CN107622276A - 一种基于机器人仿真与物理采样结合的深度学习训练方法 - Google Patents
一种基于机器人仿真与物理采样结合的深度学习训练方法 Download PDFInfo
- Publication number
- CN107622276A CN107622276A CN201710719962.6A CN201710719962A CN107622276A CN 107622276 A CN107622276 A CN 107622276A CN 201710719962 A CN201710719962 A CN 201710719962A CN 107622276 A CN107622276 A CN 107622276A
- Authority
- CN
- China
- Prior art keywords
- mrow
- deep learning
- msubsup
- learning training
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器人仿真与物理采样结合的深度学习训练方法,包括三个阶段:第一阶段采用计算机仿真样本对预设深度学习训练模型进行训练,得到第一阶段深度学习训练模型;第二阶段,将第一阶段深度学习训练模型与预设深度学习训练模型进行模型融合,将物理样本对融合后深度学习训练模型进行训练,得到第二阶段深度学习训练模型;第三阶段,将第二阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用机器人仿真样本和物理样本的混合得到混合样本,对融合后的深度学习训练模型进行训练,得到最终的深度学习训练模型。
Description
技术领域
本发明涉及一种基于机器人仿真与物理采样结合的深度学习训练方法,属于计算机视觉领域。
背景技术
在视觉识别技术中,深度学习作为新型的识别方法,对高级特征的提取有独特的优势,在传统图像处理难以实施时,通常利用深度学习的多层网络结构,提取具有复杂纹理的特征。深度学习在识别目标物之前,需要进行线下的训练,训练需要一定的样本,样本数量越多、质量越好,训练的结果就越好。因此样本的数量与质量,决定了深度学习识别的精度。
深度学习的训练中,样本采集通常存在以下问题:1.单纯靠人工采集的样本,数量较少,难以满足算法需求,常常出现过拟合、训练不收敛的问题。2.样本采集慢,采集周期长,某些领域甚至需要两三个月收集样本,导致了研发周期加长。3.样本收集的质量差,由于机器人等工业控制领域的样本通常在运动中收集,由于环境变化、故障等因素,导致采集的样本质量不稳定。
另外,现有的深度学习模型在整个训练过程中形式不发生变化,只是深度学习参数得到调整,当训练目标物不同的样本时,现有的深度学习模型只能重新训练,造成训练时间加长,模型训练效果不稳定,模型检测效果差。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提出一种基于机器人仿真与物理采样结合的深度学习训练方法,得到精确的深度学习训练模型,用于图像目标物识别。
本发明的技术解决方案是:一种基于机器人仿真与物理采样结合的深度学习训练方法,该方法包括第一阶段、第二阶段、第三阶段的步骤:
第一阶段,利用机器人仿真软件仿真得到计算机仿真样本,采用计算机仿真样本对预设的深度学习训练模型进行训练,得到第一阶段深度学习训练模型;
第二阶段,将第一阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用物理样本对融合后的深度学习训练模型进行训练,得到第二阶段深度学习训练模型;
第三阶段,将第二阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用计算机仿真样本和物理样本混合得到混合样本对融合后的深度学习训练模型进行训练,得到最终的深度学习训练模型,训练过程结束。
每个阶段采用样本对深度学习训练模型进行训练,得到深度学习训练模型的具体过程为:
(1.1)、采用深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度,选取置信度最高的类别作为样本所包含的被识别物所属的类别信息,根据样本所包含的被识别物的类别信息和预设训练参数,采用反向传播方法调整深度学习训练模型参数,完成一个训练回合,之后,重复本步骤,直到训练回合达到预设的a次,减小预设训练参数,转入步骤(1.2);
(1.2)、采用步骤(1.1)所获得的深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度,选取置信度最高的类别作为样本所包含的被识别物所属的类别信息,根据样本所包含的被识别物的类别信息和调整后的预设训练参数,采用反向传播方法调整深度学习训练模型参数,完成一个训练回合,之后,重复本步骤,直到训练回合达到预设的b次,转入下一阶段。
采用深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度的具体过程为:对样本图像进行卷积,然后对卷积结果进行池化,最后对池化结果进行激活,得到图像的第一图像特征层;然后,对第一图像特征层进行卷积,然后对卷积结果进行池化,最后对池化结果进行激活,得到图像的第二图像特征层,依次类推,最后得到第N图像特征层,采用Softmax函数做前向计算,得到深度学习训练模型中预设的多个类别的置信度,所述N≥6。
每个阶段的深度学习训练模型包括各层卷积、池化和激活函数处理:
各层卷积的处理结果为 t表示第t阶段t=1~3,当i=1时,表示样本图像,否则,表示第i-1图像特征层,为第i层卷积核,为大小为k×k的矩阵;
各层池化的处理结果为 表示对矩阵X进行m×n的下采样操作;
各层激活的处理结果为 max(0,X)表示将矩阵X中的元素与0进行比较,取大值更新矩阵中的元素。
