-
公开(公告)号：CN111680697B
公开(公告)日：2024-03-22
申请号：CN202010187988.2
申请日：2020-03-17
Applicant: 北京大学
Abstract: 本申请公开了一种实现领域自适应的方法、装置、电子设备及介质。其中，在基于预设的第一神经网络模型，对样本图像进行至少两个样本图像特征提取后，可以利用至少两个样本图像特征，得到至少两个难度因子，该难度因子为样本图像特征与目标图像特征之间的特征距离，并利用至少两个难度因子，获取损失函数，进而根据该损失函数以及随机梯度下降法，实现目标领域自适应。通过应用本申请的技术方案，可以利用原有的样本图像数据中的图像特征生成对应的难度因子，并根据难度因子的不同进行对应强度的特征对齐。从而使得神经网络模型无法区分源域样本和目标域样本，进而达到覆盖源域和目标域的特征表示的目的。从而实现神经网络模型的领域自适应。
-
公开(公告)号：CN112884120A
公开(公告)日：2021-06-01
申请号：CN202110130485.6
申请日：2021-01-29
Applicant: 北京大学
Abstract: 本申请提供了一种图神经网络表示架构，包括图结构数据表示模块用于各种图神经网络框架数据的相互转换的表示格式；基础表示模块用于各种图神经网络开源算法框架的图神经网络模型进行互相转换的基础表示格式；紧凑表示模块用于通过神经网络压缩算法以及加速算法将基础表示模块的图神经网络模型转化成序列化格式的紧凑表示格式；编码表示模块用于通过编码算法将紧凑表示模块的图神经网络模型转换为编码表示格式。从图神经网络到最终模型的不同表示层次的定义，能够统一图神经网络各个层次的表示，降低图神经网路模型与图神经网络开源框架的耦合关系，打破了各种图神经网路开源算法框架之间的壁垒，实现了不同图神经网络开源算法框架的互操作。
-
公开(公告)号：CN113095506A
公开(公告)日：2021-07-09
申请号：CN202110322362.2
申请日：2021-03-25
Applicant: 北京大学
Abstract: 本申请提供了一种基于端、边及云协同架构的机器学习方法及系统，提取输入图像的多个通用特征；传输多个通用特征；接收多个通用特征，并自适应选择机器学习任务对应的至少一个通用特征；根据至少一个通用特征训练对应的机器学习任务，得到训练后的机器学习模型；训练后的机器学习模型根据输入图像得到机器学习任务的预测结果。本申请通过在端架构处提取可用于各种视觉任务的通用特征，只在边架构上传输通用特征而不需要传输端处采集的原图，最后在云架构处利用通用特征进行机器学习任务的训练。
-
公开(公告)号：CN111680697A
公开(公告)日：2020-09-18
申请号：CN202010187988.2
申请日：2020-03-17
Applicant: 北京大学
Abstract: 本申请公开了一种实现领域自适应的方法、装置、电子设备及介质。其中，在基于预设的第一神经网络模型，对样本图像进行至少两个样本图像特征提取后，可以利用至少两个样本图像特征，得到至少两个难度因子，该难度因子为样本图像特征与目标图像特征之间的特征距离，并利用至少两个难度因子，获取损失函数，进而根据该损失函数以及随机梯度下降法，实现目标领域自适应。通过应用本申请的技术方案，可以利用原有的样本图像数据中的图像特征生成对应的难度因子，并根据难度因子的不同进行对应强度的特征对齐。从而使得神经网络模型无法区分源域样本和目标域样本，进而达到覆盖源域和目标域的特征表示的目的。从而实现神经网络模型的领域自适应。
-
-
-
Search Results
4
records
(took 0.023 seconds)
