-
公开(公告)号：CN118135216A
公开(公告)日：2024-06-04
申请号：CN202410207248.9
申请日：2024-02-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/26 , G06V10/774 , G06V10/764
Abstract: 本发明提供一种用于像素级语义分割模型的训练方法，包括：步骤S1、获取具有长尾分布性质的用于像素级分割的训练集，包括多个原始样本和对应标签序列，每个原始样本为包括多个像素的原始图像，标签序列包括多个指示对应原始图像中每个像素的类别的标签；步骤S2、确定训练集中缺少的所有尾部类别，利用预设的像素级尾部类别记忆库在训练集的多个原始图像中添加缺少的一种或多种尾部类别对应的像素，得到更新的包括多个修改图像的训练集；步骤S3、利用更新的训练集训练像素级语义分割模型预测修改图像中各个像素的类别，包括采用预设的损失函数根据所述模型的预测结果和标签计算的总损失更新所述模型的参数，得到经训练的像素级语义分割模型。
-
公开(公告)号：CN117077779A
公开(公告)日：2023-11-17
申请号：CN202311146144.3
申请日：2023-09-06
Applicant: 中国科学院计算技术研究所
IPC: G06N5/022
Abstract: 本发明提供一种动态知识图谱嵌入模型构建方法，包括：T1、旧知识图谱的三元组构建初始知识图谱嵌入模型；T2、响应于知识图谱中新知识的动态增加，对初始知识图谱嵌入模型进行动态迭代训练，其中，迭代训练是指每当有新知识增加时，采用当前知识图谱构建对应的训练集对上一次迭代训练后的知识图谱嵌入模型进行多轮训练直至收敛，且每轮训练包括：T21、基于上次迭代之后的知识图谱嵌入模型获取新知识和旧知识中实体和关系嵌入；T22、分别做知识转移以获得当前轮实体和关系的嵌入，并计算知识转移损失；T23、做知识学习保留处理并计算知识学习损失；T24、基于实知识转移损失和知识学习损失构建联合损失更新知识图谱嵌入模型的参数。
-
公开(公告)号：CN118736191A
公开(公告)日：2024-10-01
申请号：CN202410738342.7
申请日：2024-06-07
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种尺寸无关的多物体显著性检测方法，其特征在于，包括：对训练样本中物体做最小外接框，得到多个物体框，将训练样本中除物体框以外的部分作为背景框；通过语义分割模型，对背景框和每个物体框内的显著区域进行独立评价，得到在每个物体框和背景框的显著区域独立检测结果；对各显著区域独立检测结果进行合并，得到显著区域合并检测结果；根据显著区域标签，在每个物体框和背景框内独立地计算损失，得到背景框和每个物体框的独立损失函数；合并所有独立损失函数，得到合并损失函数，以训练语义分割模型；将待显著物体检测的多物体图像通过数据处理步骤处理后，输入训练完成后的语义分割模型，得到其显著区域检测结果。
-
公开(公告)号：CN118247567A
公开(公告)日：2024-06-25
申请号：CN202410386788.8
申请日：2024-04-01
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774
Abstract: 本发明提供了一种基于多标签对图像分类模型训练的方法，所述方法包括：获取训练集，所述训练集包括多个分布内图像样本和多个分布外图像样本，以及指示各个分布内图像样本所属类别的标签，其中，所述分布外图像样本为不属于分布内图像样本所属任意类别的图像样本；利用训练集对图像分类模型进行一次或者多次训练，其中，利用图像分类模型提取输入图像在各个类别上的logit值和置信度，每次训练时，基于预设的总损失函数确定的总损失更新图像分类模型的参数，得到经训练的图像分类模型，所述总损失根据以下损失加权求和确定：分布内损失、分布外损失和能量分布差距损失。
-
公开(公告)号：CN118212315A
公开(公告)日：2024-06-18
申请号：CN202410305781.9
申请日：2024-03-18
Applicant: 中国科学院计算技术研究所
IPC: G06T11/00
