-
公开(公告)号：CN110647917B
公开(公告)日：2022-06-03
申请号：CN201910785418.0
申请日：2019-08-23
Applicant: 北京大学
Abstract: 本申请公开了一种模型复用方法与系统，包括：将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；根据目标损失和复用损失，更新待训练模型；重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型。通过将数据集中的有标签数据输入至待训练模型，得到目标损失，将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，得到复用损失，使用少量的有标签数据得到的目标损失和包括大量无标签数据的所有数据得到的复用损失共同更新待训练模型，能够有效利用大量无标签数据。
-
公开(公告)号：CN113610106A
公开(公告)日：2021-11-05
申请号：CN202110750264.9
申请日：2021-07-01
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本申请提供一种模型间的特征兼容学习方法、装置、电子设备及介质。所述方法包括：根据第一模型确定的模型参数和第二模型待学习的模型参数以及新训练数据集，确定第一模型和第二模型的特征兼容学习信息，所述特征兼容学习信息包括代表特征迁移损失和/或网络组件的结构正则，所述新训练数据集用于第二模型训练；将所述特征兼容学习信息以及用于监督第二模型的目标损失共同作为第二模型最终的优化目标，以完成第一模型和第二模型间的特征兼容学习，通过本方案，能够获得一个兼容的特征，使得其可以与旧版本模型提取的特征直接进行匹配检索，旧版本模型被更新后，整个数据库的特征无需被重新提取，节约了时间，减少了计算资源消耗。
-
公开(公告)号：CN107846576B
公开(公告)日：2019-12-10
申请号：CN201710944751.2
申请日：2017-09-30
Applicant: 北京大学
IPC: H04N7/18 , H04N21/2343 , H04N21/4402 , H04N21/643
Abstract: 本发明公开了用于视觉特征数据编解码的方法及系统。所述方法包括：编码器接收至少一种智能前端产生的至少一种第一协议格式视觉特征数据和用于唯一地标识对应至少一种第一协议格式的至少一个证书标识，根据至少一个证书标识将至少一种智能前端产生的至少一种第一协议格式视觉特征数据转换为同一种第二协议格式视觉特征数据；解码器接收第二协议格式视觉特征数据，根据第二协议格式解析得到至少一种智能前端产生的、至少一种第一协议格式视觉特征数据所包含的至少一种原始视觉特征数据。至少避免了在服务器存储用于说明不同视觉特征数据形式的不同规范，仅仅需要在服务器存储一种协议格式的规范即可。而且，也避免了后端的规范更新操作。
-
公开(公告)号：CN110704666B
公开(公告)日：2022-06-03
申请号：CN201910818526.3
申请日：2019-08-30
Applicant: 北京大学
IPC: G06F16/583 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉领域，特别涉及一种提升跨视角车辆精确检索的方法及系统。包括将某一视角图片输入训练好的对抗网络生成器的该视角的图片输入端，生成另一视角图片；将原视角图片和生成的另一视角图片输入到训练好的度量网络中，获得原视角图片的特征和另一视角的图片的特征，将原视角图片的特征和另一视角的图片的特征拼接为级联特征，计算级联特征和数据库中参考车辆图片的特征距离，排列展示距离最近的若干查询目标。本发明提出了一个特征距离对抗网络(FDA‑Net)，在度量空间设计了一种新的特征距离对抗方案。
-
公开(公告)号：CN113610162A
公开(公告)日：2021-11-05
申请号：CN202110908457.2
申请日：2021-08-09
Applicant: 北京大学
IPC: G06K9/62 , G06N3/08 , G06F16/583
Abstract: 本申请涉及深度学习技术领域，更为具体来说，本申请涉及向后兼容表示的邻域一致性对比学习方法、系统及介质。所述方法包括：获取训练样本；将所述训练样本输入到第一神经网络模型中进行特征提取，得到第一特征；采用高斯核函数计算所述第一特征的熵；基于熵值过滤掉所述第一特征中位于类边缘区域的模糊特征，得到第二特征；将训练样本输入到第二神经网络模型中进行特征提取得到第三特征，利用所述第二特征和所述第三特征进行对比学习；基于对比学习的损失函数优化所述第二神经网络模型。本申请所述方法实现了模型的平滑部署，方便应用，后续在图像检索应用及其它应用场景时可自动更新模型。
-
Patent Agency Ranking
公开(公告)号：CN111163318B
