-
公开(公告)号：CN118081773B
公开(公告)日：2024-08-20
申请号：CN202410487776.4
申请日：2024-04-23
Applicant: 厦门大学
IPC: B25J9/16
Abstract: 本发明提供一种基于综合损失的演员评论家算法的机器人控制方法，包括：利用神经网络技术构建机器人运动的策略网络和价值评估网络；初始化网络模型参数；构建综合损失函数，所述综合损失包括正则化项、动态的裁剪双Q学习，并通过一差异函数检测估计误差的类型与大小来动态调整正则化项和动态的裁剪双Q学习的参数，使其朝着消除估计误差的方向更新；根据综合损失函数训练价值评估网络，并训练机器人运动的策略网络；判断机器人策略网络是否收敛至预期值，若是，则将机器人的多个传感器信息作为当前状态输入到策略网络，输出机器人的动作控制机器人的关节值和速度；否则，继续训练直至收敛至预期值。
-
公开(公告)号：CN117172293A
公开(公告)日：2023-12-05
申请号：CN202311122615.7
申请日：2023-09-01
Applicant: 厦门大学
IPC: G06N3/0495 , G06N3/082 , G06V40/10 , G06V10/82
Abstract: 用于N:M稀疏微调的自适应蒸馏方法，涉及人工神经网络的压缩与加速。包括以下几个步骤：1)使用基于权重大小的N:M剪枝方案剪枝预训练模型。2)利用自适应知识蒸馏将预训练模型中的知识迁移到N:M稀疏模型中，其中自适应知识蒸馏可以根据学生模型特征图和教师模型特征图中激活值的差异，自动将学生特征图中差异较大的激活值替换成教师特征图中的激活值，来减少学生模型学习的难度，加快学生模型微调的收敛速度。可以通过使用提出的自适应知识蒸馏方法来加快预训练模型的N:M稀疏微调，并且降低由N:M稀疏带来的精度损失。
-
公开(公告)号：CN117058034A
公开(公告)日：2023-11-14
申请号：CN202311039192.2
申请日：2023-08-17
Applicant: 厦门大学
IPC: G06T5/00 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 基于阴影复杂性感知神经网络的图像阴影去除方法，涉及计算机底层视觉。使用颜色风格多样性增强方法对训练集样本颜色风格变换后，送入灰度结构信息恢复分支，对图像的灰度结构信息进行恢复；结果与输入图像灰度图差异性判断阴影复杂性；颜色变换后的样本及灰度结构信息恢复分支的输出结果送入颜色信息恢复分支，恢复图像颜色信息；阴影复杂性高的图像在神经网络中经过更多参数处理；计算颜色信息恢复分支输出结果与无阴影图像之间的L1损失、感知损失和多出口蒸馏损失；将各个损失按不同比例加和，作为整个网络的损失反向传播，训练神经网络。可广泛用于图像阴影去除问题，提高训练模型泛化性，通过动态网络的思想降低模型的计算量。
-
公开(公告)号：CN107390873A
公开(公告)日：2017-11-24
申请号：CN201710609207.2
申请日：2017-07-25
Applicant: 厦门大学
IPC: G06F3/01
Abstract: 基于脑电控制的多尺度光标定位方法，涉及一种基于脑电控制的光标定位方法。1)开始时，光标位于光标界面的中心，待定位区域为整个光标界面；2)将待定位区域按水平中心线和垂直中心线分成左上、左下、右上、右下四个大小相同的子区域；3)使用者通过脑电信号将光标定位到待定位区域中的某个子区域的中心；4)判断光标是否在目标位置，若是，则方法结束；否则，将光标当前所在的子区域当作新的待定位区域，然后返回步骤2)。采用多尺度定位的方式对基于脑电控制的光标进行定位，克服了传统的基于脑电控制的光标每次只能移动一小段距离的不足，大大提高了定位速度；只使用SSVEP一种脑电信号，操作简单、方便。
-
公开(公告)号：CN117172293B
公开(公告)日：2025-05-13
申请号：CN202311122615.7
申请日：2023-09-01
Applicant: 厦门大学
IPC: G06N3/0495 , G06N3/082 , G06V40/10 , G06V10/82
Abstract: 用于N:M稀疏微调的自适应蒸馏方法，涉及人工神经网络的压缩与加速。包括以下几个步骤：1)使用基于权重大小的N:M剪枝方案剪枝预训练模型。2)利用自适应知识蒸馏将预训练模型中的知识迁移到N:M稀疏模型中，其中自适应知识蒸馏可以根据学生模型特征图和教师模型特征图中激活值的差异，自动将学生特征图中差异较大的激活值替换成教师特征图中的激活值，来减少学生模型学习的难度，加快学生模型微调的收敛速度。可以通过使用提出的自适应知识蒸馏方法来加快预训练模型的N:M稀疏微调，并且降低由N:M稀疏带来的精度损失。
-
Patent Agency Ranking
公开(公告)号：CN119623513A
公开(公告)日：2025-03-14
