-
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：CN119006926A
公开(公告)日：2024-11-22
申请号：CN202411216125.8
申请日：2024-09-02
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明提供了一种两阶段的长尾学习方法，包括：利用具有长尾分布的图像分类的训练集对图像分类模型进行两阶段的多轮迭代训练，得到经训练的图像分类模型，其中：第一阶段的学习，包括：利用头部类集合和损失函数确定第一锐度感知梯度，以及利用尾部类集合和损失函数确定第二锐度感知梯度，根据第一锐度感知梯度和第二锐度感知梯度更新图像分类模型的参数；第二阶段的学习，包括：利用头部类集合和损失函数确定第一原始梯度，以及利用尾部类集合和损失函数确定第二锐度感知梯度，根据第一原始梯度和第二锐度感知梯度更新图像分类模型的参数，本发明方法在整体上提升了模型的泛化能力。
-
公开(公告)号：CN118735005A
公开(公告)日：2024-10-01
申请号：CN202410778100.0
申请日：2024-06-17
Applicant: 中国科学院计算技术研究所
IPC: G06N20/20 , G06N3/084 , G06N3/09 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06F18/241 , G06F18/25
Abstract: 本发明提出一种基于模态调和的多模态模型训练方法和装置，包括：获取已标注类别标签的多模态数据，并将其转化为符合模型结构输入的指定形式，得到训练数据。构建包括多个学习器的多模态模型，每个学习器对应一种模态，用于提取对应模态数据的特征，根据各学习器提取的特征进行分类，通过分类结果和该类别标签构建损失函数，依次交替训练每一个模态的学习器，以完成对该多模态模型的训练；将待分类多模态数据输入训练完成后的多模态模型，得到每个学习器的输出特征，融合所有该输出特征，得到该待分类多模态数据的分类结果。
-
公开(公告)号：CN117453869A
公开(公告)日：2024-01-26
申请号：CN202311286681.8
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06F16/332 , G06F16/36 , G06F40/30 , G06N5/022 , G06N5/02 , G06N5/04 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种知识图谱问答模型构建方法，所述知识图谱问答模型用于根据知识图谱推出问题的答案，所述方法包括：S1、构建初始知识图谱问答模型；其中，所述初始知识图谱问答模型包括：问题分解模块、嵌入模块和问答模块；S2、获取第一训练集，所述第一训练集包括多个第一训练样本和第一标签，所述多个第一训练样本为问题，所述标签为所述第一训练样本的答案真值；S3、利用所述第一训练集对所述初始知识问答模型进行训练，并在训练中利用预设的损失函数更新所述知识图谱问答模型的参数。
-
公开(公告)号：CN117151213A
公开(公告)日：2023-12-01
申请号：CN202311074989.6
申请日：2023-08-24
Applicant: 中国科学院计算技术研究所
IPC: G06N5/02 , G06F16/36 , G06Q30/0601
Abstract: 本发明提供一种知识库学习方法，所述方法包括：S1、获取已有的知识库并进行初始化以获取学习数据及其对应的初始嵌入表示，其中，所述学习数据包括多个多元组，每一个多元组均包括一个多元关系及与该多元关系对应的一个或多个角色‑实体对，且每一角色‑实体对被分配一个子关系；S2、以预设的损失函数为学习目标，按照预设的迭代方式对所述学习数据进行多轮迭代学习以得到其对应的目标嵌入表示。本发明通过学习多元组中角色和实体之间的语义信息以捕获角色和实体的兼容关系，进而探究角色和实体之间的潜在交互，并且为多元组中的每个角色‑实体对分配子关系并学习实体和子关系之间的语义信息，实现以更精细的方式挖掘知识库的潜在语义信息。
-
Patent Agency Ranking
公开(公告)号：CN112861006A
公开(公告)日：2021-05-28
申请号：CN202110198542.4
申请日：2021-02-22
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9535 , G06K9/62
