CN110163231A - 建立数据识别模型的方法、计算机***及记录介质 - Google Patents
建立数据识别模型的方法、计算机***及记录介质 Download PDFInfo
- Publication number
- CN110163231A CN110163231A CN201810770880.9A CN201810770880A CN110163231A CN 110163231 A CN110163231 A CN 110163231A CN 201810770880 A CN201810770880 A CN 201810770880A CN 110163231 A CN110163231 A CN 110163231A
- Authority
- CN
- China
- Prior art keywords
- image data
- algorithm
- data
- error
- decrement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 206010044565 Tremor Diseases 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种建立数据识别模型的方法,由一计算机***根据从X(X≧2)种抖色算法中选择Y(1≦Y≦X‑1)个算法的规则,产生Z种算法组合,并以该Z种算法组合分别对以a位元表示图素的一影像数据进行抖色处理,而将该影像数据转换成Z种以b位元表示图素的减量后影像数据,其中1≦b≦a‑1,再以该Z种减量后影像数据分别训练一深度神经网络,以对应产生Z个训练后的深度神经网络模型、训练结果及该训练结果与一期望结果的一误差,并选择产生该Z个误差中最小误差的该深度神经网络模型作为一数据识别模型。借此,达到使该数据识别模型中的参数减量的效果。
Description
技术领域
本发明涉及一种深度神经网络训练方法,特别是涉及一种应用深度神经网络建立数据识别模型的方法。
背景技术
人工智能(AI)是近来产业界如火如荼发展的技术之一,举凡自动驾驶汽车或各类型机器人所运用的例如影像辨识、数据分析等,都需要借助AI技术。而在AI技术的发展中,深度神经网络(Deep Neural Network;DNN)一直扮演着重要的角色。深度神经网络是机器学习中一种深度学习的方法,其通过模仿生物神经***的数学模型,不断地对其提供大量的数据以进行不同阶层与架构的多次运算和训练,借以找出优化且最有效的一深度学习模型。因此,提供高质量且大量的数据对深度神经网络进行运算训练,有助于提升深度神经网络的训练准确率。
但大量的数据意味着深度神经网络需要进行庞大的运算量并产生相对多的参数,而这些参数将会占用大量的内存空间,使得产出的深度神经网络模型不易于应用在内存空间有限的电子装置或电子设备中。因此,适度地缩减深度神经网络模型中的参数,使其减少内存空间的占用量在实际应用上有其必要性。
发明内容
本发明的一目的在于提供一种能使数据减量的建立数据识别模型的方法,以及实现该方法的计算机***和计算机可读取的记录介质。
本发明一种建立数据识别模型的方法,由一计算机***执行,该计算机***储存一影像数据及X(X≧2)种抖色算法;该方法包括:(A)该计算机***的一组合产生模块根据从X(X≧2)种抖色算法中选择Y(1≦Y≦X-1)个算法的规则,产生Z种算法组合;(B)该计算机***的一数据减量模块以该Z种算法组合分别对以a个位元表示其图素的该影像数据进行抖色处理,而将该影像数据转换成Z种以b个位元表示其图素的减量后影像数据,其中1≦b≦a-1;(C)该计算机***的一模型建立模块以该Z种减量后影像数据分别训练预备的一深度神经网络,以对应每一种减量后影像数据产生训练后的一深度神经网络模型及一训练结果,以及该训练结果与一期望结果的一误差;及(D)该模型建立模块选择与该Z个误差中最小误差对应的该种算法组合作为数据减量的一滤波器模块,并选择产生该Z个误差中最小误差的该深度神经网络模型作为一数据识别模型。
在本发明的一些实施态样中,在步骤(A)中,Y=2,在步骤(B)中,该数据减量模块以每一种算法组合的其中一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由m个位元表示的一第一转换后影像数据,该数据减量模块以所述算法组合的其中另一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由n个位元表示的一第二转换后影像数据,该第一转换后影像数据与该第二转换后影像数据构成该减量后影像数据,且m+n=b。
在本发明的一些实施态样中,在步骤(C)中,该模型建立模块以每一种减量后影像数据训练该深度神经网络的步骤包括:(C1)该模型建立模块将该减量后影像数据输入该深度神经网络,使输出该训练结果;(C2)该模型建立模块将该训练结果与该期望结果比较而产生该误差;(C3)该模型建立模块将该误差输入该深度神经网络;及(C4)重复步骤(C1)至(C3)直到该误差不再变化,则输出经训练后的该深度神经网络模型及该误差。
再者,本发明实现上述方法的一种计算机***,包括一储存装置及一处理装置,该储存装置储存一影像数据及X(X≧2)种抖色算法,该处理装置与该储存装置电耦接以存取该影像数据及所述抖色算法,并包含一组合产生模块、一数据减量模块及一模型建立模块;其中,该组合产生模块根据从X(X≧2)种抖色算法中选择Y(1≦Y≦X-1)个算法的规则,产生Z种算法组合;该数据减量模块以该Z种算法组合分别对以a个位元表示其图素的该影像数据进行抖色处理,而将该影像数据转换成Z种以b个位元表示其图素的减量后影像数据,其中1≦b≦a-1;该模型建立模块预备一深度神经网络,并以该Z种减量后影像数据分别训练该深度神经网络,以对应每一种减量后影像数据产生训练后的一深度神经网络模型及一训练结果,以及该训练结果与一期望结果的一误差,且选择与该Z个误差中最小误差对应的该种算法组合作为数据减量的一滤波器模块,并选择产生该Z个误差中最小误差的该深度神经网络模型作为一数据识别模型。
在本发明的一些实施态样中,Y=2,且该数据减量模块以每一种算法组合中的其中一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由m个位元表示的一第一转换后影像数据,该数据减量模块并以每一种算法组合中的其中另一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由n个位元表示的一第二转换后影像数据,且该第一转换后影像数据与该第二转换后影像数据构成该减量后影像数据,m+n=b。
在本发明的一些实施态样中,该模型建立模块以每一种转换后影像数据训练该深度神经网络的步骤包括:(C1)将该减量后影像数据输入该深度神经网络,使输出该训练结果;(C2)将该训练结果与该期望结果比较而产生该误差;(C3)将该误差输入该深度神经网络;及(C4)重复步骤(C1)至(C3)直到该误差不再变化,则输出经训练后的该深度神经网络模型及该误差。
在本发明的一些实施态样中,该储存装置及该处理装置是整合在该计算机***中,且该计算机***是一计算机装置,该储存装置是一储存单元,该处理装置是一处理单元。
在本发明的一些实施态样中,该储存装置与该处理装置是通过有线或无线网络电耦接以互相通讯。
此外,本发明实现上述方法的一种计算机可读取的记录介质,其中储存一包含一组合产生模块、一数据减量模块及一模型建立模块的程序,该程序被一存有一影像数据及X(X≧2)种抖色算法的计算机***加载并执行后,该计算机***能完成如上所述的建立数据识别模型的方法。
本发明的有益的效果在于:借由该数据减量模块根据原始的该影像数据及该Z种算法组合,对应产生Z种减量后影像数据,并由该模型建立模块以该Z种减量后影像数据对该深度神经网络进行训练,而对应产生Z个训练后的深度神经网络模型及其误差,并从中选取具有最小误差的该深度神经网络模型作为该数据识别模型,借此,达到使该数据识别模型中的参数减量的效果。
附图说明
图1是本发明数据减量及建立数据识别模型的方法的一实施例的主要流程图。
图2是本发明计算机***的一实施例的主要装置及模块方块图。
图3是说明本实施例的该数据减量模块及该模型建立模块的功能示意图。
图4是本实施例的该模型建立模块训练该深度神经网络的流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
在本发明被详细描述之前,应当注意在以下的说明内容中,类似的组件是以相同的编号来表示。
参阅图1,是本发明数据减量及建立数据识别模型的方法的一实施例的主要流程,其由图2所示的一计算机***100执行,该计算机***100主要包括一储存一影像数据及X(X≧2)种抖色(dithering)算法的储存装置1以及一处理装置2,且该处理装置2与该储存装置1电耦接以存取该影像数据及所述抖色算法,并包括一组合产生模块21、一数据减量模块22及一模型建立模块23,且在本实施例中,这三个模块是以程序软件的方式实现,但不以此为限,这三个模块也可以韧体(fireware)或软件与硬件结合的方式实现。
因此,在本实施例中,该处理装置2包含组合产生模块21、数据减量模块22及模型建立模块23的程序被该处理装置2执行后,将完成图1所示的方法流程。其中,该影像数据是指具有一定数量的一批原始影像数据(或称raw data)。且该储存装置1与该处理装置2可以通过有线或无线网络方式通讯以传输数据;或者该储存装置1与该处理装置2亦可整合在同一计算机中,例如该计算机***是一计算机装置,则该储存装置1是该计算机装置的一储存单元,该处理装置2是该计算机装置的一处理单元,例如中央处理器。
因此,首先,如图1的步骤S1,该组合产生模块21根据从X(X≧2)种抖色算法中选择Y(1≦Y≦X-1)个算法的规则,产生Z种算法组合,并将所述算法组合提供给该数据减量模块22;以X=9,即9种抖色算法,Y=2,即从9种抖色算法中选择2个为例,该组合产生模块21可根据上述规则产生Z=36,即36种算法组合。且在本实施例中,该9种抖色算法可以是例如”Floyd-Steinberg”、”Jarvis,Judice&Ninke”、”Stucki”、”Burkes”、”Sierra”、”Two-rowSierra”、”Sierra Lite”、”Atkinson”、”Gradient-based”等,但不以此为限。
接着,如图1的步骤S2,该数据减量模块22以该Z种算法组合分别对以a(a≧8)个位元表示其图素的该影像数据进行抖色处理,而将该影像数据转换成Z种以b个位元表示其图素的减量后影像数据,其中1≦b≦a-1;具体而言,如图3所示,假设每一种算法组合是由两种(即Y=2)算法f1、f2组成,则该数据减量模块22是以该种算法组合的其中一种算法f1对该影像数据D进行抖色处理,而将该影像数据D的图素转换成由m个位元表示的一第一转换后影像数据D1,该数据减量模块22再以该种算法组合的其中另一种算法f2对该影像数据D进行抖色处理,而将该影像数据D的图素转换成由n个位元表示的一第二转换后影像数据D2,且该第一转换后影像数据D1与该第二转换后影像数据D2构成该减量后影像数据D′,且m+n=b。当然上述的Y也可以是其他大于2但小于X的正整数。
例如,假设该影像数据的图素是以a=24,即24位元表示,而算法f1将该影像数据D的图素转换成由m=1个位元表示的第一转换后影像数据D1,且算法f2将该影像数据D的图素转换成由n=1个位元表示的第二转换后影像数据D2,因此该减量后影像数据D′的图素是以b=2个位元表示。借此,即可将原本以24位元表示图素的影像数据D减量为以2个位元表示图素的该减量后影像数据D′,当然,上述的b、m、n也可以是其他的正整数,只要m+n=b且b≦a-1即达到数据减量的效果。因此,该影像数据D经过该数据减量模块22处理后,将产生与该Z种算法组合对应的Z种以b个位元表示图素的减量后影像数据D′。
然后,如图1的步骤S3,该模型建立模块23以该Z种减量后影像数据D′分别训练预备的一深度神经网络24,使对应每一种减量后影像数据D′产生训练后的一深度神经网络模型及一训练结果(例如一辨识率),以及该训练结果与一期望结果(例如一期望辨识率)的一误差;具体而言,如图4的步骤S31所示,该模型建立模块23将每一种减量后影像数据D′输入该深度神经网络24,使该深度神经网络24经由该减量后影像数据D′训练后输出该训练结果;接着,如图4的步骤S32,该模型建立模块23将该训练结果与该期望结果比较而产生该误差;然后,如步骤S33,该模型建立模块23判断本次误差是否为第一个误差(即第一个产生的误差)?若是,则进行步骤S34,将该误差反馈输入该深度神经网络24,并重复上述步骤S31及S32,若否(亦即至少已经产生第二个误差),则进行步骤S35,判断本次误差是否等于前次误差?若否,表示该深度神经网络24的训练结果尚未趋于稳定,则执行步骤S34,将该误差反馈输入该深度神经网络24,并重复上述步骤S31至S35,直到该误差不再变化,表示该深度神经网络24的训练结果已稳定,则输出经训练后的该深度神经网络模型及该误差,并将其储存在该储存装置1中。借此,该模型建立模块23将对应Z种减量后影像数据D′产生Z个训练后的深度神经网络模型及其训练结果,以及Z个该训练结果与该期望结果的误差。
然后,如图1的步骤S4,该模型建立模块23根据该Z个误差,选择与其中该最小误差对应的该种算法组合作为数据减量的一滤波器模块,并选择与其中该最小误差对应的该深度神经网络模型作为一数据识别模型。且与该最小误差对应的该种算法组合(即该滤波器模块)中的算法由于能够保留影像数据中较多的特征细节,且算法彼此之间具有较佳的互补关系,因此其组合在所有的组合中得以让减量后影像数据D′保留最多的特征细节(即对影像数据具有最佳的敏感度),故能使其对应的该训练后的深度神经网络模型(即该数据识别模型)具有最小误差,而具有相对高的辨识准确率。因此,借由本实施例获得的该滤波器模块及该数据识别模型即可被应用在后续的一模型压缩(compression)程序及相关应用中。
综上所述,上述实施例借由数据减量模块22根据原始影像数据D及该Z种算法组合,对应产生Z种减量后影像数据D′,并由模型建立模块23以该Z种减量后影像数据D′对深度神经网络进行训练,而对应产生Z个训练后的深度神经网络模型及其误差,并从中选取具有最小误差的该深度神经网络模型作为该数据识别模型,借此,达到使该数据识别模型中的参数减量的效果,而确实达到本发明的功效与目的。
Claims (9)
1.一种建立数据识别模型的方法,由一计算机***执行,该计算机***储存一影像数据及X(X≧2)种抖色算法,其特征在于:
该方法包含:
(A)该计算机***的一组合产生模块根据从X(X≧2)种抖色算法中选择Y(1≦Y≦X-1)个算法的规则,产生Z种算法组合;
(B)该计算机***的一数据减量模块以该Z种算法组合分别对以a个位元表示其图素的该影像数据进行抖色处理,而将该影像数据转换成Z种以b个位元表示其图素的减量后影像数据,其中1≦b≦a-1;
(C)该计算机***的一模型建立模块以该Z种减量后影像数据分别训练预备的一深度神经网络,以对应每一种减量后影像数据产生训练后的一深度神经网络模型及一训练结果,以及该训练结果与一期望结果的一误差;及
(D)该模型建立模块选择与该Z个误差中最小误差对应的该种算法组合作为数据减量的一滤波器模块,并选择产生该Z个误差中最小误差的该深度神经网络模型作为一数据识别模型。
2.根据权利要求1所述建立数据识别模型的方法,其特征在于:在步骤(A)中,Y=2,在步骤(B)中,该数据减量模块以每一种算法组合的其中一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由m个位元表示的一第一转换后影像数据,该数据减量模块以前述算法组合的其中另一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由n个位元表示的一第二转换后影像数据,该第一转换后影像数据与该第二转换后影像数据构成该减量后影像数据,且m+n=b。
3.根据权利要求1或2所述建立数据识别模型的方法,其特征在于:在步骤(C)中,该模型建立模块以每一种减量后影像数据训练该深度神经网络的步骤包括:
(C1)该模型建立模块将该减量后影像数据输入该深度神经网络,使输出该训练结果;
(C2)该模型建立模块将该训练结果与该期望结果比较而产生该误差;
(C3)该模型建立模块将该误差输入该深度神经网络;及(C4)重复步骤(C1)至(C3)直到该误差不再变化,则输出经训练后的该深度神经网络模型及该误差。
4.一种计算机***,其特征在于:
该计算机***包括:
一储存装置,储存一影像数据及X(X≧2)种抖色算法;及
一处理装置,其与该储存装置电耦接以存取该影像数据及所述抖色算法,并包含一组合产生模块、一数据减量模块及一模型建立模块;其中
该组合产生模块根据从X(X≧2)种抖色算法中选择Y(1≦Y≦X-1)个算法的规则,产生Z种算法组合;
该数据减量模块以该Z种算法组合分别对以a个位元表示其图素的该影像数据进行抖色处理,而将该影像数据转换成Z种以b个位元表示其图素的减量后影像数据,其中1≦b≦a-1;
该模型建立模块预备一深度神经网络,并以该Z种减量后影像数据分别训练该深度神经网络,以对应每一种减量后影像数据产生训练后的一深度神经网络模型及一训练结果,以及该训练结果与一期望结果的一误差,且选择与该Z个误差中最小误差对应的该种算法组合作为数据减量的一滤波器模块,并选择产生该Z个误差中最小误差的该深度神经网络模型作为一数据识别模型。
5.根据权利要求4所述的计算机***,其特征在于:Y=2,且该数据减量模块以每一种算法组合中的其中一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由m个位元表示的一第一转换后影像数据,该数据减量模块并以每一种算法组合中的其中另一种算法对该影像数据进行抖色处理,而将该影像数据的图素转换成由n个位元表示的一第二转换后影像数据,且该第一转换后影像数据与该第二转换后影像数据构成该减量后影像数据,m+n=b。
6.根据权利要求4或5所述的计算机***,其特征在于:该模型建立模块以每一种转换后影像数据训练该深度神经网络的步骤包括:
(C1)将该减量后影像数据输入该深度神经网络,使输出该训练结果;
(C2)将该训练结果与该期望结果比较而产生该误差;
(C3)将该误差输入该深度神经网络;及
(C4)重复步骤(C1)至(C3)直到该误差不再变化,则输出经训练后的该深度神经网络模型及该误差。
7.根据权利要求4所述的计算机***,其特征在于:该储存装置及该处理装置是整合在该计算机***中,且该计算机***是一计算机装置,该储存装置是一储存单元,该处理装置是一处理单元。
8.根据权利要求4所述的计算机***,其特征在于:该储存装置与该处理装置是通过有线或无线网络电耦接以互相通讯。
9.一种记录介质,其可被计算机读取且其中储存一包含一组合产生模块、一数据减量模块及一模型建立模块的程序,该程序被一存有一影像数据及X(X≧2)种抖色算法的计算机***加载并执行后,该计算机***能完成如权利要求1至3其中任一权利要求所述建立数据识别模型的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107105434A TWI657346B (zh) | 2018-02-14 | 2018-02-14 | 資料減量及建立資料識別模型的方法、電腦系統及電腦可讀取的記錄媒體 |
TW107105434 | 2018-02-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163231A true CN110163231A (zh) | 2019-08-23 |
CN110163231B CN110163231B (zh) | 2024-05-14 |
Family
ID=66996251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810770880.9A Active CN110163231B (zh) | 2018-02-14 | 2018-07-13 | 建立影像数据识别模型的方法、计算机***及记录介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110163231B (zh) |
TW (1) | TWI657346B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI745697B (zh) * | 2019-05-24 | 2021-11-11 | 創鑫智慧股份有限公司 | 用於神經網路參數的運算系統及其壓縮方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200522535A (en) * | 2003-12-26 | 2005-07-01 | Inventec Besta Co Ltd | Method of image compression with high compression ratio |
JP2005254703A (ja) * | 2004-03-15 | 2005-09-22 | Ricoh Co Ltd | 画像出力装置 |
CN1863267A (zh) * | 2005-05-10 | 2006-11-15 | 致伸科技股份有限公司 | 以一维多阶网点分配为基础的数字半色调方法 |
US20090096804A1 (en) * | 2007-10-10 | 2009-04-16 | Peter Gerets | Reducing visibility of display errors |
CN101527775A (zh) * | 2008-03-04 | 2009-09-09 | 夏普株式会社 | 图像处理装置、图像处理方法以及图像形成装置 |
CN101662570A (zh) * | 2008-08-27 | 2010-03-03 | 夏普株式会社 | 图像处理装置、图像形成装置和图像处理方法 |
CN104899641A (zh) * | 2015-05-25 | 2015-09-09 | 杭州朗和科技有限公司 | 深度神经网络学习方法、处理器和深度神经网络学习*** |
CN105100801A (zh) * | 2015-07-24 | 2015-11-25 | 西安空间无线电技术研究所 | 一种基于大数据的大压缩比数据压缩方法 |
CN105844330A (zh) * | 2016-03-22 | 2016-08-10 | 华为技术有限公司 | 神经网络处理器的数据处理方法及神经网络处理器 |
CN106228185A (zh) * | 2016-07-20 | 2016-12-14 | 武汉盈力科技有限公司 | 一种基于神经网络的通用图像分类识别***及方法 |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
CN107566688A (zh) * | 2017-08-30 | 2018-01-09 | 广州华多网络科技有限公司 | 一种基于卷积神经网络的视频防抖方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW391131B (en) * | 1998-07-14 | 2000-05-21 | Neotech Intelligent Automation | Color recognition method using neural network |
TW201010407A (en) * | 2008-08-19 | 2010-03-01 | Univ Nat Kaohsiung Applied Sci | Color image noise reduction method using particle swarm optimization and cellular neural network |