Abstract: 本发明提供了一种图像处理系统的构建方法，该方法包括：筛选出多种图像生成方法；构建初始图像处理系统，其包括：表征模块和处理模块，其中，表征模块用于基于筛选出的多种图像生成方法和预训练的扩散模型得到输入图像的多个子表征并对其进行拼接处理以得到输入图像的表征；利用输入图像、输入图像上图像任务处理的标签对初始图像处理系统进行多次迭代训练，并在每次迭代训练过程中按照预设的损失更新图像处理系统的参数。采用本发明的方法能够显著提升表征模块的表征学习能力，即使用本发明构建的表征模块用于表征学习时能够得到内容更准确的图像表征，以使下游的处理模块基于该图像表征完成图像处理任务时能够得到更加准确的处理结果。
-
Patent Agency Ranking
公开(公告)号：CN118072144A
公开(公告)日：2024-05-24
申请号：CN202410348087.5
申请日：2024-03-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种图像分割模型的训练方法以及图像分割方法，本发明通过多方面的改进，可以让模型在特征学习的阶段更好地学习对齐物体局部、物体、含有物体的场景下的特征，低成本且高效地提高了模型在不同场景噪声下对物体的分辨能力，有助于提升下游图像分割模型的性能。
-
公开(公告)号：CN117576496A
公开(公告)日：2024-02-20
申请号：CN202311286454.5
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/776 , G06V10/82 , G06N3/084 , G06N3/094
Abstract: 本发明实施例提供了一种图像二分类模型的训练方法，图像二分类模型用于判定图像为二分类中的一类的概率，该方法包括：S1、获取原始图像训练集；S2、对所述原始图像训练集按照预设的规则添加分布扰动，得到对应的图像对抗训练集；S3、利用图像对抗训练集对所述图像二分类模型进行多次迭代训练，并在每次迭代训练时基于正样本为目标图像的概率预测值以及负样本为目标图像的概率预测值计算图像二分类模型的性能评估结果；S4、根据图像二分类模型的性能评估结果，基于目标逐样本损失函数更新图像对抗训练集以及图像二分类模型中可学习的参数。通过上述方法训练图像二分类模型，提高了AUC在分布扰动下的鲁棒性，从而提高图像二分类模型的性能。
-
公开(公告)号：CN117079042A
公开(公告)日：2023-11-17
申请号：CN202311068705.2
申请日：2023-08-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明实施例提供了一种图像分类系统，用于对输入的图像进行分类，该系统包括：特征提取模块，用于对图像进行特征提取，以得到图像对应的特征向量；特征旋转模块，用于基于正交投影矩阵对特征向量进行旋转得到旋转后的特征向量，其中，所述正交投影矩阵是从预设的正交矩阵提取；分类模块，其包括：固定参数线性层用于对旋转后的特征向量进行均衡得到图像属于每个类别的logit值；分类层用于基于图像属于每个类别的logit值确定图像属于每个类别的置信度。本发明实施例设计的图像分类系统对长尾图像分类场景的泛化性好以及模型本身的性能也好。
-
公开(公告)号：CN112861006B
公开(公告)日：2023-06-23
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 , G06F18/22 , G06F18/25
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：CN116127121A
公开(公告)日：2023-05-16
申请号：CN202310180785.4
申请日：2023-02-16
Applicant: 中国科学院计算技术研究所
IPC: G06F16/583 , G06F16/538 , G06V10/774 , G06V10/74
Abstract: 本发明提出一种图像检索模型的训练方法,所述方法包括：S1、获取训练集和查询图像，所述训练集包括多个与查询图像同类的正样本图像和多个与查询图像不同类的负样本图像；S2、采用步骤S1中获得的训练集和查询图像将图像检索模型进行多轮训练直至收敛，并在训练过程中基于AUPRC目标损失采用梯度的方式更新图像检索模型参数。本发明通过构建AUPRC的一种上界作为替代损失(替代损失即AUPRC目标损失)，并在随机估计中引入正样本图像估计的辅助向量，实现替代目标的可泛化性和渐进无偏性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.044 seconds)