所述预设的深度学习训练模型中各层卷积核矩阵的元素初值通过高斯函数分布随机获得。
所述模型融合具体实现为:
将第二阶段每层卷积核改为:
将第二阶段每层卷积核改为:
采用反向传播方法调整深度学习训练模型参数的方法为:
(3.3.1)、将样本所包含瑕疵实际所属类别Y与步骤(2)得到的样本所包含瑕疵所属的类别Z进行比较,并代入代价函数f,得到损失值E:
E=f(Y-Z);
(3.3.2)、根据损失值E和训练参数α,更新深度学习模型参数,所述模型参数包括卷积计算中的卷积核参数
其中,表示上一个训练回合中的
所述步骤(3)将机器人仿真样本和物理样本混合的方法包括比例混合和样本增强混合,其中,比例混合是指按照比例选取一定数量的机器人仿真样本和物理样本进行混合,得到混合样本;样本增强混合是指当物理样本数量不够时,将物理样本增强处理得到多个物理样本,再与一定数量的机器人仿真样本进行比例混合得到混合样本。
所述样本数量大于3000。
所述机器人仿真样本数:物理样本数据的取值范围为1/5~1/2。
本发明与现有技术相比的有益效果是:
(1)、本发明采用仿真环境的样本和实际工况下的样本结合起来进行训练,既保证了样本数量、质量,又保证了训练结果不失真,训练结果能够直接运用到实际的目标识别中去,大大提高了训练周期和识别精度。
(2)、本发明将根据机器人仿真样本,用于采用物理样本进行训练得到物理模型对应的深度学习训练模型,最后采用物理模型对应的深度学习模型,用于混合样本进行训练,模型精度高;
(3)、本发明训练是针对不同的样本,分为不同的训练阶段,前一个阶段的训练模型能够和后一个训练阶段的模型进行融合,也就是后一个阶段的训练,继承了前一个阶段的成果,使得训练的效果具备继承性和扩展性;
(4)、本发明的深度学习训练模型通过计算机仿真和物理样本的结合,训练模型阶段融合,得到的深度学习训练模型识别精度大大提高,仿真使得样本类型广泛,生成多种类型的样本,能够扩大目标物的识别范围。
附图说明
图1为本发明实施例采用深度学习的方法进行识别目标物的过程示意图;
图2为本发明实施例样本采集实施图;
图3为本发明基于机器人仿真与物理采样结合的深度学习训练方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细说明。
如图1所示,采用深度学习的方法进行识别目标物的过程主要包括两个过程,即训练过程,识别过程。训练过程中的样本是针对被识别目标物得到的图像,样本的目的是训练模型得到更好的识别结果。本发明样本来源主要由两部分构成,一是通过计算机仿真环境,计算机自动的采集仿真环境下的样本,在仿真环境下收集的样本,具有数量大,收集速度快,采样环境稳定的特点,能在较短时间内收集到特定数量的训练样本;二是在物理环境下,通过物理采样工具,采样得到物理样本,物理样本的优点是:物理样本保证了真实环境下深度学习模型的识别精度,在真实的识别环境下不失真。这两部分样本统一放入到训练过程中去,训练得到深度学习模型。识别过程是利用训练过程中得到的深度学习模型,识别物理环境下的被识别物,得到识别结果。
如图2~图3所示,本发明所提供的一种基于计算机仿真与物理采样结合的深度学习训练方法包括三个阶段:
第一阶段为机器人仿真训练阶段,利用机器人仿真软件仿真得到计算机仿真样本,采用计算机仿真样本对预设的深度学习训练模型进行训练,得到第一阶段深度学习训练模型;所述样本数量大于3000;
第二阶段为物理样本训练阶段,将第一阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用物理样本对融合后的深度学习训练模型进行训练,得到第二阶段深度学习训练模型;
第三阶段为混合样本训练阶段,将第二阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用计算机仿真样本和物理样本混合得到混合样本对融合后的深度学习训练模型进行训练,得到最终的深度学习训练模型,训练过程结束。
将机器人仿真样本和物理样本混合的方法包括比例混合和样本增强混合,其中,比例混合是指按照比例选取一定数量的机器人仿真样本和物理样本进行混合,得到混合样本;样本增强混合是指当物理样本数量不够时,将物理样本增强处理得到多个物理样本,再与一定数量的机器人仿真样本进行比例混合得到混合样本。机器人仿真样本数:物理样本数据的取值范围为1/5~1/2。
每个阶段采用样本对深度学习训练模型进行训练得到深度学习训练模型的具体过程为:
(1.1)、采用深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度,选取置信度最高的类别作为样本所包含的被识别物所属的类别信息,根据样本所包含的被识别物的类别信息和预设训练参数,采用反向传播方法调整深度学习训练模型参数,完成一个训练回合,之后,重复本步骤,直到训练回合达到预设的a次,减小预设训练参数,转入步骤(1.2);
所述采用深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度的具体过程为:对样本图像进行卷积,然后对卷积结果进行池化,最后对池化结果进行激活,得到图像的第一图像特征层;然后,对第一图像特征层进行卷积,然后对卷积结果进行池化,最后对池化结果进行激活,得到图像的第二图像特征层,依次类推,最后得到第N图像特征层,采用Softmax函数做前向计算,得到深度学习训练模型中预设的多个类别的置信度,所述N≥6。
每个阶段的深度学习训练模型包括各层卷积、池化和激活函数处理:
各层卷积的处理结果为 t表示第t阶段t=1~3,当i=1时,表示样本图像,否则,表示第i-1图像特征层,为第i层卷积核,为大小为k×k的矩阵,k一般取3、5、7,其中,预设的深度学习训练模型中各层卷积核矩阵的元素初值通过高斯函数分布随机获得,例如:均值取值为0,方差取值为1。