TW201117130A (en) * | 2009-11-12 | 2011-05-16 | Univ Nat Kaohsiung Applied Sci | Method and system for cancelling noise in gray-level images and computer-readable medium thereof |
US9524450B2 (en) * | 2015-03-04 | 2016-12-20 | Accenture Global Services Limited | Digital image processing using convolutional neural networks |
CN106960416B (zh) * | 2017-03-20 | 2019-05-10 | 武汉大学 | 一种内容复杂性自适应的视频卫星压缩图像超分辨率方法 |
TWM567900U (zh) * | 2018-02-14 | 2018-10-01 | 倍加科技股份有限公司 | Data reduction and computer system for establishing data identification model |
-
2018
- 2018-02-14 TW TW107105434A patent/TWI657346B/zh active
- 2018-07-13 CN CN201810770880.9A patent/CN110163231B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200522535A (en) * | 2003-12-26 | 2005-07-01 | Inventec Besta Co Ltd | Method of image compression with high compression ratio |
JP2005254703A (ja) * | 2004-03-15 | 2005-09-22 | Ricoh Co Ltd | 画像出力装置 |
CN1863267A (zh) * | 2005-05-10 | 2006-11-15 | 致伸科技股份有限公司 | 以一维多阶网点分配为基础的数字半色调方法 |
US20090096804A1 (en) * | 2007-10-10 | 2009-04-16 | Peter Gerets | Reducing visibility of display errors |
CN101527775A (zh) * | 2008-03-04 | 2009-09-09 | 夏普株式会社 | 图像处理装置、图像处理方法以及图像形成装置 |
CN101662570A (zh) * | 2008-08-27 | 2010-03-03 | 夏普株式会社 | 图像处理装置、图像形成装置和图像处理方法 |
CN104899641A (zh) * | 2015-05-25 | 2015-09-09 | 杭州朗和科技有限公司 | 深度神经网络学习方法、处理器和深度神经网络学习*** |
CN105100801A (zh) * | 2015-07-24 | 2015-11-25 | 西安空间无线电技术研究所 | 一种基于大数据的大压缩比数据压缩方法 |
CN105844330A (zh) * | 2016-03-22 | 2016-08-10 | 华为技术有限公司 | 神经网络处理器的数据处理方法及神经网络处理器 |
CN106228185A (zh) * | 2016-07-20 | 2016-12-14 | 武汉盈力科技有限公司 | 一种基于神经网络的通用图像分类识别***及方法 |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
CN107566688A (zh) * | 2017-08-30 | 2018-01-09 | 广州华多网络科技有限公司 | 一种基于卷积神经网络的视频防抖方法及装置 |
Non-Patent Citations (2)
Title |
---|
JITDHIKORN SUNDARASARADULA ET AL: "Using Neural Networks for Undithering", 《PROCEEDINGS OF ICNN‘95-INTERNATIONAL CONFERENCE ON NEURAL NETWORKS》, 6 August 2002 (2002-08-06), pages 1892 - 1897 * |
