-
公开(公告)号：CN112766337B
公开(公告)日：2024-01-12
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
IPC: G06F18/24 , G06F18/214 , G06N3/08
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。(56)对比文件Ryan Drapeau.MicroTalk: UsingArgumentation to Improve CrowdsourcingAccuracy《.Proceedings, The Fourth AAAIConference on Human Computation andCrowdsourcing》.2016,
-
公开(公告)号：CN117333695A
公开(公告)日：2024-01-02
申请号：CN202311196121.3
申请日：2023-09-15
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/80 , G06V10/766 , G06V10/82 , G06V10/44 , G06N7/01 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于贝叶斯关系推断的小样本分布校准模型与训练方法。所述模型以已知分布的基类图片中提取的基类点嵌入对目标图片中提取的目标点嵌入进行分布校准，包括：贝叶斯关系推断组件，多视角高斯图生成模块，融合特征生成模块。所述训练方法用于对本发明所述任一小样本分布校准模型进行训练，包括：对目标图片进行特征提取，生成目标点嵌入；将目标点嵌入输入贝叶斯关系推断组件与预先输入的基类点嵌入拼接成边嵌入以生成汇总图；将所述汇总图利用多视角高斯图生成模块生成1个视角的高斯图；将所述高斯图输入融合特征生成模块生成融合特征；将所述融合特征分类后计算损失值，并通过反向传播算法更新模型参数；重复以上步骤预定次数。
-
公开(公告)号：CN113139664B
公开(公告)日：2023-10-10
申请号：CN202110477456.7
申请日：2021-04-30
Applicant: 中国科学院计算技术研究所
IPC: G06N20/00 , G06F18/214 , G06F18/241
Abstract: 本发明实施例提供了一种跨模态的迁移学习方法，该方法通过构建迁移学习模型，用全局领域判别模块对齐边缘分布，用局部类别判别模块细粒度地从类别角度对齐特征的条件分布，用局部模态判别模块细粒度地从模态角度对齐特征的条件分布，该模型架构基于对抗网络的迁移学习的思想，能在训练过程中适配跨模态迁移学习中边缘分布差异和条件分布差异，并利用对抗训练去自适应学到更多可迁移特征，从而提高分类模型的性能。
-
公开(公告)号：CN116778566A
公开(公告)日：2023-09-19
申请号：CN202310883502.2
申请日：2023-07-19
Applicant: 中国科学院计算技术研究所
IPC: G06V40/18 , G06V10/74 , G06V10/764 , G06V10/774
Abstract: 本发明提供一种分类模型的训练方法和眼底图像分类方法，属于增量学习领域。一种分类模型的训练方法，所述分类模型用于眼底图像分类，所述方法包括：获取预训练的分类模型作为教师模型，其包括特征提取网络以及分类器，所述教师模型能识别的眼底类别归为旧类；获取学生模型，其特征提取网络用教师模型初始化，并且其分类器设置为能对旧类和新类对应的眼底类别进行识别，所述新类是所述旧类之外的眼底类别；针对用到的每个旧类，获取该旧类对应的伪样本；利用生成的旧类的伪样本和属于新类的眼底图像对所述学生模型进行增量训练，训练时基于预设的总损失函数确定的总损失更新学生模型的参数，得到经增量训练的学生模型。本发明可以缓解灾难性遗忘。
-
公开(公告)号：CN116702025A
公开(公告)日：2023-09-05
申请号：CN202310556186.8
申请日：2023-05-17
Applicant: 中国科学院计算技术研究所
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/044 , G06F18/27
Abstract: 本发明提供了一种基于惯性传感器数据的基础设施状态识别方法和系统，该方法包括：获取部署在基础设施上的惯性传感器采集的传感数据和该传感数据被采集前该基础设施的前序状态序列；利用经训练的状态识别模型根据所述传感数据和所述前序状态序列确定该基础设施当前的状态，其中，所述经训练的状态识别模型包括两种预测模式，第一预测模式下根据传感数据和对应前序状态序列进行预测，第二预测模式下根据传感数据和对应前序状态序列的掩码值进行预测；利用校准器确定基础设施当前的状态是否需要校准，若是，由经训练的状态识别模型在第二预测模式下预测的基础设施的状态更新基础设施当前的状态。
-
Patent Agency Ranking
公开(公告)号：CN116701954A
公开(公告)日：2023-09-05
申请号：CN202310559427.4
申请日：2023-05-17
Applicant: 中国科学院计算技术研究所
IPC: G06F18/22 , G06F18/213 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/08 , G01C21/16 , G01C21/20
Abstract: 本发明实施例提供一种基于IMU数据的基础设施状态识别方法，所述方法包括：获取部署在基础设施上的惯性测量单元采集的IMU数据，利用特征提取器从所述IMU数据中提取该基础设施对应的特征向量；将提取的该基础设施对应的特征向量与为该基础设施预设的多种状态的基准特征向量进行相似度计算，得到相似度结果；根据相似度结果，确定基础设施当前所处的状态，本发明实施例的技术方案根据将提取的基础设施的特征向量与为该基础设施预设的多种状态的基准特征向量进行相似度计算得到的相似度结果，确定基础设施的状态的方式，可广泛应用在任意基础设施中并识别用户指定的任一基础设施状态，普适性高且成本小。
-
公开(公告)号：CN114041780B
公开(公告)日：2022-08-30
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：CN113177455A
公开(公告)日：2021-07-27
申请号：CN202110442262.3
申请日：2021-04-23
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明实施例提供了一种训练运动强度识别系统的方法，包括：A1、构建运动强度识别系统，其包括依次连接的数据预处理模块、并行卷积处理流、双线性池化模块和多任务学习模块，所述并行卷积处理流包括两条并行的卷积处理流；A2、通过数据预处理模块对经标注了标签的运动数据进行预处理，得到运动信息和对应的标签组成的训练集，其中，运动数据由惯性传感器采集得到，为运动数据标注的标签包括多种不同的运动强度标签和多种不同的运动行为标签；A3、用所述训练集训练所述运动强度识别系统；本发明从通道和空间两个维度对卷积层提取的特征进行优化，关注重要的特征，抑制不必要的特征，有助于提升运动强度的识别精度。
-
公开(公告)号：CN113139664A
公开(公告)日：2021-07-20
申请号：CN202110477456.7
申请日：2021-04-30
Applicant: 中国科学院计算技术研究所
Abstract: 本发明实施例提供了一种跨模态的迁移学习方法，该方法通过构建迁移学习模型，用全局领域判别模块对齐边缘分布，用局部类别判别模块细粒度地从类别角度对齐特征的条件分布，用局部模态判别模块细粒度地从模态角度对齐特征的条件分布，该模型架构基于对抗网络的迁移学习的思想，能在训练过程中适配跨模态迁移学习中边缘分布差异和条件分布差异，并利用对抗训练去自适应学到更多可迁移特征，从而提高分类模型的性能。
-
公开(公告)号：CN105447504B
公开(公告)日：2019-04-02
申请号：CN201510751897.6
申请日：2015-11-06
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明提供一种交通模式行为识别模型构建方法，包括：1)对具体交通模式行为进行多层次的归类，建立相应的分类树；2)对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集；3)对于分类树中每一个父节点的分类问题，基于步骤2)所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。本发明还提供了相应的交通模式行为识别方法。本发明能够更加准确地区分具体的交通模式行为，且计算复杂度较小。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.078 seconds)