申请号：CN202411786935.7
申请日：2024-12-06
Applicant: 厦门大学
IPC: G06N3/042 , G06N3/0464
Abstract: 本发明提供一种基于路径的K跳超图神经网络卷积方法，包括：步骤S1、创建用于图下游任务的超图神经网络模型，初始化模型；步骤S2、获取节点(超边)间不同距离的最短路径及其中心节点或超边；步骤S3、聚合节点直接连接的超边上的节点特征；超图经过对偶变换后，超边的聚合以相同方式进行；步骤S4、获取低阶聚合后更新的节点特征，作为路径特征，供高阶HyperGINE进行节点K跳邻域的聚合；在超图数据经过对偶变换后，获取相应的不同跳的聚合表示；步骤S5、将各自K跳邻域聚合的结果进行更新；步骤S6、通过堆叠由步骤S3、S4和S5形成的KHGNN层，完成超图特征的提取，并通过与下游任务相匹配的输出网络进行任务预测。本发明可实现下游任务的高效预测。
-
公开(公告)号：CN119180764A
公开(公告)日：2024-12-24
申请号：CN202411224381.1
申请日：2024-09-03
Applicant: 厦门大学
Abstract: 本发明提供一种免数据标注和网络训练的场景文本消除方法，所述方法包括：在预训练扩散去噪模型反演过程中进行层次化文本定位，通过从原图中获取第一文本区域的掩膜，对第一文本区域对应的原图进行裁剪与放大得到复数个子图，再从子图中获取得到第二文本区域的掩膜，对子图进行2‑均值聚类得到子图子区域并计算出第三文本区域的掩膜；在对反演得到的潜空间噪声进行重建之前，预先将其文本区域用随机高斯噪声进行破坏得到处理后的潜空间图；将处理后的潜空间图输入到预训练扩散去噪模型中对背景区域进行自动恢复得到文本消除后的图像。本发明方法可在无训练和数据集标注的前提下完成文本定位、文本破坏、背景恢复等流程，提高了图像处理效率。
-
公开(公告)号：CN118967880A
公开(公告)日：2024-11-15
申请号：CN202410995249.4
申请日：2024-07-24
Applicant: 厦门大学
Abstract: 一种增强的对象操纵和背景一致的图像编辑方法，采用扩散模型对原始图像进行图像编辑，主要步骤：在预设数量的时间步内对原始潜在代码逐步进行反演更新，并且在特定时间步将编辑对象从源区域转移到目标区域，并对编辑对象转移后的源区域背景进行修复，同时保持编辑对象转移后的未编辑区域背景完整，以在反演阶段的特定时间步中采用最终损失函数对特定潜在代码进行迭代更新，最终得到更新后潜在代码；将更新后潜在代码和编辑对象动作的指示文本输入UNet去噪器中进行采样去噪得到编辑图像。借此，可在反演阶段于目标区域中注入编辑对象并保持背景完整性，同时可在采样阶段确保被编辑对象产生指定的动作，保证编辑前后图像内容的一致性。
-
公开(公告)号：CN114896436B
公开(公告)日：2024-04-30
申请号：CN202210671640.X
申请日：2022-06-14
Applicant: 厦门大学
IPC: G06F16/53 , G06N3/0464 , G06N3/047 , G06N3/08 , G06V10/762 , G06V10/774
Abstract: 一种基于表征互信息的网络结构搜索方法，涉及人工智能技术领域。在神经网络搜索空间中，随机采样n个神经网络，利用RMI联合分类损失函数训练网络，计算n个网络的RMI分数、q分位数τ，训练拟合随机森林分类器π；从整个神经网络搜索空间随机抽取一批新的网络，从中找到概率最大的一个网络，利用损失函数训练网络，计算其RMI分数，重新拟合训练新的随机森林模型π，判断随机森林训练样本中新网络数量是否达到N，将得到的所有优秀网络样本集中网络结构的众数作最终输出的最优网络结构，利用优秀网络结构集上的统计规律，获得最可能的最优架构。高效、快速，并可推广到不同的搜索空间。使用RMI和随机森林有效探索整个搜索空间。
-
公开(公告)号：CN108764054B
公开(公告)日：2021-04-13
申请号：CN201810408845.2
申请日：2018-04-27
Applicant: 厦门大学
Abstract: 基于生成式对抗网络的机器人书写书法的方法，涉及机器人。收集标准毛笔字笔画数据，并按笔画类型整理分类，并注上标注；基于生成对抗网络模型训练两个深度神经网络，生成网络G和对抗网络D；将随机采样的向量输入生成网络G，得到笔画轨迹点的概率分布；书法机器人应用抽样方法从概率分布中获取笔画位置信息并书写笔画致画板，写好后，由相机拍摄记录笔画图像；将待处理的图像进行预处理，输入对抗网络D中进行训练，调整参数，以达到收敛。生成机制具有良好的学习能力，可使书法机器人具有可自动生成各种风格笔画的生成机制，解决了目前书法机器人耗费大量人力手动输入的困难。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.019 seconds)
