-
公开(公告)号：CN118865479A
公开(公告)日：2024-10-29
申请号：CN202310462839.6
申请日：2023-04-26
Applicant: 富士通株式会社
Abstract: 本申请实施例提供一种步态识别装置和方法以及电子设备。所述方法包括：对第一视频中的第一人体的身体部位进行分割，生成包括至少一个身体部位的第一语义分割结果；根据屏蔽信息，筛选所述第一语义分割结果中的身体部位，生成屏蔽后的第一语义分割结果；利用步态模型，根据屏蔽后的所述第一语义分割结果，生成第一步态特征；根据所述第一步态特征以及第二视频中的第二人体的第二步态特征，判断所述第一人体与所述第二人体是否属于同一人，其中，用于生成所述第二步态特征的屏蔽后的第二语义分割结果中包括的身体部位是根据所述屏蔽信息筛选后的身体部位。由此，能够提高步态识别结果的准确性。
-
公开(公告)号：CN114912647A
公开(公告)日：2022-08-16
申请号：CN202110177334.6
申请日：2021-02-07
Applicant: 富士通株式会社
Abstract: 本公开涉及一种用于决定决策的装置、方法和机器可读存储介质。该装置包括：获取单元，其获取与决策的决定相关联的M个场景下的M个预测序列以及与每个预测序列分别对应的概率；分配单元，其针对每个场景分别分配N个具体决策方案；第一计算单元，其针对每个场景获得与每个场景对应的组最优决策方案；合并单元，其基于M个场景的组最优决策方案和M个预测序列来获得场景组合决策方案；以及第二计算单元，其基于场景组合决策方案和概率来获得最终决策方案。
-
公开(公告)号：CN108694443B
公开(公告)日：2021-09-17
申请号：CN201710217479.8
申请日：2017-04-05
Applicant: 富士通株式会社
IPC: G06N3/08
Abstract: 本发明涉及基于神经网络的语言模型训练方法和装置。该方法包括：针对训练集中的每一个目标词，利用噪声生成网络生成目标词特征和噪声词特征，其中，目标词特征和噪声词特征具有各自对应的类别标签；利用上下文神经网络提取目标词的上下文特征；将目标词特征、噪声词特征以及上下文特征构成训练样本输入二分类器；迭代更新噪声生成网络的参数和上下文神经网络的参数，直到二分类器的预测误差接近预定值时停止更新；以及用训练得到的上下文神经网络作为语言模型。根据本发明的方法和装置可以训练得到一种收敛速度较快同时泛化能力较好的语言模型。
-
公开(公告)号：CN108959322A
公开(公告)日：2018-12-07
申请号：CN201710379515.0
申请日：2017-05-25
Applicant: 富士通株式会社
CPC classification number: G06K9/6256
Abstract: 本发明公开了信息处理方法和基于文本生成图像的装置。所述方法包括：从样本文本中提取表征样本文本中的词之间的关联性的文本特征；以尺寸变化的窗口来选择性地截取文本特征的各个局部，以得到各个局部文本特征；基于样本文本的各个局部文本特征和与样本文本对应的样本图像来训练图像生成模型，其中，图像生成模型包括编码器模块和解码器模块，训练后的图像生成模型中的解码器模块根据所输入的文本的各个局部文本特征来迭代地生成与所输入的文本对应的图像，并且各个局部文本特征分别在各次迭代中截取。
-
公开(公告)号：CN108875758A
公开(公告)日：2018-11-23
申请号：CN201710320880.4
申请日：2017-05-09
Applicant: 富士通株式会社
Abstract: 公开了一种信息处理方法和装置以及信息检测方法和装置，其中信息处理方法包括：从多个样本图像中的每个样本图像提取具有预定宽度和预定高度的一组特征图，其中，一组特征图中的特征图分别与不同的图像特征相对应；以及基于所提取的一组特征图和为多个样本图像标记的文字描述来训练文字描述模型，文字描述模型用于根据输入图像生成相应文字描述，其中，训练文字描述模型包括基于一组特征图和循环神经网络模型的前一状态向量，计算一组特征图上的关注窗口的中心和大小。根据本公开的实施例，能够产生图像的更合适的文字描述。
-
Patent Agency Ranking
公开(公告)号：CN107402914A
公开(公告)日：2017-11-28
申请号：CN201610341719.0
申请日：2016-05-20
Applicant: 富士通株式会社
