-
公开(公告)号：CN118982719A
公开(公告)日：2024-11-19
申请号：CN202411121102.9
申请日：2024-08-15
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供了一种用于训练图像分类模型的方法，包括：获取当前批次的样本，该批次的样本构成的集合具有长尾分布的性质；将当前批次的样本图像输入模型，利用模型参数确定输入图像的第一分类预测值，根据第一分类预测值、标签和总损失函数确定第一梯度，总损失函数为原始损失函数减去加权系数乘以锐度优化损失函数；根据当前批次中属于每个类别的样本图像对应的第一分类预测值和标签，确定模型参数对应的扰动；将模型参数与扰动相加，得到扰动参数；将当前批次的样本图像输入模型，利用模型的扰动参数确定输入图像的第二分类预测值，根据第二分类预测值、标签和锐度优化损失函数，确定第二梯度；根据第一梯度和第二梯度，更新所述模型参数。
-
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。
-
公开(公告)号：CN119785070A
公开(公告)日：2025-04-08
申请号：CN202411690030.X
申请日：2024-11-25
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06N3/084 , G06V10/82
Abstract: 本发明提供了一种基于AUC优化的锐度感知最小化的图像分类训练方法，本发明的技术方案通过对锐度感知最小化技术中所采用的扰动进行调整，利用预设的加扰超参数对关于模型参数的第一梯度进行映射，确定模型参数对应的扰动，从而避免实例级形式I‑AUC与锐度感知最小化技术的直接的适配所导致的复杂的极小极大‑极小极大优化问题，有效降低模型训练的时间，减少能源的消耗；同时，借助锐度感知最小化技术，有效提升了模型的泛化能力。
-
公开(公告)号：CN117422903A
公开(公告)日：2024-01-19
申请号：CN202311286397.0
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/084
Abstract: 本发明提供一种用于图像分类模型的不平衡学习方法，包括：获取各类别样本量不平衡的图像分类的训练集；获取基于神经网络构建的图像分类模型；以初始化后的模型为基础，重复按照以下方式对模型进行多次迭代训练，得到经训练的模型：从练集采样一个批次的样本图像，并输入当前的模型；利用当前的模型确定输入的样本图像的分类结果，分类结果包括对应图像在各个类别的得分；根据当前采样的次数确定当前的训练阶段为前期还是后期，在前期和后期分别对预设的损失函数中的得分调整项和重加权项进行不同配置，得到按训练阶段配置的损失函数；利用按训练阶段配置的损失函数，根据当前批次的样本图像的分类结果和对应的标签计算损失，更新当前模型的参数。
-
Patent Agency Ranking
公开(公告)号：CN117392431A
公开(公告)日：2024-01-12
申请号：CN202311181083.4
申请日：2023-09-13
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/40 , G06V10/774 , G06V10/778
Abstract: 本发明提供了一种生成扰动样本的方法，所述方法包括：获取原始图像样本和标签，并在原始图像样本中添加初始噪声得到初始扰动图像样本；将初始扰动图像样本输入图像分类模型，输出初始扰动图像样本在各个类别下的预测得分，基于预测得分对各个类别进行排序；若排序结果满足预设排序目标，则确定初始扰动图像样本为最优扰动图像样本，初始噪声为最优噪声；若排序结果不满足预设排序目标，则基于标签和预测得分利用目标优化函数对初始噪声进行优化更新，并生成下一轮待识别的扰动图像样本，直至排序结果满足预设排序目标，确定生成此次排序结果的待识别的扰动图像样本为最优的扰动图像样本，生成待识别的扰动图像样本中的噪声为最优噪声。
-
公开(公告)号：CN116721311A
公开(公告)日：2023-09-08
申请号：CN202310760402.0
申请日：2023-06-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种图像分类模型的训练方法及基于此的图像分类方法，其中，图像分类模型的训练方法包括：S1、获取封闭域训练数据，其包括多个封闭域样本图像和指示封闭域样本图像所属已知类别的标签；S2、利用步骤S1获得的封闭域训练数据将模型训练至收敛，训练时，获取总损失，其包括封闭域分类损失和AUROC目标损失，所述AUROC目标损失被配置为用于指导模型训练以期望在相应封闭域样本图像的特征输入分类器后被正确分类的情况下，被正确分类的封闭域样本图像的特征在超未知类上的置信度小于开放域样本特征在超未知类上的置信度。本发明可约束图像分类模型的性能满足开放域识别任务中的图像分类子任务的优化目标。
-
公开(公告)号：CN119047517A
公开(公告)日：2024-11-29
申请号：CN202411248753.4
申请日：2024-09-06
Applicant: 中国科学院计算技术研究所
IPC: G06N3/0464 , G06N3/0499 , G06N3/08 , G06V10/26 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种选取扩散模型的中间变量的方法，包括：选取扩散模型中模块间的中间变量作为候选项，以及选取扩散模型中ViT模块内部的中间变量作为候选项，形成候选集合；针对候选集合中的每个候选项进行定量评价，包括：在训练和测试图像预测模型时，利用候选项对应的扩散表征代替原始图像作为图像预测模型的输入，并在训练完成后基于测试指标评价候选项的性能，其中，候选项对应的扩散表征是指将原始图像输入扩散模型后在候选项对应中间变量处得到的图像特征；从候选集合中，按性能由优到劣的顺序，选择部分候选项为选定项。
-
公开(公告)号：CN118173200A
公开(公告)日：2024-06-11
申请号：CN202410339214.5
申请日：2024-03-25
Applicant: 中国科学院计算技术研究所
IPC: G16C20/70 , G16C20/90 , G06F18/214 , G06F18/213 , G06F18/2433 , G06F18/20 , G06F18/22
Abstract: 本发明提供一种图检测模型的构建方法，该方法包括：获取初始图训练集，其中，所述初始图训练集中包括多个图数据，所有的图数据服从相同的分布；按照预设的方法获取与所述初始图训练集中的图数据不同分布的图数据以构成异常图数据集；将所述初始图训练集和所述异常图数据集构成训练集对所述图检测模型进行多次迭代训练至收敛，并在每次迭代训练过程中按照预设的损失更新图检测模型的参数。本发明的方法提高了图检测模型的性能，从而提高了图数据分布类型的检测准确性。
-
公开(公告)号：CN117057394A
公开(公告)日：2023-11-14
申请号：CN202311040633.0
申请日：2023-08-18
Applicant: 中国科学院计算技术研究所
IPC: G06N3/042 , G06N3/0455 , G06N3/088 , H04L9/40 , G06Q30/018
Abstract: 本发明提供一种图异常检测系统构建方法，所述方法包括：S1、获取原始图，所述原始图包括节点集、边集、属性矩阵、邻接矩阵；S2、执行第一阶段训练，包括：S21、对所述原始图分别进行节点掩蔽处理、边掩蔽处理和/或子图掩蔽处理以得到节点掩蔽图、边掩蔽图和/或、子图掩蔽图；S22、分别采用节点掩蔽图、边掩蔽图和/或、子图掩蔽图训练图自编码器至收敛以获得节点级图编码器、边级编码器和/或、子图级编码器；S3、执行第二阶段训练，包括：以所述步骤S2中训练好的节点级图编码器、边级编码器和/或、子图级编码器以及聚合模块、属性解码器、结构解码器构建初始图异常检测系统，以原始图训练所述属性解码器和结构解码器至收敛。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.03 seconds)
