-
公开(公告)号：CN109376615A
公开(公告)日：2019-02-22
申请号：CN201811149122.1
申请日：2018-09-29
申请人： 苏州科达科技股份有限公司
CPC分类号： G06K9/00845 , G06K9/6267 , G06K9/6288 , G06N3/0454 , G06N3/08
摘要： 本申请涉及一种用于提升深度学习网络预测性能的方法、装置及储存介质，属于人工智能及计算机技术领域，该方法包括：利用预先设置的训练集对第一神经网络模型进行m轮次迭代训练；利用预先设置的验证集对训练得到的神经网络模型进行验证；基于训练得到的神经网络模型所应用的场景确定出对应的性能指标；从m轮次迭代训练得到的神经网络模型中选择确定出的性能指标达到融合标准的多个神经网络模型；获取选择的多个神经网络模型的网络参数，将多个神经网络模型的网络参数融合；将融合后的网络参数赋给第二神经网络模型得到具有融合后的网络参数的神经网络模型；不仅未增加训练模型的时间，还可以提高网络预测效率，也可以满足应用场景的不同需求。
-
公开(公告)号：CN109284761A
公开(公告)日：2019-01-29
申请号：CN201811028536.9
申请日：2018-09-04
申请人： 苏州科达科技股份有限公司
摘要： 本发明公开了一种图像特征提取方法，该方法包括：获取原始图像，并利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，获得目标图像；将目标图像输入至定点化的深度卷积神经网络模型中；利用深度卷积神经网络模型对目标图像进行定点化计算，获得目标图像的图像特征。在计算速度上定点化计算相较于浮点化计算更为快速，且在实际应用中更容易实现。在特征提取时，以定点化计算还可以降低存储开销，可减少计算机资源的占用，进一步提升计算速度，进而可以进行实时的图像特征提取。本发明还公开了一种图像特征提取装置、设备及可读存储介质，具有相应的技术效果。
-
公开(公告)号：CN109284761B
公开(公告)日：2020-11-27
申请号：CN201811028536.9
申请日：2018-09-04
申请人： 苏州科达科技股份有限公司
摘要： 本发明公开了一种图像特征提取方法，该方法包括：获取原始图像，并利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，获得目标图像；将目标图像输入至定点化的深度卷积神经网络模型中；利用深度卷积神经网络模型对目标图像进行定点化计算，获得目标图像的图像特征。在计算速度上定点化计算相较于浮点化计算更为快速，且在实际应用中更容易实现。在特征提取时，以定点化计算还可以降低存储开销，可减少计算机资源的占用，进一步提升计算速度，进而可以进行实时的图像特征提取。本发明还公开了一种图像特征提取装置、设备及可读存储介质，具有相应的技术效果。
-
公开(公告)号：CN109376615B
公开(公告)日：2020-12-18
申请号：CN201811149122.1
申请日：2018-09-29
申请人： 苏州科达科技股份有限公司
摘要： 本申请涉及一种用于提升深度学习网络预测性能的方法、装置及储存介质，属于人工智能及计算机技术领域，该方法包括：利用预先设置的训练集对第一神经网络模型进行m轮次迭代训练；利用预先设置的验证集对训练得到的神经网络模型进行验证；基于训练得到的神经网络模型所应用的场景确定出对应的性能指标；从m轮次迭代训练得到的神经网络模型中选择确定出的性能指标达到融合标准的多个神经网络模型；获取选择的多个神经网络模型的网络参数，将多个神经网络模型的网络参数融合；将融合后的网络参数赋给第二神经网络模型得到具有融合后的网络参数的神经网络模型；不仅未增加训练模型的时间，还可以提高网络预测效率，也可以满足应用场景的不同需求。
-
-
-
搜索结果
4 条记录 (耗时 0.03 秒)
