-
公开(公告)号：CN102945373A
公开(公告)日：2013-02-27
申请号：CN201210408367.8
申请日：2012-10-24
Applicant: 中国科学院自动化研究所
IPC: G06K9/62
Abstract: 一种基于上下文的局部空间信息建模方法，包括步骤：在提取每个图像的局部特征后，提取相应的上下文特征；根据每个局部特征对应的视觉单词，从测试图像中随机提取局部特征分组；利用聚类算法，在各组局部特征对应的上下文特征集合上训练得到多组上下文模式；根据局部特征对应的不同上下文模式进行聚集操作，将聚集结果串联得到图像的最终表达。本发明对于未经过对齐处理的图像，依然能够有效地处理其空间信息。在实际应用中，将该方法与现有的考虑绝对空间关系的方法相结合，还能够进一步提升图像分类精度。
-
公开(公告)号：CN102663447A
公开(公告)日：2012-09-12
申请号：CN201210133488.6
申请日：2012-04-28
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于判别相关分析的跨媒体检索方法，该方法包括以下步骤：建立跨媒体训练数据库，依次对其中不同模态样本进行特征提取、均值预处理和线性投影变换，并根据投影空间设定一目标函数；求解目标函数得到线性投影向量；建立跨媒体测试数据库；对待检索对象依次进行特征提取和均值预处理；使用所述线性投影向量对经均值预处理的特征数据进行线性投影变换；计算两模态数据投影变量之间的欧式距离，并进行升序排序，从而得到跨媒体检索结果。本发明方法能够对特征数据进行有效地降维，从而广泛地应用在其他很多多模态工作中，比如多模态生物特征识别。
-
公开(公告)号：CN115062779B
公开(公告)日：2025-04-29
申请号：CN202210576172.8
申请日：2022-05-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种基于动态知识图谱的事件预测方法及装置，该方法包括：获取第一历史周期内的目标历史事件，并根据第一历史周期内各时刻下所有目标历史事件，构建各时刻对应的第一知识图谱；将第一历史周期内所有时刻对应的第一知识图谱进行拼接，生成第二知识图谱；将第二知识图谱输入预测模型的第一预测模块中，得到第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示；将第二知识图谱中各实体和各关系在当前周期的特征表示输入预测模型的第二预测模块中，得到当前周期的预测事件。本发明实现动态预测得到第二知识图谱中各实体和各实体之间的关系在当前周期的特征表示，以实现对事件进行准确地动态预测。
-
公开(公告)号：CN118824398A
公开(公告)日：2024-10-22
申请号：CN202411076814.3
申请日：2024-08-07
Applicant: 中国科学院自动化研究所
IPC: G16C20/30 , G16C20/70 , G06F18/241 , G06N3/042
Abstract: 本公开提供了一种分子性质预测模型的训练方法、预测方法、装置及设备，应用人工智能和深度学习领域。包括：将目标样本分子的样本原子特征输入第一神经网络，得到第一样本原子特征向量；将目标样本分子的样本化学键特征输入的第一神经网络，得到样本化学键特征向量；根据目标样本分子的上下文信息，确定与目标样本分子关联的样本分子上下文特征向量；将第一样本原子特征向量、样本化学键特征向量和样本分子上下文特征向量输入第二神经网络，得到第二样本原子特征向量；将第二样本原子特征向量输入第三神经网络，得到目标样本分子的预测目标分子性质；根据预测目标分子性质和真实目标分子性质对分子性质预测模型的参数进行调整，得到经训练的分子性质预测模型。
-
公开(公告)号：CN118445408A
公开(公告)日：2024-08-06
申请号：CN202410351802.0
申请日：2024-03-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种谣言检测模型构建方法、谣言检测方法及装置，该构建方法包括：构建样本事件传播图并对传播图中的各节点进行特征编码，得到各节点的初始化表征向量；基于初始化表征向量进行局部特征重构和全局特征重构，得到局部语义表征、局部重构特征、全局语义表征和全局重构特征；基于局部语义表征和全局语义表征进行表征均匀性学习，并应用学习到的事件表征进行谣言检测分类，得到分类结果；基于初始化表征向量、局部重构特征、全局重构特征、事件表征、分类结果以及样本事件的样本分类标签，对初始模型进行参数迭代，得到谣言检测模型。该模型能够通过挖掘事件在传播过程中的语义演化信息，有效地检测出谣言，提高谣言检测的准确性和效率。
-
Patent Agency Ranking
公开(公告)号：CN118332349A
公开(公告)日：2024-07-12
申请号：CN202410421125.5
申请日：2024-04-09
Applicant: 中国科学院自动化研究所
