-
公开(公告)号：CN114861764B
公开(公告)日：2024-11-22
申请号：CN202210376289.1
申请日：2022-04-11
Applicant: 中国科学院计算技术研究所
IPC: G06F18/2431 , G06F18/241 , G06N3/09 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提出一种基于AUC优化的多类别分类方法，包括：构建多类别场景的初始多分类器；根据该多类别场景的AUC指标构建多分类器AUC指标，并构建该多分类器AUC指标的损失函数；对该损失函数进行优化；通过优化后的损失函数对该初始多分类器进行训练，以得到最终分类器；以该最终分类器在该多类别场景下进行多类别分类。
-
公开(公告)号：CN116308618A
公开(公告)日：2023-06-23
申请号：CN202310055941.4
申请日：2023-01-18
Applicant: 中国科学院计算技术研究所
IPC: G06Q30/0601 , G06Q30/0251 , G06N20/00
Abstract: 本发明提供一种推荐模型的训练方法，所述方法包括：S1、获取训练集；S2、利用步骤S1中获得的训练集对推荐模型进行多轮训练直至收敛，且每轮训练包括：S21、获取该用户对应的多个兴趣表征向量，获取该商品对应的属性表征向量；S22、将所有用户的所有兴趣表征向量和所有商品的属性表征向量分别映射到度量空间，以获得每个用户对应的所有兴趣映射向量和每个商品对应的属性映射向量；S23、依次计算每个商品的属性映射向量与每一个用户的所有兴趣映射向量之间的距离并确定每个商品的属性映射向量与每一个用户的所有兴趣映射向量之间的距离中的最小距离；S24、基于步骤S23中获得的最小距离计算偏好损失；S25、基于步骤S24中获得的损失更新推荐模型的参数。
-
公开(公告)号：CN113034537B
公开(公告)日：2023-03-07
申请号：CN202110220558.0
申请日：2021-02-26
Applicant: 中国科学院计算技术研究所
IPC: G06T7/215 , G06V20/40 , G06V10/762
Abstract: 本发明提出一种基于多几何模型融合的结构一致性运动分割方法，包括：根据目标视频中多个几何模型的跟踪点的已知轨迹信息，获取各跟踪点之间的相似度，构建为基础相似度矩阵；更新该基础相似度矩阵直至收敛；对该基础相似度矩阵进行聚合得到共识相似度矩阵；对该共识相似度矩阵进行谱聚类得到运动分割标签；通过该运动分割标签对该几何模型进行运动分割。还提出一种基于多几何模型融合的结构一致性运动分割系统，以及一种数据处理装置。
-
公开(公告)号：CN117422903A
公开(公告)日：2024-01-19
申请号：CN202311286397.0
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/084
Abstract: 本发明提供一种用于图像分类模型的不平衡学习方法，包括：获取各类别样本量不平衡的图像分类的训练集；获取基于神经网络构建的图像分类模型；以初始化后的模型为基础，重复按照以下方式对模型进行多次迭代训练，得到经训练的模型：从练集采样一个批次的样本图像，并输入当前的模型；利用当前的模型确定输入的样本图像的分类结果，分类结果包括对应图像在各个类别的得分；根据当前采样的次数确定当前的训练阶段为前期还是后期，在前期和后期分别对预设的损失函数中的得分调整项和重加权项进行不同配置，得到按训练阶段配置的损失函数；利用按训练阶段配置的损失函数，根据当前批次的样本图像的分类结果和对应的标签计算损失，更新当前模型的参数。
-
公开(公告)号：CN117333737A
公开(公告)日：2024-01-02
申请号：CN202311294438.0
申请日：2023-10-08
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/40 , G06V10/82 , G06N3/094 , G06N3/04
Abstract: 本发明提供了一种基于可验证鲁棒AUC的端到端对抗训练方法，包括：获取具有长尾分布的图像分类的训练集，其包括多个原始样本和标签；利用训练集，按照以下方式对图像分类模型进行多次迭代训练，得到经训练的图像分类模型：基于标签，针对每个类别，将训练集中属于该类别的每个原始样本作为一个正样本与每个负样本组成一个该类别的原始样本对；针对样本对集合的每个类别的每个原始样本对，构造一个与之对应的该类别的扰动样本对，扰动样本对中的扰动正样本和扰动负样本是对应的原始样本对中的正样本和负样本分别加上本次训练时根据预设的正态分布随机采样得到的同一个扰动矩阵得到；将所有的扰动正样本和扰动负样本输入图像分类模型基于AUC训练模型。
-
Patent Agency Ranking
公开(公告)号：CN116721311A
公开(公告)日：2023-09-08
申请号：CN202310760402.0