各层池化的处理结果为 表示对矩阵X进行m×n的下采样操作;
各层激活的处理结果为 max(0,X)表示将矩阵X中的元素与0进行比较,取大值更新矩阵中的元素。
所述模型融合具体实现为:
将第二阶段每层卷积核改为:
将第二阶段每层卷积核改为:
采用反向传播方法调整深度学习训练模型参数的方法为:
(3.3.1)、将样本所包含瑕疵实际所属类别Y与步骤(2)得到的样本所包含瑕疵所属的类别Z进行比较,并代入代价函数f,得到损失值E:
E=f(Y-Z),例如:
(3.3.2)、根据损失值E和训练参数α,更新深度学习模型参数,所述模型参数包括卷积计算中的卷积核参数
其中,表示上一个训练回合中的
(1.2)、采用步骤(1.1)所获得的深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度,选取置信度最高的类别作为样本所包含的被识别物所属的类别信息,根据样本所包含的被识别物的类别信息和调整后的预设训练参数,采用反向传播方法调整深度学习训练模型参数,完成一个训练回合,之后,重复本步骤,直到训练回合达到预设的b次,b一般为80000次至120000次,转入下一阶段。
实施例:
采用本发明对生产线机器人分捡瓶子的任务,进行了3000个机器人仿真样本和2000个物理样本对深度学习模型VGG-Net进行了训练,建立了生产线瓶子分拣任务的深度学习模型,采用该模型对1300个包含瓶子的图像进行了识别,结果分拣的错误率仅为3.1%,训练时间为4-6个小时,结果表明,本方法采用的机器人仿真与物理结合的深度学习训练方法,识别正确率大大提高,训练时间大大减少,分拣效果稳定可靠。本发明的训练的深度学习模型已经成功运用在第一条基于深度学习模型的机器人分拣生产线上。
本发明未进行详细描述部分属于本领域技术人员公知常识。
Claims (10)
1.一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于包括第一阶段、第二阶段、第三阶段的步骤:
第一阶段,利用机器人仿真软件仿真得到计算机仿真样本,采用计算机仿真样本对预设的深度学习训练模型进行训练,得到第一阶段深度学习训练模型;
第二阶段,将第一阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用物理样本对融合后的深度学习训练模型进行训练,得到第二阶段深度学习训练模型;
第三阶段,将第二阶段深度学习训练模型与预设深度学习训练模型进行模型融合,采用计算机仿真样本和物理样本混合得到混合样本对融合后的深度学习训练模型进行训练,得到最终的深度学习训练模型,训练过程结束。
2.根据权利要求1所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于每个阶段采用样本对深度学习训练模型进行训练,得到深度学习训练模型的具体过程为:
(1.1)、采用深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度,选取置信度最高的类别作为样本所包含的被识别物所属的类别信息,根据样本所包含的被识别物的类别信息和预设训练参数,采用反向传播方法调整深度学习训练模型参数,完成一个训练回合,之后,重复本步骤,直到训练回合达到预设的a次,减小预设训练参数,转入步骤(1.2);
(1.2)、采用步骤(1.1)所获得的深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度,选取置信度最高的类别作为样本所包含的被识别物所属的类别信息,根据样本所包含的被识别物的类别信息和调整后的预设训练参数,采用反向传播方法调整深度学习训练模型参数,完成一个训练回合,之后,重复本步骤,直到训练回合达到预设的b次,转入下一阶段。
3.根据权利要求2所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于采用深度学习训练模型通过前向传播方法对样本进行计算,得到深度学习训练模型中预设的多个类别的置信度的具体过程为:对样本图像进行卷积,然后对卷积结果进行池化,最后对池化结果进行激活,得到图像的第一图像特征层;然后,对第一图像特征层进行卷积,然后对卷积结果进行池化,最后对池化结果进行激活,得到图像的第二图像特征层,依次类推,最后得到第N图像特征层,采用Softmax函数做前向计算,得到深度学习训练模型中预设的多个类别的置信度,所述N≥6。
4.根据权利要求3所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于每个阶段的深度学习训练模型包括各层卷积、池化和激活函数处理:
各层卷积的处理结果为 t表示第t阶段t=1~3,当i=1时,表示样本图像,否则,表示第i-1图像特征层,为第i层卷积核,为大小为k×k的矩阵;
各层池化的处理结果为 表示对矩阵X进行m×n的下采样操作;
各层激活的处理结果为 max(0,X)表示将矩阵X中的元素与0进行比较,取大值更新矩阵中的元素。
5.根据权利要求4所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于所述预设的深度学习训练模型中各层卷积核矩阵的元素初值通过高斯函数分布随机获得。
6.根据权利要求5所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于所述模型融合具体实现为:
将第二阶段每层卷积核改为:
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
<mo>~</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<mn>1</mn>
<mo>~</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>~</mo>
