-
公开(公告)号：CN106980814A
公开(公告)日：2017-07-25
申请号：CN201710028187.X
申请日：2017-01-13
申请人： 福特全球技术公司
发明人： 玛德琳·J·吴 , 维迪亚·那利亚姆布特·穆拉里 , 吉恩特·普什科留斯
CPC分类号： G06K9/00805 , B60W50/00 , G05D1/0088 , G06K9/6273 , G06K9/6281 , G06N3/08 , G06T2207/10004 , G06T2207/20084 , G06T2207/30196 , G06T2207/30252 , G06K9/00362 , G06K9/00798 , G06K9/6267
摘要： 本发明公开了用于行人检测的系统、方法和装置。方法包括接收车辆附近的区域的图像。方法进一步地包括使用第一神经网络来处理图像以确定在图像内行人可能位于那里的一个或多个位置。方法也包括使用第二神经网络来处理图像的该一个或多个位置以确定存在行人并且通知驾驶辅助系统或自动驾驶系统存在行人。
-
公开(公告)号：CN105868272A
公开(公告)日：2016-08-17
申请号：CN201610158208.5
申请日：2016-03-18
申请人： 乐视网信息技术(北京)股份有限公司
发明人： 李强
CPC分类号： G06F16/40 , G06K9/6281
摘要： 本发明实施例公开了一种多媒体文件分类方法及装置，该多媒体文件分类方法，利用训练得到的多个分类器逐个对待分类多媒体文件的类别进行判断，直到确定出待分类多媒体文件的类别，或者，全部分类器都不能确定该待分类多媒体文件的类别。其中，分类器的数量等于为多媒体文件全部预定类别的数量。换言之，确定一个待分类多媒体文件的类别最多经过N个分类器进行判断，其中，N为多媒体文件全部预定类别的数量，远远小于N*(N?1)/2个分类器，因此，大大减少了多媒体文件分类方法的运算量，提高了分类速度和效率。
-
公开(公告)号：CN104216879A
公开(公告)日：2014-12-17
申请号：CN201310205575.2
申请日：2013-05-29
申请人： 酷盛(天津)科技有限公司
IPC分类号： G06F17/30
CPC分类号： G06K9/6281
摘要： 本发明公开了一种视频质量挖掘系统及方法，该系统包括：视频源模块，包含用于视频挖掘的来自多个不同视频源的多个视频；分类模组，对该视频源模块中各视频源的视频依据视频属性分别进行分类，并将不同视频源的分类结果进行合并；权重计算模组，对分类后的各视频，依据不同的视频属性获得多个权重，并将所获得的多个权重根据权重计算公式获得各视频最终的权重；排行榜候选集合生成模组，则对于每个分类中的各视频，依据视频的权重生成各分类的排行榜候选集合，通过本发明，不仅可以较为客观地挖掘出高质量视频，而且可以保证所挖掘出的视频的质量。
-
公开(公告)号：CN103793714A
公开(公告)日：2014-05-14
申请号：CN201310491528.9
申请日：2013-10-18
申请人： 卡西欧计算机株式会社
CPC分类号： G06K9/6281 , G06K9/6234 , G06K9/6256 , G06K9/6292
摘要： 多分类识别器识别数据所表征的特征是属于多个分类中的哪个分类，具备：第1阶层识别器生成单元，其生成进行1对N的识别的多个第1阶层识别器；和第2阶层识别器生成单元，其通过将多个第1阶层识别器分别输出的各计分值进行连结来生成第2阶层特征向量，输入该第2阶层特征向量来生成进行1对N的识别的多个第2阶层识别器，多分类识别器将通过使数据输入到多个第1阶层识别器而由该多个第1阶层识别器输出的各计分值进行连结来生成第2阶层特征向量，将与通过使该第2阶层特征向量输入到多个第2阶层识别器而输出了最大的计分值的第2阶层识别器相对应的分类，识别为所输入的数据所表征的特征所属的分类。
-
公开(公告)号：CN109685110A
公开(公告)日：2019-04-26
申请号：CN201811434398.4
申请日：2018-11-28
申请人： 北京陌上花科技有限公司
CPC分类号： G06K9/6281 , G06N3/0454 , G06N3/08
摘要： 本申请公开了一种图像分类网络的训练方法、图像分类方法及装置、服务器。该训练方法包括预先准备带有标签图片的数据集作为输入；根据不同分类级别构造对应的分级神经网路结构；对每个所述分级神经网路结构分级训练，得到最大概率值对应的父类和该父类下的输入图片属于不同子类的概率值。本申请解决了由于数据集分类数据特别大，而造成全连接层出现冗余，造成过拟合的技术问题。通过本申请的训练方法，解决由于全连接层参数过多，导致网络训练速度慢，网络过拟合的现象。通过本申请的图像分类方法，由于采用层级训练，可以在父类的分类结果上，更精确的得到子类分类的结果，从而实现精确分类。
-
公开(公告)号：CN108496178A
公开(公告)日：2018-09-04
申请号：CN201780005722.8
申请日：2017-01-05
申请人： 御眼视觉技术有限公司
IPC分类号： G06K9/00
CPC分类号： G06K9/66 , G05D1/0088 , G05D1/0219 , G05D1/0238 , G06K9/00791 , G06K9/00798 , G06K9/6281
摘要： 一种系统和方法估计车辆的当前位置前面的未来路径。所述系统包括：至少一个处理器，其编程为：获得对道路进行导航的车辆的当前任意位置前面的环境的图像；获得受训练以在对道路进行导航的车辆前面的环境的第一多个图像上估计未来路径的受训系统；将受训系统应用于所述车辆的当前任意位置前面的环境的图像；以及基于将受训系统应用于所述图像而提供当前任意位置前面的所述车辆的所估计的未来路径。
-
公开(公告)号：CN103793714B
公开(公告)日：2017-09-15
申请号：CN201310491528.9
申请日：2013-10-18
申请人： 卡西欧计算机株式会社
CPC分类号： G06K9/6281 , G06K9/6234 , G06K9/6256 , G06K9/6292
摘要： 多分类识别器识别数据所表征的特征是属于多个分类中的哪个分类，具备：第1阶层识别器生成单元，其生成进行1对N的识别的多个第1阶层识别器；和第2阶层识别器生成单元，其通过将多个第1阶层识别器分别输出的各计分值进行连结来生成第2阶层特征向量，输入该第2阶层特征向量来生成进行1对N的识别的多个第2阶层识别器，多分类识别器将通过使数据输入到多个第1阶层识别器而由该多个第1阶层识别器输出的各计分值进行连结来生成第2阶层特征向量，将与通过使该第2阶层特征向量输入到多个第2阶层识别器而输出了最大的计分值的第2阶层识别器相对应的分类，识别为所输入的数据所表征的特征所属的分类。
-
公开(公告)号：CN104408464A
公开(公告)日：2015-03-11
申请号：CN201410576621.4
申请日：2014-10-24
申请人： 南京航空航天大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6281
摘要： 一种在大脑神经传导信号分类中的判别性子图挖掘方法，首先对每个样本构建结构连接网络，然后根据的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
-
公开(公告)号：CN106688011A
公开(公告)日：2017-05-17
申请号：CN201480081846.0
申请日：2014-09-10
申请人： 北京市商汤科技开发有限公司
IPC分类号： G06T1/40
CPC分类号： G06K9/72 , G06K9/6274 , G06K9/6281
摘要： 公开一种用于训练多类别物体检测的神经网络的装置。该装置可包括特征学习单元和子框检测器单元。根据本申请的一个实施例，特征学习单元被配置成：基于第一训练图像集的训练图像来确定第一神经网络，其中每个图像中有多个边界框，边界框的内部具有物体，并且所确定的第一神经网络给出输入图像的上下文信息；以及基于第一训练图像集中的图像的边界框来确定第二神经网络，随后基于第二训练集中的图像的边界框来进一步微调第二神经网络。子框检测器单元被配置成基于第二神经网络来确定用于边界框的子框检测器得分，子框检测器的每个预测得分用于一个边界框的一个语义物体类别的一个值。
-
公开(公告)号：CN106295667A
公开(公告)日：2017-01-04
申请号：CN201510259959.1
申请日：2015-05-19
申请人： 中国科学院沈阳自动化研究所
CPC分类号： G06K9/6281 , G06N3/08
摘要： 本发明涉及一种基于遗传算法选择最优光谱谱段的方法及其应用，具体步骤为：1)获得LIBS光谱数据；2)参数编码，形成遗传算法初始种群；3)主成分分析；4)训练人工神经网络模型；5)评价网络；6)形成新种群；7)重复3)～6)至满足适应度指标，输出最优分段及对应的最优分类器；8)应用分类器对未知样品进行分类。本方法训练出的分类器可对训练样品对应种类的待测样品进行准确分类，从而定性分析样品成分组成。
-
-
-
-
-
-
-
-
-
搜索结果
31 条记录 (耗时 0.012 秒)
