-
公开(公告)号：CN108140144B
公开(公告)日：2021-06-01
申请号：CN201680061886.8
申请日：2016-03-31
Applicant: 富士通株式会社
IPC: G06N3/08
Abstract: 一种对神经网络模型进行训练的方法、装置和电子设备。该方法包括：提取神经网络模型的一部分，以形成神经网络子模型；对所述神经网络子模型进行训练，以形成优化的神经网络子模型；根据所述优化的神经网络子模型中的各权值，初始化所述神经网络模型中的各权值，以形成初始化神经网络模型，并且，所述初始化神经网络模型与所述优化的神经网络子模型具有相同的输出特性；基于已知训练集，对所述初始化神经网络模型中的各权值进行调整。根据该方法，能够缩短大规模神经网络的训练时间并避免过拟合问题。
-
公开(公告)号：CN106557526B
公开(公告)日：2020-06-30
申请号：CN201510640999.0
申请日：2015-09-30
Applicant: 富士通株式会社
IPC: G06F16/55 , G06F16/583
Abstract: 本公开涉及一种处理图像的装置和方法。在一个实施方式中该装置包括：定位模块，其被配置为定位第一图像和第二图像的特征点；特征描述子提取模块，其被配置为提取表征第一图像和第二图像的每个特征点的特征描述子；分类模块，其被配置为根据分类特征集的所有特征，确定第一图像和第二图像的每个特征点的特征点分类；以及相似度计算模块，其被配置为基于第一图像和第二图像的每个特征点的特征点分类，使用相似度计算特征集的所有特征计算第一图像和第二图像之间的相似度。该装置和方法能够快速、准确地检索出与查询图相似的图像。
-
公开(公告)号：CN109727201A
公开(公告)日：2019-05-07
申请号：CN201711041648.3
申请日：2017-10-30
Applicant: 富士通株式会社
IPC: G06T5/00
Abstract: 本公开提供了信息处理设备、图像处理方法以及存储介质。该信息处理设备包括处理器，所述处理器被配置为进行将目标图像输入到训练后的去模糊模型、以及利用去模糊模型对目标图像进行去模糊处理的操作，其中，训练后的去模糊模型经由下述对抗训练得到：通过判别模型对清晰图像训练集中的图像以及由去模糊模型对模糊图像训练集中的图像进行去模糊处理得到的生成图像进行区分，而对去模糊模型和判别模型进行对抗训练，其中，模糊图像训练集包括针对至少一种模糊核生成的模糊图像集合。
-
公开(公告)号：CN107346448A
公开(公告)日：2017-11-14
申请号：CN201610298158.0
申请日：2016-05-06
Applicant: 富士通株式会社
CPC classification number: G06N3/08 , G06N3/04 , G06N3/0454 , G06N3/084 , G06N3/0481
Abstract: 本发明实施例提供一种基于深度神经网络的识别装置、训练装置及方法，其中，所述深度神经网络是通过将包括正样本和负样本的训练样本输入到深度神经网络的输入层中进行训练而得到的，所述识别装置包括：判定单元，所述判定单元用于当所述深度神经网络的输出层输出的分类结果中各个正样本分类的置信度均小于预定阈值时，判定待识别样本是疑似异常样本。这样，能够有效的提高深度神经网络输出的分类结果置信度的可靠性。
-
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。
-
Patent Agency Ranking
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：CN105654176B
公开(公告)日：2018-03-27
申请号：CN201410647710.3
申请日：2014-11-14
Applicant: 富士通株式会社
IPC: G06N3/08
Abstract: 本发明涉及一种神经网络系统及神经网络系统的训练装置和方法。该神经网络系统包括：二值神经网络，二值神经网络被配置为当输入数据是二值数据时，将其直接输入二值神经网络，其中对于二值神经网络的每一层，通过对该层的节点的值和其对应的权重进行二值运算来得到下一层的节点，其中二值神经网络每层节点的值和其对应的权重都是二值数据。根据本发明的神经网络系统及其训练装置和方法，处理速度更快，占用存储空间更小。
-
公开(公告)号：CN107092902A
公开(公告)日：2017-08-25
申请号：CN201610091505.2
申请日：2016-02-18
Applicant: 富士通株式会社
CPC classification number: G06K9/2054 , G06K9/6277 , G06K2209/01
Abstract: 本公开内容提供一种字符串的识别方法和系统。根据本公开内容的一种实施方式的识别方法包括：将字符串图像过切分为多个连通区域；使用二类分类器对每个连通区域与邻近的预定数量的连通区域的组合进行分类，给出每个组合为字符的概率；对多个连通区域的各种组合形成的所有路径进行路径搜索，选择其中所有组合均为字符的概率最高的路径；以及使用全类分类器对所选出的路径中的组合进行字符识别。与现有技术相比，本公开内容提出的方法和系统对手写汉字字符串的识别率更高。
-
公开(公告)号：CN106485192A
公开(公告)日：2017-03-08
申请号：CN201510556368.0
申请日：2015-09-02
Applicant: 富士通株式会社
Abstract: 本发明涉及用于图像识别的神经网络的训练方法和装置。该方法包括：将样本图像表示为高维空间中的点集，高维空间的大小为样本图像的空间域的大小×样本图像的强度域的大小；生成大小与高维空间的大小相同的第一随机扰动矩阵；对第一随机扰动矩阵进行平滑；用平滑后的第一随机扰动矩阵对高维空间中的点集进行扰动得到扰动后的点集；以及将扰动后的点集作为新的样本来训练神经网络。根据本发明，改进了传统的卷积神经网络的分类性能，产生更多的训练样本，减轻过拟合的影响，增强了卷积神经网络的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.038 seconds)
