-
公开(公告)号：CN115471700A
公开(公告)日：2022-12-13
申请号：CN202211126235.6
申请日：2022-09-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06N3/04 , G06N3/08 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于知识传输的图像分类模型训练方法，用于对预训练好的图像分类模型进行增量训练，其中，所述预训练好的图像分类模型包括特征提取网络和分类器，其特征在于，所述方法包括采用新的图像数据集对预训练好的图像分类模型按照如下方式进行增量训练：S1、对当前新的图像数据集进行增强处理；S2、利用上一次训练后的图像分类模型的参数初始化所述图像分类模型，并采用增强后的当前新的图像数据集将其训练至收敛，其中在训练过程中采用交叉熵损失、蒸馏损失以及知识传输损失更新模型参数。本发明能够实现模型特征空间的迁移，缓解增量训练过程中的灾难性遗忘问题。
-
公开(公告)号：CN114041780A
公开(公告)日：2022-02-15
申请号：CN202111489019.3
申请日：2021-12-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种呼吸监测模型，包括处理总路和多个处理支路，每个处理支路和总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，呼吸监测模型被配置为：将基于惯性传感器数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。本发明通过该模型生成呼吸波形，从而监测人体呼吸情况。
-
公开(公告)号：CN114027786A
公开(公告)日：2022-02-11
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN113057585A
公开(公告)日：2021-07-02
申请号：CN202110274276.9
申请日：2021-03-15
Applicant: 中国科学院计算技术研究所
IPC: A61B5/00
Abstract: 本发明提供一种认知障碍检测模型及其训练方法，所述认知障碍检测模型包括多模态信息表征模块、多模态信息融合模块、无监督深度聚类模块。所述多模态信息表征模块包括眼底图像数据表征网络、多模态生理信号数据表征网络。所述多模态信息融合模块与所述多模态信息表征模块相连接，用于将所述眼底图像数据的特征与多模态生理信号的特征进行融合，得到融合后的特征；所述无监督深度聚类模块与所述多模态信息融合模块相连接，用于根据所述融合后的特征基于无监督聚类模型进行认知障碍检测。
-
-
Patent Agency Ranking
公开(公告)号：CN112766337A
公开(公告)日：2021-05-07
申请号：CN202110028695.4
申请日：2021-01-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提供了一种用于预测众包数据的正确标签的方法和系统，该方法利用了一种神经网络模型，该模型基于每个众包数据的所有初始标签的均值获取对应的众包数据的参考标签，通过训练获得；并利用神经网络模型获得每个众包数据的预测标签，基于每个众包数据的每个初始标签相对于预测标签的可信度迭代校准当前神经网络模型，直至神经网络模型收敛或精度持续下降。本发明中的方法和系统能够减少对深度学习中对众包数据工作者能力的依赖，从而提高深度学习模型的准确度和鲁棒性。
-
公开(公告)号：CN110503205A
公开(公告)日：2019-11-26
申请号：CN201910646750.9
申请日：2019-07-17
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种多模态数据处理方法及系统，包括：获取多个多模态数据样本，并将多模态数据样本的质量评价作为特征，将多模态数据样本的模态组合作为标签；以特征为输入，并以标签为训练目标，训练多类分类器模型，得到模态选择模型；获取待处理多模态数据，将待处理多模态数据的特征输入模态选择模型，得到模态组合选择结果，通过将待处理多模态数据中除模态组合选择结果以外的置0，得到修改后的多模态数据；修改后的多模态数据输入指定的多模态机器学习任务模型，将多模态机器学习任务模型的输出结果作为待处理多模态数据的多模态数据处理结果。本发明可以提升低数据质量下的多模态机器学习模型性能。
-
公开(公告)号：CN109086658A
公开(公告)日：2018-12-25
申请号：CN201810589194.1
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于生成对抗网络的传感器数据生成方法，包括：模型构建步骤，以真实数据通过神经网络模型构建生成对抗网络模型，该生成对抗网络模型包括生成器和判别器；模型训练步骤，以对抗博弈机制训练该生成器和该判别器，并进行迭代，直到从该生成器获得的数据满足评价标准；数据生成步骤，以该生成器通过该对抗网络模型生成合成数据。
-
公开(公告)号：CN108852313A
公开(公告)日：2018-11-23
申请号：CN201810587419.X
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
IPC: A61B5/0205 , G16H50/30
Abstract: 本发明涉及一种基于雷达的非干扰智能感知方法，包括：采集步骤，通过雷达采集用户的生理数据；预处理步骤，对该生理数据进行预处理以滤除干扰得到过滤数据；处理步骤，提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器识别该用户的生理状态。
-
公开(公告)号：CN120030364A
公开(公告)日：2025-05-23
申请号：CN202510217534.8
申请日：2025-02-26
Applicant: 中国科学院计算技术研究所
IPC: G06F18/22 , G16H20/40 , G06F18/10 , G06F18/213 , G06F18/243 , G06N20/20
Abstract: 本发明提供了一种虚拟手术评估模型训练方法，所述方法包括：步骤S1、获取多条虚拟手术运动学数据及其各自对应的手术水平标签；步骤S2、对每条虚拟手术运动学数据进行预处理，其中，预处理包括：获取每条虚拟手术运动学数据中部分特征的特征曲线；基于每条虚拟手术运动学数据获取的多条特征曲线，以每条特征曲线上多个坐标构成的面积来确定每条特征曲线上部分时间点对应的面积特征；将每条虚拟手术运动学数据获取的多条特征曲线上部分时间点对应的面积特征添加至自身虚拟手术运动学数据中，得到预处理后的每条虚拟手术运动学数据；步骤S3、以预处理后的多条虚拟手术运动学数据训练虚拟手术评估模型直至模型收敛。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.039 seconds)