刘文涛 等: "基于半色调数字图像的抗打印的水印算法研究", 《齐鲁工业大学学报》, vol. 31, no. 6, 31 December 2017 (2017-12-31), pages 69 - 73 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163231B (zh) | 2024-05-14 |
TWI657346B (zh) | 2019-04-21 |
TW201935277A (zh) | 2019-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160283842A1 (en) | Neural network and method of neural network training | |
CN104765842B (zh) | 一种最佳学习方案推送方法及*** | |
CN108053454A (zh) | 一种基于深度卷积生成对抗网络的图结构数据生成方法 | |
Serrano-Iglesias et al. | Towards the enactment of learning situations connecting formal and non-formal learning in SLEs | |
CN112434791A (zh) | 多智能体强对抗仿真方法、装置及电子设备 | |
CN101729740B (zh) | 图像处理装置及图像处理方法 | |
CN110163231A (zh) | 建立数据识别模型的方法、计算机***及记录介质 | |
CN108370404B (zh) | 颜色转换表的创建方法 | |
CN111105364A (zh) | 一种基于秩一分解和神经网络的图像复原方法 | |
CN115082800B (zh) | 图像分割方法 | |
CN113743012B (zh) | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 | |
Kumar | Empowerment-driven exploration using mutual information estimation | |
Taşdizen et al. | Color quantization with genetic algorithms | |
CN108574653A (zh) | 基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法 | |
KR100986160B1 (ko) | 유전자 알고리즘 및 dna 컴퓨팅을 이용한 마스크 생성 시스템 및 생성 방법 | |
TWM567900U (zh) | Data reduction and computer system for establishing data identification model | |
CN116069767A (zh) | 设备数据清洗方法、装置、计算机设备及介质 | |
CN111145306A (zh) | 图片处理方法及装置、电子设备和计算机可读存储介质 | |
Al-Tabtabai et al. | An evolutionary approach to the capital budgeting of construction projects | |
Du et al. | Distributed Foundation Models for Multi-Modal Learning in 6G Wireless Networks | |
CN1273905C (zh) | 并行处理器网络中用于处理图像的处理器、电路和方法 | |
Greene | Simulated Evolution and Adaptive Search in Engineering Design—Experiences at the University of Cape Town | |
CN117436098B (zh) | 基于未知扰动的惯性模糊神经网络的图像加密方法及*** | |
CN114065940A (zh) | 一种基于互动式的知识蒸馏方法 | |
Bansiwala et al. | Continual learning for food recognition using class incremental extreme and online clustering method: self-organizing incremental neural network |
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 |