公开(公告)日：2021-05-04
申请号：CN202010020628.3
申请日：2020-01-09
Applicant: 北京大学
IPC: H04N19/184 , H04N19/146 , H04N19/136
Abstract: 本申请公开了一种基于反馈优化的人机视觉编码方法，所述方法包括：编码端获取所述目标视频对应的像素特征后输入预设预测模型中生成语义特征；编码端基于所述语义特征生成视频流和特征流；解码端基于所述编码后的特征流和视频流生成解码视频；解码端当接收到针对客户端输入的参数调整指令时，生成码率参数发送至编码端；编码端获取当前码率；编码端基于所述码率参数对所述当前码率进行调整生成调整后的码率；编码端基于所述调整后的码率增强所述视频流和所述特征流，生成增强后的视频流和增强后的特征流；解码端基于所述增强后的视频流和增强后的特征流对编码端模型进行更新。因此，采用本申请实施例，可以提高视频特征抽取和压缩效率。
-
公开(公告)号：CN110704665A
公开(公告)日：2020-01-17
申请号：CN201910818508.5
申请日：2019-08-30
Applicant: 北京大学
IPC: G06F16/583 , G06F16/532 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉领域，特别涉及一种基于视觉注意力机制的图像特征表达方法及系统。包括将图片输入训练好的深度网络模型对图片进行特征提取，得到该图片的注意力特征值，计算图片的特征值与目标图片特征值的距离，选择距离最近的若干目标图片展示。本发明利用多尺度注意力网络实现特征提取、距离度量一体化的目标检索检索框架，与传统算法相比，处理速度和准确率均得到较好提升。
-
公开(公告)号：CN119367300A
公开(公告)日：2025-01-28
申请号：CN202411264450.1
申请日：2024-09-10
IPC: A61K9/1277 , A61K47/24 , A61K45/00 , A61K31/704 , A61K31/167
Abstract: 本发明公开的一种将千兆赫兹体声波谐振器用于脂质体主动载药的方法，属于医药载药技术领域。本发明为用于将一种或多种具有不同溶解性的药物分子高效、定量地装载至脂质体囊泡的通用方法。本发明基于千兆赫兹体声波谐振器所产生的高速涡状声流效应，改变具有流动性磷脂双分子层膜的脂质体的通透性，以能同时装载不同溶解性的药物到脂质体中，并能够通过调控GHz体声波谐振器的工作功率与时间来定量控制药物的装载量。本发明适用范围不限于脂质体种类组装的具体磷脂分子，对于具有磷脂双分子层结构的囊泡腔体均有效。本发明使用的装载方法能够提高药物载体的制备效率，且不受药物亲疏水性的限制，能够实现定量浓度的药物载体制备。
-
公开(公告)号：CN111163318A
公开(公告)日：2020-05-15
申请号：CN202010020628.3
申请日：2020-01-09
Applicant: 北京大学
IPC: H04N19/184 , H04N19/146 , H04N19/136
Abstract: 本申请公开了一种基于反馈优化的人机视觉编码方法，所述方法包括：编码端获取所述目标视频对应的像素特征后输入预设预测模型中生成语义特征；编码端基于所述语义特征生成视频流和特征流；解码端基于所述编码后的特征流和视频流生成解码视频；解码端当接收到针对客户端输入的参数调整指令时，生成码率参数发送至编码端；编码端获取当前码率；编码端基于所述码率参数对所述当前码率进行调整生成调整后的码率；编码端基于所述调整后的码率增强所述视频流和所述特征流，生成增强后的视频流和增强后的特征流；解码端基于所述增强后的视频流和增强后的特征流对编码端模型进行更新。因此，采用本申请实施例，可以提高视频特征抽取和压缩效率。
-
公开(公告)号：CN110647917A
公开(公告)日：2020-01-03
申请号：CN201910785418.0
申请日：2019-08-23
Applicant: 北京大学
Abstract: 本申请公开了一种模型复用方法与系统，包括：将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；根据目标损失和复用损失，更新待训练模型；重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型。通过将数据集中的有标签数据输入至待训练模型，得到目标损失，将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，得到复用损失，使用少量的有标签数据得到的目标损失和包括大量无标签数据的所有数据得到的复用损失共同更新待训练模型，能够有效利用大量无标签数据。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.032 seconds)
