-
公开(公告)号：CN111767701B
公开(公告)日：2023-03-07
申请号：CN202010560164.5
申请日：2020-06-18
Applicant: 浙江大学
IPC: G06F40/166 , G06F40/237 , G06F40/30
Abstract: 本发明公开了一种基于对抗性互信息的文本生成方法，包括：(1)预训练前向模型和后向模型；(2)将源文本输入前向模型，生成目标文本；(3)以生成的目标文本为后向模型的输入，生成伪源文本；(4)以原目标函数为后向模型的输入，生成另一个伪源文本；(5)构造训练的目标函数，训练目标为：最大化利用原目标文本生成源文本的概率，利用源文本生成原目标文本的概率，和能生成使得后向模型生成源文本的伪目标文本的概率；同时最小化利用伪目标文本生成源文本的概率；(6)重复步骤(2)～(5)，直到目标函数收敛。本发明将最大化互信息算法改进为对抗性互信息，训练完毕后，最终提升生成文本的准确率。
-
公开(公告)号：CN112016605B
公开(公告)日：2022-05-27
申请号：CN202010837568.4
申请日：2020-08-19
Applicant: 浙江大学
IPC: G06V10/764 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种基于边界框角点对齐和边界匹配的目标检测方法，包括以下步骤：(1)获取真实场景图片，标注目标物体的类别和边界框位置，构成训练数据集；(2)将训练数据集中的图片输入检测模型，获得图片中物体的预测类别分布和预测边界框位置；(3)构建损失函数，分别计算物体的分类损失和边界框的定位损失；(4)优化上述分类损失和定位损失的损失函数，选择训练数据集中的图片，重复步骤(2)和(3)，达到预设训练次数后结束训练；(5)检测模型训练完毕，选择待检测的图片输入模型，得到目标的类别和边界框位置。利用本发明，可以使得网络注重对重合度比较低的边界框的学习，提升整体检测精度。
-
公开(公告)号：CN110457483B
公开(公告)日：2022-02-18
申请号：CN201910542965.6
申请日：2019-06-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于神经主题模型的长文本生成方法，包括：(1)利用长文本训练集对神经主题模型进行训练，每篇文章分解为一个对应的低维主题分布和一个公用的解码器；(2)使用步骤(1)中的低维主题分布作为标签训练一个多层感知机，使用训练完的多层感知机将短文本映射到主题分布；(3)使用步骤(1)得到的解码器对步骤(2)中得到的主题分布解码，得到高维的词分布；(4)训练一个语言模型，以短文本作为初始输入，从步骤(3)得到的词分布中采样出一定数量的主题词；(5)将短文本与步骤(4)中得到的主题词合并，输入一个通用的文本生成模型框架，输出长文本。利用本发明，大大提升了在大规模数据集上进行长文本生成的质量。
-
公开(公告)号：CN114007003A
公开(公告)日：2022-02-01
申请号：CN202111282250.5
申请日：2021-11-01
Applicant: 浙江大学
Abstract: 本发明公开了一种智能收纳摄像头及收纳管理方法，其中，智能收纳摄像头包括外壳，所述外壳的内部设有主控制模块，所述外壳的前部设有与主控制模块连接的摄像头和语音系统；所述外壳的侧壁设有充电接口，外壳的底部可转动的设置有旋杆，所述旋杆的两端设有用于夹持收纳盒的夹子；所述的主控制模块与服务器电连接；所述服务器用于对摄像头拍摄的收纳物品进行识别并记录，同时在用户寻找物品时，向用户提供物品的存储位置。本发明通过摄像头监控物品流动，提供物品寻找及管理的功能，可以快速定位要找的物体，优化了用户的查找过程，减少了时间消耗，促进了家庭生活的便利。
-
公开(公告)号：CN108363724B
公开(公告)日：2021-12-10
申请号：CN201810008875.4
申请日：2018-01-04
Applicant: 浙江大学
IPC: G06F16/2458
Abstract: 本发明公开了一种利用图像正则化及数据重建解决特征提取任务的方法。主要包括如下步骤：1)针对于一组数据点，构建其权重矩阵及对应的拉普拉斯矩阵。2)随机初始化特征提取矩阵与重建系数矩阵，迭代更新特征提取矩阵与重建系数矩阵，得到最终收敛的特征提取矩阵作为特征提取的依据。相比于一般的项目推荐解决方案，本发明使用了图像正则化与数据重建相结合的方法，则能够提取出更有效的数据特征。本发明在数据特征提取问题中所取得的效果相比于传统的方法更好。
-
Patent Agency Ranking
