摘要：本发明公开了一种图像焦距检测方法，所述方法包括：获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域；计算所述目标区域在所述待检测图片中所占的面积比例；根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。本发明还公开了一种图像焦距检测装置。本发明实现了自动筛选拍摄过程中焦距不符合要求的图片，降低了筛选拍摄过程中焦距不符合要求的图片的难度。

摘要：本发明公开了一种视频压缩感知重构方法及装置，该方法包括：B、在收到待重构的压缩视频帧后，根据预先确定的提取规则提取出所述压缩视频帧的帧碎片；C、将提取的帧碎片输入经预先训练的视频帧重构模型的帧碎片输入层，由所述视频帧重构模型的多个特征抽象隐含层对输入的帧碎片进行特征抽象，建立帧碎片到帧碎片块之间的非线性映射；D、由所述视频帧重构模型的多个特征抽象隐含层根据建立的所述非线性映射将输入的帧碎片重构为帧碎片块，并由所述视频帧重构模型的帧碎片块输出层输出重构的帧碎片块，基于重构的帧碎片块生成重构的视频。本发明能高

摘要：本发明提供一种基于迁移学习的文本数据标注方法，包括：获取大量与保险业相关的其他行业的文本数据作为源数据；对所述文本数据进行预处理分别得到训练集和测试集；将所述训练集输入至词嵌入模型中进行训练；将所述测试集输入至训练好的词嵌入模型中进行测试得到测试结果；根据所述测试结果对所述词嵌入模型进行微调；将训练好的词嵌入模型迁移至待标注的保险业的文本数据中进行标注。本发明还提供一种基于迁移学习的文本数据标注装置、终端以及计算机可读存储介质。本发明采用迁移学习的思想，能够解决解决在文本数据标注过程中需要大量人力和时间成本的技术问题，且获得较佳的标注效果。

摘要：本发明涉及一种脉搏检测装置，装置包括：视频拍摄模块，用于拍摄人的脸部视频；特征提取模块，用于提取视频中各帧图像的G通道的第一估值；降噪模块，用于对各帧图像的G通道第一估值进行降噪，得到各帧图像的G通道的第二估值；时序分析模块，用于对各帧图像的G通道的第二估值进行时序分析，得到各帧图像的G通道第二估值的时序波谱；过滤模块，用于利用二次Butterworth低通滤波器过滤掉时序波谱中非心跳频率区间的波形，得到心率图谱，实现脉搏检测。该装置通过对人脸视频图像的G通道第一估值进行降噪得到其第二估值，并对第二估值时序分析得到的时序波普进行二次Butterworth低通滤波得到心率图谱，降低了不稳定因素对脉搏检测的影响，提升了脉搏检测的准确性。

摘要：本发明实施例提供了一种基于大数据的音频评估方法，包括：获取目标音频数据；对所述目标音频数据进行离散化处理，以将所述目标音频数据分割为多个目标音频帧；将每个目标音频帧转化为包括M个频率分量的目标音频序列；及将每个目标音频帧对应的目标音频序列输入至演奏评估模型中，以通过所述演奏评估模型输出所述目标音频数据的目标音频评估参数，所述演奏评估评估模型为预先训练好的深度学习网络模型。本发明实施例还提供了一种基于大数据的音频评估系统、设备及存储介质。本发明实施例的有益效果在于：可以快速的得到目标音频数据的目标音频评估参数，准确度高，且省时省力。

摘要：本发明实施例提供了一种歌声合成模型的训练方法，所述方法包括获取多首歌曲的多个歌声数据，并基于所述多个歌声数据以及所述多首歌曲对应的多首曲谱构建训练数据库；将每首歌曲的歌声数据切分为多个语音帧，将每首歌曲的乐谱数据切分为多个乐谱音元，在每首歌曲中的各个乐谱音元和相应的多个语音帧之间建立映射关系；从每首歌曲的每个乐谱音元对应的语音帧中提取声学特征；及根据每首歌曲的各个乐谱音元和各个乐谱音元对应的声学特征训练所述歌声合成模型，以得到训练后的歌声合成模型。本实施例通过少量语料即可高效且灵活地训练得到对应于某一或某类歌手的歌声合成模型。

摘要：本发明公开了一种语音识别方法，该方法包括：获取语音片段，对所述语音片段进行分帧，得到每一帧语音数据；根据预设的平稳加窗算法依次对所述语音片段的每一帧语音数据进行加窗，得到所述语音片段的加窗语音帧；提取所述语音片段的加窗语音帧的梅尔频率倒谱特征向量MFCC；计算所述MFCC与声纹鉴别向量的距离；当所述距离小于预设阈值时，判断所述语音片段的识别结果为通过。本发明还提供一种语音识别装置、计算机设备以及计算机可读存储介质。本发明提供的语音识别方法、装置、计算机设备及计算机可读存储介质能够更加精确地计算出语音片段中的特征向量，从而提升语音识别的精度。

摘要：本发明实施例提供一种基于参数重写的深度学习权值更新方法，包括步骤：根据多个神经元输出函数构建深度神经网络模型；对所述深度神经网络模型中的各个权值向量进行参数更新以得到更新后的各个权值向量；将训练样本输入至所述深度神经网络模型中，并从所述深度神经网络模型中获取计算输出；根据所述计算输出对所述各个权值向量进行更新。通过本发明实施例，能够对权值参数进行重写，避免了批量归一化对样本数量的限制的问题，同时，还提高了神经网络的收敛速度，加快了神经网络的训练过程。

摘要：本申请涉及一种模型训练方法、装置、计算机设备和存储介质。所述方法涉及深度学习，包括：获取模型输出数据，模型输出数据通过将训练样本数据输入待训练模型中得到；获取训练样本数据对应预设的基准结果数据；当待训练模型不满足训练完成条件时，根据模型输出数据和基准结果数据之间的输出差异，确定模型输出数据的当前梯度；根据预设的高斯随机规则，对当前梯度进行梯度更新，得到模型输出数据的更新梯度；根据更新梯度确定待训练模型的更新权值，并根据更新权值对待训练模型进行更新，返回获取模型输出数据的步骤。采用本方法能够提高模型训练效果。

摘要：本发明涉及人工智能技术领域，公开了一种模型预测优化方法，包括以下步骤：通过隐藏神经元后的深度神经网络输出第一预测结果；对第一预测结果归一化处理，得到预测结果集合；基于预测结果的准确度为各个深度神经网络设置权重，对第一待预测数据进行预测得到第二预测结果；判断第二预测结果是否满足预置准确率；若否，则调节各个深度神经网络所占的权重，得到第三预测结果；判断数据中的错误数据量是否大于预置纠错码对错误数据的处理量。本发明还公开了一种模型预测优化装置、设备及计算机可读存储介质。本发明提供的模型预测优化方法提高了模型对待预测数据的预测效果。