Abstract: 本发明提出一种融合元路径语义的推荐方法，包括：基于异构信息网络及用户/商品评分数据集，计算所述用户/商品的相对重要性二部图；利用所述相对重要性二部图指导用户/商品结点之间的信息传播，得到所述用户/商品结点的嵌入表达；将所述用户/商品结点的嵌入表达进行变换得到用于推荐的所述用户/商品结点的最终嵌入表达，并将所述用户/商品结点的最终嵌入表达输入一推荐模型得到所述用户/商品的预测分数。
-
公开(公告)号：CN112270571A
公开(公告)日：2021-01-26
申请号：CN202011209043.2
申请日：2020-11-03
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种用于冷启动广告点击率预估模型的元模型训练方法，包括：S1、构建初始元模型并初始化元模型的参数；S2、获取未被点击过的未知广告组成的数据集，其中，每一个未知广告对应一个任务；S3、使用步骤S2中的数据集对元模型进行多轮训练直至收敛。本发明将每个已知任务的权重作为可学习的参数，并将加权后的任务分布和原始经验分布之间的卡方散度作为约束条件，形成了一种对于任务难度自适应的元学习损失函数。一方面，通过在训练过程中动态平衡各个任务的权重，从原本被忽略的难任务中挖掘到更多的有效知识，从而提升了模型的整体性能。另一方面，通过将任务权重和模型其他参数的学习问题建模为最大‑最小优化问题，利用GDmax算法对其进行了有效的求解，可以快速的达到收敛。
-
公开(公告)号：CN112184391A
公开(公告)日：2021-01-05
申请号：CN202011109159.9
申请日：2020-10-16
Applicant: 中国科学院计算技术研究所
IPC: G06Q30/06 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种推荐模型的训练方法、介质、电子设备和推荐模型，训练方法包括A1、构建推荐模型、损失构建模块和多目标优化模块；A2、获取不同用户的商品交互记录，根据用户属性设置不同的用户组；A3、利用商品交互记录对推荐模型进行多次迭代训练至收敛，其中，每次训练包括：A31、用推荐模型从本次获取的商品交互记录中学习用户对商品的决策过程，获取用户对所有商品的偏好概率；A32、基于用户对所有商品的偏好概率，损失构建模块构建第一损失函数用于计算针对不同用户的推荐准确性损失以及构建连续可微的第二损失函数用于计算针对不同的用户组的推荐公平性损失；A33、多目标优化模块根据推荐准确性损失和推荐公平性损失确定参数更新方向。
-
公开(公告)号：CN119762837A
公开(公告)日：2025-04-04
申请号：CN202411641493.7
申请日：2024-11-18
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/77 , G06V10/40 , G06V10/82 , G06N3/047 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种图像分类模型的训练方法和图像分类方法，该训练方法，包括：获取基于图像的多层级分类训练集；获取图像分类模型，其包括用于从输入的图像提取图像特征的特征提取器和堆叠的多层双向逻辑树；获取预设的自适应的粒度内差异学习网络，学习网络包括多层学习矩阵，每层学习矩阵用于对同层的分类器输出的第一逻辑值进行映射以得到第二逻辑值；利用所述训练集和预设的总损失函数指导图像分类模型和学习网络进行训练，其中，总损失函数被配置为根据第一逻辑值和分类标签指导模型学习每层的分类知识，以及根据第二逻辑值和样本的平滑标签指导模型针对每层学习同层中的各个类别与真实类别的相似度信息，从而更好地提升分类器的性能。
-
公开(公告)号：CN118470380A
公开(公告)日：2024-08-09
申请号：CN202410497676.X
申请日：2024-04-24
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774
Abstract: 本发明实施例提供了一种基于稳定AP损失的图像分类训练方法，包括对图像分类模型进行分批次的迭代训练，得到经训练的图像分类模型，其中，批次k的训练包括：从预设的训练集中采样批次k的图像，构建各类别下的正、负样本对；将批次k的图像输入图像分类模型进行分类，得到各图像属于每个类别的二分类得分；根据批次k的每个图像在每个类别的二分类得分以及构建的各类别下的正样本对和负样本对，利用预设的稳定AP损失函数确定每个类别的子损失，根据每个类别的子损失求总损失；根据总损失求梯度，利用梯度下降法更新图像分类模型的参数。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.059 seconds)
