保险丝的表面图像并形成总训练集；基于总训练集构建并训练缺陷检测模型；将训练好的缺陷检测模型重参化以转化为推理模型；利用NVIDIA TensorRT库优化训练好的缺陷检测模型，进行格式转化并保存；检测并分类待测贴片保险丝的表面图像。本发明提出了一种全新的参数量较小且训练速度、推理速度较快与准确率高的基于重参化与注意力机制的深度学习模型，并将其应用于贴片保险丝缺陷检测任务上，提出一套完整的保险丝缺陷检测流程。
-
公开(公告)号：CN117973799A
公开(公告)日：2024-05-03
申请号：CN202410224363.7
申请日：2024-02-29
IPC分类号： G06Q10/0631 , G06Q10/0633 , G06Q50/04
摘要： 本发明公开了一种基于自适应学习的柔性作业车间生产调度方法及系统，方法包括：利用订单信息列表提取工序，然后根据工序使用全排列方法生成工序对集合；将工序对集合输入到训练好的机器学习模型中，获得所有工序对的顺序标签集；根据顺序标签集对所有工序进行排序，生成工序有向图；经过环检测后，对有环的工序有向图进行冲突处理，生成有向无环图；计算有向无环图中节点的入度，获得节点入度集；根据节点入度集更新排序，获取工序生产顺序序列；根据工序生产顺序序列，分配加工设备并计算具体生产时间，生成生产调度排程表。本发明能够更好地实现学习用户生产调度系统的定制化，减少生产调度的成本。
-
公开(公告)号：CN117909883A
公开(公告)日：2024-04-19
申请号：CN202410052653.8
申请日：2024-01-15
IPC分类号： G06F18/2431 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/084 , G06F40/279 , G06V20/40 , G10L25/63
摘要： 本发明公开了一种基于自适应交互图网络的情绪分类方法，包括：构建自适应交互图网络，结构包括特征提取器、Gumbel‑Softmax离散采样器、Utterance‑level Encoder、核心部件和情绪分类器；在对话情感数据库中调取对话情感数据集，提取多模态的特征后输入模型开始训练；在Utterance‑level Encoder获取节点模态特征，然后经过原始GIN和带有NESP的GIN进行图卷积操作，利用GSP的集成后获取最终GIN预测结果；节点模态特征和最终GIN预测结果拼接后，输入情绪分类器中，经过计算模型的保持损失和最小下降损失后，完成训练。本发明能够自适应地选择特定的单模态和多模态关系，提高了情绪分类的准确性和运行速度。
-
公开(公告)号：CN116342915A
公开(公告)日：2023-06-27
申请号：CN202310621703.5
申请日：2023-05-30
IPC分类号： G06V10/762 , G06V10/77 , G06T7/50
摘要： 本发明提供了一种深度图像聚类方法、系统及存储介质，该方法包括以下步骤：步骤一：将含有n个样本的图像数据集输入编码器；步骤二：编码器将输入的原始图像转化为低维嵌入特征，再分别输出给解码器和维度约减模块，解码器将低维嵌入特征恢复为原始图像，维度约减模块将所接收的低维嵌入特征转化为聚类友好的二维表示，形成聚类空间，并输出给聚类划分模块；步骤三：聚类划分模块根据每个样本的低维嵌入特征将图像数据集中的n个样本划分为K个子簇，得到聚类结果。本发明的有益效果是：本发明的深度图像聚类方法TDEC是鲁棒的，可以对多簇、大规模、复杂背景等场景下的图像数据聚类，并且聚类精度明显高于现有的先进方法。
-
公开(公告)号：CN115293295A
公开(公告)日：2022-11-04
申请号：CN202211170302.4
申请日：2022-09-26
IPC分类号： G06K9/62
摘要： 本发明涉及数据挖掘领域，公开了一种基于中心匹配的簇数量确定方法、装置、设备及存储介质，该方法包括：将原始数据集转换为原始向量数据集；根据原始向量数据集确定边界数据，并删除原始数据集中的边界数据，获得核心数据集；根据核心数据集确定密度峰值集和均值中心集；基于密度峰值集和均值中心集确定最佳簇数量。由于本发明是通过对比来自不同源的高代表性数据的位置行为来确定最佳簇数量而非直接定义，相比于现有技术中通过预先定义聚类有效性指标，然后对完整聚类结果进行迭代式评分来确定最佳簇数量，本发明避免了边界数据的消极影响，并且无需进行大量迭代，能够准确快速地确定最佳簇数量。
-
公开(公告)号：CN118397350A
公开(公告)日：2024-07-26
申请号：CN202410511838.0
申请日：2024-04-26
IPC分类号： G06V10/764 , G06V10/74 , G06N20/00
摘要： 本发明提供一种基于提示词学习的图像分类方法、装置、设备及介质。该方法包括：获取待分类图像、预设的多个标签和每个标签对应的多个初始提示词；分别将每个标签和对应的多个初始提示词输入至预设分类模型的文本编码器中，得到文本编码器输出的每个标签对应的第一文本向量；利用预设通道因子，对每个标签对应的第一文本向量进行调整，获得每个标签对应的第二文本向量；根据待分类图像对应的第一图像向量，以及每个标签对应的第二文本向量，确定待分类图像与每个标签的相似度；基于待分类图像与每个标签的相似度，对待分类图像进行分类。本发明能够实现快速准确地进行图像分类。
-
公开(公告)号：CN118365688A
公开(公告)日：2024-07-19
申请号：CN202410355410.1
申请日：2024-03-27
IPC分类号： G06T7/55 , G06T9/00 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06V10/44 , G06V10/80 , G06V10/82
摘要： 本发明公开了一种基于自动网络压缩的双目深度估计方法及装置，方法包括：获取左视图和右视图及对应的左视差图和右视差图；构建双目深度估计模型，所述双目深度估计模型包括NASCNet网络和NASSNet网络，在NASCNet网络的特征提取模块中加入残差块代替DispNetC中的卷积层，并利用点相关层优化DispNetC中的特征提取操作；采用渐进搜索策略对双目深度估计模型进行训练，首先训练模型结构最大的网络，将搜索的卷积核大小、模型深度、模型宽度和搜索规模设置为可选范围内的最大值，然后依次进行对卷积核大小、模型深度、模型宽度的自动搜索；基于训练好的双目深度估计模型对待检测的图像进行双目深度估计。本发明通过构建的双目深度估计模型和自动搜索策略来提高估计精度和速度。
-
公开(公告)号：CN116342915B
公开(公告)日：2024-06-25
申请号：CN202310621703.5
申请日：2023-05-30
IPC分类号： G06V10/762 , G06V10/77 , G06T7/50
摘要： 本发明提供了一种深度图像聚类方法、系统及存储介质，该方法包括以下步骤：步骤一：将含有n个样本的图像数据集输入编码器；步骤二：编码器将输入的原始图像转化为低维嵌入特征，再分别输出给解码器和维度约减模块，解码器将低维嵌入特征恢复为原始图像，维度约减模块将所接收的低维嵌入特征转化为聚类友好的二维表示，形成聚类空间，并输出给聚类划分模块；步骤三：聚类划分模块根据每个样本的低维嵌入特征将图像数据集中的n个样本划分为K个子簇，得到聚类结果。本发明的有益效果是：本发明的深度图像聚类方法TDEC是鲁棒的，可以对多簇、大规模、复杂背景等场景下的图像数据聚类，并且聚类精度明显高于现有的先进方法。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.057 秒)