<mi>N</mi>
</mrow>
将第二阶段每层卷积核改为:
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mn>3</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
<mo>~</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<mn>1</mn>
<mo>~</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>~</mo>
<mi>N</mi>
<mo>.</mo>
</mrow>
7.根据权利要求2所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于采用反向传播方法调整深度学习训练模型参数的方法为:
(3.3.1)、将样本所包含瑕疵实际所属类别Y与步骤(2)得到的样本所包含瑕疵所属的类别Z进行比较,并代入代价函数f,得到损失值E:
E=f(Y-Z);
(3.3.2)、根据损失值E和训练参数α,更新深度学习模型参数,所述模型参数包括卷积计算中的卷积核参数
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<mfrac>
<mi>E</mi>
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>~</mo>
<msubsup>
<mi>m</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>~</mo>
<mi>N</mi>
<mo>;</mo>
</mrow>
其中,表示上一个训练回合中的
8.根据权利要求1所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于所述步骤(3)将机器人仿真样本和物理样本混合的方法包括比例混合和样本增强混合,其中,比例混合是指按照比例选取一定数量的机器人仿真样本和物理样本进行混合,得到混合样本;样本增强混合是指当物理样本数量不够时,将物理样本增强处理得到多个物理样本,再与一定数量的机器人仿真样本进行比例混合得到混合样本。
9.根据权利要求4所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于所述样本数量大于3000。
10.根据权利要求4所述的一种基于机器人仿真与物理采样结合的深度学习训练方法,其特征在于所述机器人仿真样本数:物理样本数据的取值范围为1/5~1/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710719962.6A CN107622276B (zh) | 2017-08-21 | 2017-08-21 | 一种基于机器人仿真与物理采样结合的深度学习训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710719962.6A CN107622276B (zh) | 2017-08-21 | 2017-08-21 | 一种基于机器人仿真与物理采样结合的深度学习训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107622276A true CN107622276A (zh) | 2018-01-23 |
CN107622276B CN107622276B (zh) | 2021-03-26 |
Family
ID=61088962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710719962.6A Active CN107622276B (zh) | 2017-08-21 | 2017-08-21 | 一种基于机器人仿真与物理采样结合的深度学习训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622276B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063845A (zh) * | 2018-07-15 | 2018-12-21 | 大国创新智能科技(东莞)有限公司 | 基于生成样本的深度学习方法和机器人*** |
CN109740738A (zh) * | 2018-12-29 | 2019-05-10 | 腾讯科技(深圳)有限公司 | 一种神经网络模型训练方法、装置、设备和介质 |
CN112651492A (zh) * | 2020-12-30 | 2021-04-13 | 广州大学华软软件学院 | 一种自连接宽度图卷积神经网络模型及其训练方法 |
WO2022110115A1 (zh) * | 2020-11-30 | 2022-06-02 | 西安交通大学 | 工业过程智能控制方法和*** |
CN115186370A (zh) * | 2022-05-18 | 2022-10-14 | 广东海洋大学 | 一种基于深度学习训练模型的工程叉车迁移学习*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7333119B1 (en) * | 2004-11-02 | 2008-02-19 | Nvidia Corporation | System and method for virtual coverage anti-aliasing |
CN106297825A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成深度信念网络的语音情感识别方法 |
CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
-
2017
- 2017-08-21 CN CN201710719962.6A patent/CN107622276B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7333119B1 (en) * | 2004-11-02 | 2008-02-19 | Nvidia Corporation | System and method for virtual coverage anti-aliasing |
CN106297825A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成深度信念网络的语音情感识别方法 |
CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063845A (zh) * | 2018-07-15 | 2018-12-21 | 大国创新智能科技(东莞)有限公司 | 基于生成样本的深度学习方法和机器人*** |
CN109063845B (zh) * | 2018-07-15 | 2021-12-07 | 大国创新智能科技(东莞)有限公司 | 基于生成样本的深度学习方法和机器人*** |
CN109740738A (zh) * | 2018-12-29 | 2019-05-10 | 腾讯科技(深圳)有限公司 | 一种神经网络模型训练方法、装置、设备和介质 |
CN109740738B (zh) * | 2018-12-29 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 一种神经网络模型训练方法、装置、设备和介质 |
WO2022110115A1 (zh) * | 2020-11-30 | 2022-06-02 | 西安交通大学 | 工业过程智能控制方法和*** |
CN112651492A (zh) * | 2020-12-30 | 2021-04-13 | 广州大学华软软件学院 | 一种自连接宽度图卷积神经网络模型及其训练方法 |
CN112651492B (zh) * | 2020-12-30 | 2023-10-13 | 广州大学华软软件学院 | 一种自连接宽度图卷积神经网络模型***及训练方法 |
CN115186370A (zh) * | 2022-05-18 | 2022-10-14 | 广东海洋大学 | 一种基于深度学习训练模型的工程叉车迁移学习*** |
Also Published As
Publication number | Publication date |
---|---|
CN107622276B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622276A (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
CN107316066A (zh) | 基于多通路卷积神经网络的图像分类方法及*** | |
CN105957086B (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN110211173A (zh) | 一种基于深度学习的古生物化石定位和识别方法 | |
CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN110335270A (zh) | 基于层级区域特征融合学习的输电线路缺陷检测方法 | |
CN107644415A (zh) | 一种文本图像质量评估方法及设备 | |
CN106023154B (zh) | 基于双通道卷积神经网络的多时相sar图像变化检测方法 | |
CN106228183A (zh) | 一种半监督学习分类方法与装置 | |
CN104850890B (zh) | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 | |
CN107944369A (zh) | 一种基于级联区域生成网络和增强随机森林的行人检测方法 | |
CN109977918A (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
CN109145939A (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN110263833A (zh) | 基于编码-解码结构的图像语义分割方法 | |
CN107742107A (zh) | 人脸图像分类方法、装置及服务器 | |
CN107330453A (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分*** | |
CN106874914A (zh) | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 | |
CN106991408A (zh) | 一种候选框生成网络的生成方法及人脸检测方法 | |
CN109063724A (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
CN107657281A (zh) | 一种基于改进的卷积神经网络的图像识别方法 | |
CN108257154A (zh) | 基于区域信息和cnn的极化sar图像变化检测方法 | |
CN107273978A (zh) | 一种三模型博弈的产生式对抗网络模型的建立方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |