-
公开(公告)号：CN118505984A
公开(公告)日：2024-08-16
申请号：CN202310121464.7
申请日：2023-02-15
Applicant: 富士通株式会社
IPC: G06V10/26 , G06V20/70 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/045 , G06N3/0475 , G06N3/088
Abstract: 本公开内容涉及模型训练方法、语义分割方法及模型训练装置。根据本公开内容的一个实施例，提供了一种用于训练适于对目标域夜间图像进行语义分割的分割模型的方法。该方法包括：使用已打标签的源日间图像、未打标签的目标日间图像及未打标签的目标夜间图像分三个操作阶段实现对分割模型的训练。
-
公开(公告)号：CN118378076A
公开(公告)日：2024-07-23
申请号：CN202310050865.8
申请日：2023-01-20
Applicant: 富士通株式会社
IPC: G06F18/214 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 公开了一种信息处理装置、信息处理方法和计算机可读存储介质。该信息处理装置可以包括：样本生成单元，被配置成利用基于针对第二任务的第二训练样本集而获得的样本生成网络，生成针对第一任务的第一模拟样本集；以及第一模型训练单元，被配置成在第一预定条件下，利用第二训练样本集对针对第一任务预先训练的第一模型进行再训练，以获得用于对待预测对象进行预测的再训练的第一模型。第一预定条件包括：预先训练的第一模型对第一模拟样本集的预测结果与再训练的第一模型对第一模拟样本集的预测结果之间的差异在预定范围内。第一任务不同于第二任务。待预测对象涉及第一任务和/或第二任务。
-
公开(公告)号：CN118015391A
公开(公告)日：2024-05-10
申请号：CN202211349387.2
申请日：2022-10-31
Applicant: 富士通株式会社
IPC: G06V10/774 , G06N3/0464 , G06V10/82
Abstract: 公开了一种信息处理装置、信息处理方法和计算机可读存储介质。该信息处理装置可以包括：第一模型训练单元，被配置成利用第一训练样本集对预先训练的第一模型进行训练，以达预定条件，从而获得用于对待预测对象进行预测的再训练的第一模型。再训练的第一模型包括特征提取器和判别器。判别器的输出用于表征预先训练的第一模型的特征提取器所提取的特征的分布和再训练的第一模型的特征提取器所提取的特征的分布之间的差异。预定条件包括判别器的输出在第一预定阈值范围内。
-
公开(公告)号：CN115713111A
公开(公告)日：2023-02-24
申请号：CN202110949753.7
申请日：2021-08-18
Applicant: 富士通株式会社
IPC: G06N3/088 , G06N3/0464 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/25 , G06V10/44
Abstract: 本公开内容涉及用于训练对象检测模型的方法和对象检测方法。根据本公开内容的一个实施例，用于训练模型的方法包括以迭代方式训练对象检测模型，其中当前训练迭代轮包括以下操作：读取源域数据子集和目标域数据子集；确定针对源域数据子集的检测损失，以及源域实例分类特征集；确定目标域实例分类特征集；基于源域实例分类特征集和目标域实例分类特征集确定与实例特征对齐有关的实例级对齐损失；以及基于与检测损失和实例对齐损失有关的总损失通过调整对象检测模型的参数来优化对象检测模型。本公开内容的方案的有益效果至少包括以下中的至少一个：对标签噪声鲁棒、克服类别不均衡、改善实例级对齐以及改善检测准确度。
-
公开(公告)号：CN115713105A
公开(公告)日：2023-02-24
申请号：CN202110949087.7
申请日：2021-08-18
Applicant: 富士通株式会社
IPC: G06N3/08 , G06F18/2431 , G06F18/2413 , G06F18/2415 , G06F18/23 , G06F18/22 , G06F18/241 , G06F18/213
Abstract: 公开了一种用于训练神经网络的方法和装置以及计算机可读存储介质。神经网络包括分类器和特征提取器。该方法包括：利用特征提取器，对来自源域的有标注数据和来自目标域的无标注数据进行特征提取；利用另一分类器，根据所提取的特征对无标注数据进行分类以得到第一类别；针对有标注数据构建第一交叉熵损失函数，并且针对被标注为第一类别的无标注数据构建第二交叉熵损失函数；和通过使第一交叉熵损失函数和第二交叉熵损失函数的加权和最小，来训练神经网络。
-
Patent Agency Ranking
公开(公告)号：CN115482423A
公开(公告)日：2022-12-16
申请号：CN202110579881.7