Abstract: 本申请公开了一种图文虚假信息检测方法、装置、介质、设备及产品，其中方法包括：将待检测文本划分为各个子文本；基于各个子文本和待检测文本得到检测模型输出的待检测文本与目标图片的文本匹配结果，以及各个子文本对应的检测变量；其中，任一子文本对应的检测变量用于表征任一子文本与目标图片的子文本匹配结果；检测模型是基于变分推断框架构建的。本申请提供的方法和装置，可以在得到整体文本的图文匹配结果的同时得到各个子文本与目标图片的匹配情况，能够有效地确定哪一部分文本与目标图片不匹配，提高了图文虚假信息的检测效果和检测准确度。
-
公开(公告)号：CN117993469A
公开(公告)日：2024-05-07
申请号：CN202410170534.2
申请日：2024-02-06
Applicant: 中国科学院自动化研究所
IPC: G06N3/0895 , B60W60/00 , B60W50/00 , G06N3/0455 , G06N3/0464 , G06F18/214 , G06F18/213 , G06F18/25 , G06V20/56 , G06V10/44
Abstract: 本发明提供一种越野环境自动驾驶感知模型的训练及自动驾驶感知方法，方法包括：将外源感受性图像、驾驶控制信号和内源感受性数据输入至编码模块中分别进行编码，输出外源性感受图像特征、驾驶控制信号特征和内源性感受特征；将外源性感受图像特征和驾驶控制信号特征输入至融合模块中进行特征融合得到融合特征；基于第一样本对应的融合特征与第一样本同一抽样批次内所有其他样本的内源性感受特征之间的差异，以及第二样本对应的内源性感受特征与第二样本同一抽样批次内所有其他样本的融合特征之间的差异，确定目标损失函数值，基于目标损失函数值对初始自动驾驶感知模型进行参数迭代得到自动驾驶感知模型，从而提高自动驾驶感知的准确性和可靠性。
-
公开(公告)号：CN117764160A
公开(公告)日：2024-03-26
申请号：CN202311651011.1
申请日：2023-12-04
Applicant: 中国科学院自动化研究所
IPC: G06N5/025 , G06F18/213 , G06F18/241 , G06N3/06 , G06N3/08
Abstract: 本发明提供一种关系抽取模型的训练方法、装置、电子设备和存储介质，从样本数据集中，确定噪音样本文本和纯净样本文本；基于初始关系抽取模型，分别确定噪音样本文本的噪音隐藏特征，以及纯净样本文本的纯净隐藏特征，并基于噪音隐藏特征，确定噪音样本文本的预测实体关系；基于噪音样本文本的预测实体关系，以及纯净样本文本的纯净隐藏特征和样本实体关系，对初始关系抽取模型进行参数迭代，得到关系抽取模型，克服了目前噪音样本的丢弃导致了有用信息的丢失，以致模型训练不足，效果欠佳的缺陷，通过伪标签充分利用噪音样本文本中的信息，以使模型更好的学习关系特征，从而优化训练效果，实现了模型性能的提升。
-
公开(公告)号：CN116881731A
公开(公告)日：2023-10-13
申请号：CN202310770444.2
申请日：2023-06-27
Applicant: 中国科学院自动化研究所
IPC: G06F18/22 , G06F18/23 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供一种用于未配对图像文本匹配的多模态概念知识对齐方法，包括：从公开数据集中收集图像文本组，并基于图像文本组中单词相关图像区域对应的原型区域表示，获取预训练的常识；基于双向区域单词循环一致学习，以及未配对的图像和文本，对预训练的常识通过自监督学习方式进行细化，获取微调的领域知识；基于微调的领域知识，将未配对的图像和文本进行匹配，并通过原型区域表示来表示文本中已解析的单词，确定各单词与各图像区域表示对应的区域单词相似性分数；基于双向相似性池化模块，将图像文本组中各单词与各图像区域表示对应的区域单词相似性分数聚合为各图像文本全局相似性分数，显著提高在零样本和跨数据集图像文本匹配方面的性能。
-
公开(公告)号：CN116796001A
公开(公告)日：2023-09-22
申请号：CN202310628310.7
申请日：2023-05-30
Applicant: 中国科学院自动化研究所
IPC: G06F16/36 , G06F16/28 , G06F18/25 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及自然语言处理技术领域，提供一种动态知识图谱预测方法、装置、电子设备及存储介质，该方法获取历史事件语料；将历史事件语料输入至图谱构建模型，得到当前时刻的知识图谱。该图谱构建模型通过隐含关系提取模块及关系编码模块实现对历史事件语料中隐含关系的提取及编码，通过实体时序表征模块得到当前时刻的知识图谱，使得到的知识图谱不仅包含有历史事件语料中各实体已经存在的关系信息，还包含在历史事件语料中隐含的各实体的关联关系，知识图谱的准确性更高，使知识图谱后续应用效果更佳。而且，通过历史事件语料的不断更新，可以实现知识图谱的准确动态预测。本发明已受到了国家重点研发计划项目(2019YQ1601)的资助。
-
-
-
-
-
-
-
-
-
Search Results
153
records
(took 0.041 seconds)