公开(公告)号：CN113420828A
公开(公告)日：2021-09-21
申请号：CN202110775946.5
申请日：2021-07-09
Applicant: 浙江大学
Abstract: 本发明公开了一种可端到端训练的同时进行目标检测与显著性排序的方法，包括：(1)获取图像样本，根据显著性标注主体的排序，并去除没有显著主体的图像样本；(2)建立目标检测排序模型，包括主干网络、目标检测分支和显著性排序分支；其中，主干网络用于进行特征提取；检测分支根据语义特征预测目标的类别和位置坐标，所述的显著性排序分支根据语义特征及检测分支的结果进行显著性排序；(3)对显著性排序模型进行训练；(4)使用训练好的目标检测排序模型进行推理，输入一张新的图片，检测出图片中的主体，并且给出每个主体的显著性排序。本发明的方法，可通过单模型解决目标检测和排序，在公开数据集上显著领先于现有的模型结构。
-
公开(公告)号：CN110443805B
公开(公告)日：2021-08-17
申请号：CN201910614753.4
申请日：2019-07-09
Applicant: 浙江大学
Abstract: 本发明公开了一种基于像素密切度的语义分割方法，包括以下步骤：(1)将深度神经网络在目标分类任务上进行预训练；(2)在深度神经网络上加入ASPP结构和Decoder结构；(3)在最顶层的高维特征向量上加入额外的像素密切度分支；(4)从语义分割的标注数据中得出像素密切度的标签并用于训练；(5)训练结束后，在应用过程中使用一个密切度传播后处理函数结合两种输出信息，产生优化过后的语义分割结果。利用本发明，可以对现有的全卷积网络解决方案进行优化，提升语义分割的精准度和稳定性。
-
公开(公告)号：CN110222690B
公开(公告)日：2021-08-10
申请号：CN201910353614.0
申请日：2019-04-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于最大二乘损失的无监督域适应语义分割方法，包括：(1)在源域上预训练语义分割模型，所述语义分割模型基于ResNet网络；(2)同时提取语义分割模型中第四层的特征，加入一个额外的分类网络，对该网络分支进行同样的预训练；(3)在源域上有监督地训练语义分割模型，同时在目标域上使用最大二乘损失无监督地训练语义分割模型；(4)在目标域，使用ResNet网络最后一层的输出作为伪标签，无监督地训练第四层特征；(5)模型训练完毕，在目标域上对图片输出它的语义分割图。利用本发明，使无监督域适应的语义分割效果中，能够对难训练样本和小物体类别得到更多的训练，提高最后目标域上的语义分割质量。
-
公开(公告)号：CN111754775B
公开(公告)日：2021-05-25
申请号：CN202010634989.7
申请日：2020-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于特征重构误差的交通流量预测方法，属于机器学习技术领域，包括：(1)选择目标机器学习网络，初始化目标机器学习网络的参数；(2)构建交通流量的训练数据集，初始化特征校正权值矩阵的参数；(3)利用训练数据集对特征校正权值矩阵进行训练，训练过程使用随机梯度下降算法和特征重构误差损失函数；(4)固定特征校正权值矩阵参数，对目标机器学习网络进行训练，训练过程使用随机梯度下降算法；(5)重复步骤(3)和步骤(4)，直至损失函数收敛或达到最大训练步数；(6)训练结束，将待预测的交通流量数据输入训练好的网络模型，得到预测的交通流量。利用本发明，可以增强模型在进行交通流量预测的稳定性。
-
公开(公告)号：CN110163258B
公开(公告)日：2021-04-09
申请号：CN201910335801.6
申请日：2019-04-24
Applicant: 浙江大学
Abstract: 本发明公开了一种基于语义属性注意力重分配机制的零样本学习方法及系统，其中，零样本学习方法包括：(1)建立基于语义属性注意力重分配机制的神经网络模型；(2)使用语义属性空间的注意力重新分配语义特征之间的权重；(3)使用带有标签的图像数据集训练神经网络模型；(4)计算图像加权后的语义特征与未知类的语义原型的相似度，计算隐层特征与未知类的隐层特征原型的相似度，将两种相似度相加得到测试图像与各未知类的相似度；(5)根据与各类之间的相似度进行排序，选取最大相似度的类作为该图像的类预测。本发明可以使零样本学习在训练过程中，能够更加紧密地联系语义空间和隐层空间，使得结合两种空间的联合分类的结果更加鲁棒。
-
-
-
-
-
-
-
-
-
Search Results
149
records
(took 0.022 seconds)