申请日：2021-05-26
Applicant: 富士通株式会社
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/04
Abstract: 本公开内容涉及信息处理装置和信息处理方法。该信息处理装置用于对分类模型进行训练，该分类模型能够基于第一域的具有标签的第一样本对不同于第一域的第二域的不具有标签的第二样本进行分类，在第二样本的类别与第一样本的类别之间存在相同的共享类别。该信息处理装置包括：聚簇单元，使第二样本中的每个朝向其相邻的第一样本或第二样本聚簇；多个第一分类单元，每个第一分类单元基于第一样本的部分类别对经聚簇的第二样本分类；以及识别单元，基于多个第一分类单元的分类结果识别不具有共享类别的第二样本，其中分类模型使用聚簇单元的聚簇结果和识别单元的识别结果进行训练。根据本公开内容的信息处理技术，能够显著改善迁移学习的学习效果。
-
公开(公告)号：CN114781469A
公开(公告)日：2022-07-22
申请号：CN202110076738.6
申请日：2021-01-20
Applicant: 富士通株式会社
Abstract: 本公开内容涉及信息处理装置和信息处理方法。该信息处理装置用于基于第一域的具有标签的第一样本对不同于第一域的第二域的不具有标签的第二样本进行分类，第二样本的类别是第一样本的类别的子集或全集。该信息处理装置包括：第一判断单元，用于判断第一样本的类别是否是第一域和第二域的共享类别；以及第二判断单元，用于判断第二样本所属的共享类别，其中第一判断单元和第二判断单元通过交换信息执行联合训练。根据本公开内容的信息处理技术，能够显著改善迁移学习的学习效果。
-
公开(公告)号：CN114139676A
公开(公告)日：2022-03-04
申请号：CN202010911149.0
申请日：2020-09-02
Applicant: 富士通株式会社
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 公开了领域自适应神经网络的训练方法，包括：针对源数据和目标数据提取特征；基于提取的特征为目标数据预测第一标签；基于源数据集合上每个类别的类中心与目标数据的特征之间的距离，为目标数据确定第二标签；在目标数据集合中选择第一标签与第二标签相同的目标数据，并且第一或第二标签作为所选择的目标数据的伪标签；基于所选择的目标数据计算目标数据集合上每个类别的类中心；基于源数据集合的类中心和所计算的目标数据集合的类中心之间的距离构建第一损失函数；基于所选择的目标数据以及其伪标签构建第二损失函数；针对源数据集合中的源数据以及所选择的目标数据构建第三损失函数；基于第一至第三损失函数来训练该神经网络。
-
公开(公告)号：CN118587550A
公开(公告)日：2024-09-03
申请号：CN202310204379.7
申请日：2023-03-03
Applicant: 富士通株式会社
IPC: G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/088 , G06N3/096 , G06N3/094
Abstract: 公开了对神经网络进行领域自适应训练的方法和装置。该方法包括：a)分别基于源域图像和目标域图像提取多种尺寸的源域锚框特征和目标域锚框特征；b)基于提取的特征，针对源域图像和目标域图像中的相应锚框生成目标检测预测值；针对每一种尺寸：c)将具有该尺寸的源域锚框特征划分为对应于多个类别的多个源域特征集合；d)将具有该尺寸的目标域锚框特征划分为对应于该多个类别的多个目标域特征集合；e)通过使类内距离最小化并且使类间距离最大化来执行跨域特征对齐；f)接收另外的源域图像和目标域图像。通过重复执行步骤a)‑f)，利用针对源域图像和目标域图像的预测损失函数以及特征对齐损失函数来训练神经网络。
-
公开(公告)号：CN116486093A
公开(公告)日：2023-07-25
申请号：CN202210036721.2
申请日：2022-01-13
Applicant: 富士通株式会社
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/02
Abstract: 本公开涉及信息处理装置、信息处理方法和机器可读存储介质。信息处理装置包括：特征生成单元，其被配置成针对输入分布生成特征；差异生成单元，其被配置成生成在预定阶段训练好的特征生成单元与当前阶段被训练的特征生成单元针对相同的特定输入分布的输出特征差异；以及更新单元，其被配置成基于输出特征差异使用当前阶段被训练的特征生成单元针对当前阶段在线更新的输入分布的输出特征来训练当前阶段的特征生成单元。该信息处理装置可以利用特征生成单元对相同输入分布的输出特征差异来训练特征生成单元，从而有效地解决在线无监督领域自适应中的遗忘问题。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.031 seconds)