申请日：2023-06-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种图像分类模型的训练方法及基于此的图像分类方法，其中，图像分类模型的训练方法包括：S1、获取封闭域训练数据，其包括多个封闭域样本图像和指示封闭域样本图像所属已知类别的标签；S2、利用步骤S1获得的封闭域训练数据将模型训练至收敛，训练时，获取总损失，其包括封闭域分类损失和AUROC目标损失，所述AUROC目标损失被配置为用于指导模型训练以期望在相应封闭域样本图像的特征输入分类器后被正确分类的情况下，被正确分类的封闭域样本图像的特征在超未知类上的置信度小于开放域样本特征在超未知类上的置信度。本发明可约束图像分类模型的性能满足开放域识别任务中的图像分类子任务的优化目标。
-
公开(公告)号：CN112149004A
公开(公告)日：2020-12-29
申请号：CN202011187518.2
申请日：2020-10-30
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9536 , G06F16/9535 , G06F16/36 , G06F16/33
Abstract: 本发明提供一种基于知识图谱的个性化推荐方法，包括：S1、将用户集中的用户与物品集中的物品的历史交互数据和原有知识图谱结合到协同知识图谱中，在所述协同知识图谱中将用户与其交互物品在知识图谱中对应的实体使用有向边进行连接；S2、用四元数向量表示协同知识图谱中的每一个实体和关系；S3、采用注意力机制将实体的四元数嵌入沿着协同知识图谱的路径进行偏好传播与聚合；S4、基于完成偏好传播与聚合后的协同知识图谱，构建偏好分数预测函数计算每个用户与不同物品的偏好分数；S5、采用损失函数联合优化协同知识图谱的嵌入和偏好分数预测函数；S6、采用优化后的偏好分数预测函数预测用户对新物品的偏好分数，得到针对用户的新物品推荐列表。
-
公开(公告)号：CN119047517A
公开(公告)日：2024-11-29
申请号：CN202411248753.4
申请日：2024-09-06
Applicant: 中国科学院计算技术研究所
IPC: G06N3/0464 , G06N3/0499 , G06N3/08 , G06V10/26 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种选取扩散模型的中间变量的方法，包括：选取扩散模型中模块间的中间变量作为候选项，以及选取扩散模型中ViT模块内部的中间变量作为候选项，形成候选集合；针对候选集合中的每个候选项进行定量评价，包括：在训练和测试图像预测模型时，利用候选项对应的扩散表征代替原始图像作为图像预测模型的输入，并在训练完成后基于测试指标评价候选项的性能，其中，候选项对应的扩散表征是指将原始图像输入扩散模型后在候选项对应中间变量处得到的图像特征；从候选集合中，按性能由优到劣的顺序，选择部分候选项为选定项。
-
公开(公告)号：CN117077779A
公开(公告)日：2023-11-17
申请号：CN202311146144.3
申请日：2023-09-06
Applicant: 中国科学院计算技术研究所
IPC: G06N5/022
Abstract: 本发明提供一种动态知识图谱嵌入模型构建方法，包括：T1、旧知识图谱的三元组构建初始知识图谱嵌入模型；T2、响应于知识图谱中新知识的动态增加，对初始知识图谱嵌入模型进行动态迭代训练，其中，迭代训练是指每当有新知识增加时，采用当前知识图谱构建对应的训练集对上一次迭代训练后的知识图谱嵌入模型进行多轮训练直至收敛，且每轮训练包括：T21、基于上次迭代之后的知识图谱嵌入模型获取新知识和旧知识中实体和关系嵌入；T22、分别做知识转移以获得当前轮实体和关系的嵌入，并计算知识转移损失；T23、做知识学习保留处理并计算知识学习损失；T24、基于实知识转移损失和知识学习损失构建联合损失更新知识图谱嵌入模型的参数。
-
公开(公告)号：CN117059159A
公开(公告)日：2023-11-14
申请号：CN202311086583.X
申请日：2023-08-28
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种有向图嵌入表示模型的构建方法，所述方法包括：T1、构建初始模型，所述初始模型包括特征获取模块和拓扑信息聚合模块；T2、获取有向图对所述初始模型进行多轮迭代训练以得到有向图嵌入表示模型，且每轮迭代训练包括：T21、获取每一实体对应的当前轮特征表示；T22、获取每一实体对应的当前轮拓扑表示；T23、从所述有向图的所有实体中随机选择多个实体作为多个正样本，并构建与每个正样本对应的负样本集合；T24、获取每个正样本对应的当前轮特征表示和当前轮拓扑表示，以及每个负样本对应的当前轮拓扑表示；T25、按照预设的损失函数计算当前轮迭代损失，并根据当前轮迭代损失更新所述初始模型的参数。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.027 seconds)
