公开(公告)号：CN117292428A

公开(公告)日：2023-12-26

申请号：CN202311078758.2

申请日：2023-08-25

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  马媛 ,  谷洋 ,  郭帅 ,  文世杰

IPC: G06V40/18 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/094

Abstract: 本发明提供了一种基于非对称的双分类器模型的领域自适应方法，该方法包括：获取训练集，其包括多个源域样本、多个目标域样本、用于指示每个源域样本所属眼底类别的标签，源域样本和目标域样本均为眼底图像；获取双分类器模型，其包括：基于正向分布补偿值和反向分布补偿值，利用所述训练集对特征提取器和两个分类器进行多次对抗训练，得到经训练的双分类模型。

公开(公告)号：CN115953653A

公开(公告)日：2023-04-11

申请号：CN202111657111.6

申请日：2021-12-31

Applicant: 中国科学院计算技术研究所

Inventor： 谷洋 ,  郭帅 ,  陈益强 ,  王记伟 ,  文世杰 ,  马媛

IPC: G06V10/778 ,  G06V10/776 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于知识重要性的类别增量行为识别模型构建方法以及行为识别方法。本发明针对增量学习过程中灾难性遗忘和长尾数据集中类别不平衡的问题，首次提出了利用权重子集获得混合权重从而使教师模型自主识别重要性知识的判断方法，达到保留旧数据中的重要性知识，实现了在增量学习过程中，学生网络可以根据教师网络的判别效果自动更新自适应，从而在一定程度上缓解了灾难性遗忘问题；同时通过限制权重子集的范围，也解决了长尾数据集中类别不平衡的问题。

公开(公告)号：CN115471700A

公开(公告)日：2022-12-13

申请号：CN202211126235.6

申请日：2022-09-16

Applicant: 中国科学院计算技术研究所

Inventor： 谷洋 ,  郭帅 ,  文世杰 ,  马媛 ,  陈益强

IPC: G06V10/764 ,  G06N3/04 ,  G06N3/08 ,  G06V10/77 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明提供一种基于知识传输的图像分类模型训练方法，用于对预训练好的图像分类模型进行增量训练，其中，所述预训练好的图像分类模型包括特征提取网络和分类器，其特征在于，所述方法包括采用新的图像数据集对预训练好的图像分类模型按照如下方式进行增量训练：S1、对当前新的图像数据集进行增强处理；S2、利用上一次训练后的图像分类模型的参数初始化所述图像分类模型，并采用增强后的当前新的图像数据集将其训练至收敛，其中在训练过程中采用交叉熵损失、蒸馏损失以及知识传输损失更新模型参数。本发明能够实现模型特征空间的迁移，缓解增量训练过程中的灾难性遗忘问题。

公开(公告)号：CN115712852A

公开(公告)日：2023-02-24

申请号：CN202211446503.2

申请日：2022-11-18

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  文世杰 ,  谷洋 ,  马媛 ,  郭帅 ,  秦欣

IPC: G06F18/24 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供一种神经网络分类模型的训练方法，模型包括提取样本特征的特征提取器和根据样本特征对样本分类的分类器，该方法包括按以下方式对基于源域的样本及标签训练得到的初始的模型进行一轮或多轮训练：S1、获取训练集，包括源域的样本对和目标域的样本对，任意样本对包括两个样本，每个样本为对人员采集的传感器数据，两个样本所对应的人员和被采集时该人员的行为类别相同；S2、利用训练集对当前的模型进行一次或多次训练，每次训练时基于预定的损失函数更新模型的参数，该损失函数被配置为：惩罚源域的样本的分类偏差、惩罚源域和目标域的样本的样本特征间的边缘分布差异和条件分布差异以及惩罚每个样本对中两个样本对应的时序分布差异。

公开(公告)号：CN115690534A

公开(公告)日：2023-02-03

申请号：CN202211315590.8

申请日：2022-10-26

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  马媛 ,  谷洋 ,  文世杰 ,  郭帅

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82

Abstract: 一种图像分类模型的训练方法，所述图像分类模型通过特征提取器提取样本对应的样本特征并通过分类器根据样本特征对样本进行分类，所述方法包括：S1、获取初始的训练集，其包括来自多个源域的样本及指示每个样本所属源域的域属性以及所属类别的标签，其中，所述样本为图像，各源域的标签空间相同，一种标签对应一个子域；S2、利用初始的训练集训练特征提取器提取样本特征，并基于第一损失函数计算的损失值更新特征提取器的参数，所述第一损失函数被配置为基于域属性和标签惩罚不同源域的同一子域的样本对应的样本特征之间的差异；S3、对初始的训练集中的样本进行增强处理以添加所述多个源域之外的增强样本，利用样本及其增强样本对特征提取器和两个分类器进行对抗训练。

公开(公告)号：CN116778566A

公开(公告)日：2023-09-19

申请号：CN202310883502.2

申请日：2023-07-19

Applicant: 中国科学院计算技术研究所

Inventor： 谷洋 ,  郭帅 ,  文世杰 ,  马媛 ,  杨昭华 ,  翁伟宁 ,  陈益强

IPC: G06V40/18 ,  G06V10/74 ,  G06V10/764 ,  G06V10/774

Abstract: 本发明提供一种分类模型的训练方法和眼底图像分类方法，属于增量学习领域。一种分类模型的训练方法，所述分类模型用于眼底图像分类，所述方法包括：获取预训练的分类模型作为教师模型，其包括特征提取网络以及分类器，所述教师模型能识别的眼底类别归为旧类；获取学生模型，其特征提取网络用教师模型初始化，并且其分类器设置为能对旧类和新类对应的眼底类别进行识别，所述新类是所述旧类之外的眼底类别；针对用到的每个旧类，获取该旧类对应的伪样本；利用生成的旧类的伪样本和属于新类的眼底图像对所述学生模型进行增量训练，训练时基于预设的总损失函数确定的总损失更新学生模型的参数，得到经增量训练的学生模型。本发明可以缓解灾难性遗忘。