Abstract: 本发明涉及自然语言深度学习系统和方法。该系统包括：误差计算单元，其被配置成在对自然语言深度学习系统进行训练时，根据基于样本对的损失函数来计算样本的误差值，损失函数为相似度损失函数与类别损失函数的组合，其中，相似度损失函数基于如下准则来定义：当样本对的真实类别相同时，其类别预测向量值之间的差别应当较小，而当样本对的真实类别不同时，其类别预测向量值之间的差别应当较大，类别损失函数基于样本对的类别误差来定义。在该系统中，基于样本对设计损失函数，减少了基于样本对损失学习的代价。
-
公开(公告)号：CN107305543A
公开(公告)日：2017-10-31
申请号：CN201610258308.5
申请日：2016-04-22
Applicant: 富士通株式会社
IPC: G06F17/27
CPC classification number: G06F17/2785
Abstract: 本发明涉及对实体词的语义关系进行分类的方法和装置。该方法包括：基于句子中的每个词以及其相对于两个实体词的位置权重来生成待分类向量；用预定的方向分类特征参数和预定的类型分类特征参数分别与待分类向量相乘，用非线性激活函数对各自的乘积分别进行非线性变换，从而生成方向分类特征和类型分类特征；以及根据方向分类特征和类型分类特征，利用预先存储的分类模型来确定两个实体词之间的语义关系方向和语义关系类型。
-
公开(公告)号：CN106407211A
公开(公告)日：2017-02-15
申请号：CN201510459760.3
申请日：2015-07-30
Applicant: 富士通株式会社
CPC classification number: G06F16/36 , G06F16/35 , G06F17/2785
Abstract: 本发明涉及对实体词的语义关系进行分类的方法和装置。该方法包括：通过将句子中的每个词用词向量表示来构建第一矩阵，将第一矩阵中的实体词的向量进行连接以得到第一实体词向量；对第一矩阵利用深度学习模型进行处理得到第二矩阵，将第二矩阵中的实体词的向量进行连接以得到第二实体词向量；对第二矩阵进行池化处理来得到句子级特征；将第一实体词向量与第二实体词向量进行连接得到词汇级特征；以及将句子级特征和词汇级特征进行连接得到的向量作为待分类向量输入预先存储的分类模型来确定实体词之间的语义关系。根据本发明，提供了一种更有效的对实体词的语义关系进行分类的方法和装置。
-
公开(公告)号：CN106339401A
公开(公告)日：2017-01-18
申请号：CN201510419260.7
申请日：2015-07-16
Applicant: 富士通株式会社
IPC: G06F17/30
CPC classification number: G06F16/2462
Abstract: 本发明公开了一种确定实体之间的关系的方法和设备。该方法包括：基于实体特征，计算数据中的实体的两两之间的相似度、数据中的实体与知识库中的实体的两两之间的相似度；根据上述实体间的相似度，确定上述实体间的初步关系；基于所确定的初步关系以及相应的相似度、知识库中的实体的两两之间的永久关系，更新语义图，该语义图中的节点是数据中的实体和知识库中的实体，节点间的边标记有上述初步关系和永久关系以及相应的置信度；以及基于语义图，调整上述初步关系和/或相应的置信度；其中，调整后的语义图中的实体之间的置信度为1的关系即为所确定的实体之间的关系。
-
公开(公告)号：CN106326904A
公开(公告)日：2017-01-11
申请号：CN201510333995.8
申请日：2015-06-16
Applicant: 富士通株式会社
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本公开提供了获取特征排序模型的装置和方法以及特征排序方法。获取特征排序模型的方法基于N个原始样本组进行学习，所述N个原始样本组各自包括多个原始样本，并且每个原始样本具有多个特征，其中，N为大于1的自然数，所述获取特征排序模型的方法包括：针对每个原始样本组，基于该组中的原始样本，获取所述多个特征的排序标签；针对每个原始样本组，基于该组中的原始样本，提取所述多个特征中的每个特征的子特征；以及基于针对所述N个原始样本组分别得到的所述多个特征的排序标签以及所述多个特征中的每个特征的子特征，通过学习获得所述特征排序模型。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.053 seconds)
