-
公开(公告)号：CN110309359B
公开(公告)日：2021-06-15
申请号：CN201910420026.4
申请日：2019-05-20
Applicant: 北京大学
IPC: G06F16/735 , G06N3/04 , G06N3/08 , H04N21/466
Abstract: 本申请公开了一种视频相关性预测方法、装置、设备及存储介质，构建并训练半孪生神经网络模型学习相关或不相关视频间的关系，将目标源视频及至少一个待预测视频输入所述半孪生神经网络模型中，经所述半孪生神经网络模型分析后输出所述待预测视频与所述目标源视频之间的相关性结果，从而实现对缺少用户行为信息的视频能够预测与其相关的视频列表，给出了各相关视频的相关性大小并且各相关视频之间的相关性对称，有效提高了视频推荐的准确性。
-
Patent Agency Ranking
公开(公告)号：CN108764292A
公开(公告)日：2018-11-06
申请号：CN201810390879.3
申请日：2018-04-27
Applicant: 北京大学
CPC classification number: G06K9/6256 , G06K2209/21 , G06N3/0454 , G06N3/0481 , G06N3/084
Abstract: 本发明提供了一种基于弱监督信息的深度学习图像目标映射及定位方法。该方法包括：使用带有类别标签的图像数据分别训练两个深度卷积神经网络框架，得到分类模型M1和分类模型M2，并获取全局带参可学习池化层参数；使用新的分类模型M2对测试图像进行特征提取，得到特征图，根据特征图通过特征类别映射及阈值法得到初步定位框；使用选择性搜索方法对测试图像进行候选区域提取，使用分类模型M1筛选类别出候选框集合；对初步定位框和候选框进行非极大值抑制处理，得到测试图像最终的目标定位框。本发明引入全局带参可学习池化层，能够学习得到关于目标类别j的更好的特征表达，并通过使用选择性特征类别映射的方式，有效得到图像中目标物体的位置信息。
-
公开(公告)号：CN111680697A
公开(公告)日：2020-09-18
申请号：CN202010187988.2
申请日：2020-03-17
Applicant: 北京大学
Abstract: 本申请公开了一种实现领域自适应的方法、装置、电子设备及介质。其中，在基于预设的第一神经网络模型，对样本图像进行至少两个样本图像特征提取后，可以利用至少两个样本图像特征，得到至少两个难度因子，该难度因子为样本图像特征与目标图像特征之间的特征距离，并利用至少两个难度因子，获取损失函数，进而根据该损失函数以及随机梯度下降法，实现目标领域自适应。通过应用本申请的技术方案，可以利用原有的样本图像数据中的图像特征生成对应的难度因子，并根据难度因子的不同进行对应强度的特征对齐。从而使得神经网络模型无法区分源域样本和目标域样本，进而达到覆盖源域和目标域的特征表示的目的。从而实现神经网络模型的领域自适应。
-
公开(公告)号：CN111680697B
公开(公告)日：2024-03-22
申请号：CN202010187988.2
申请日：2020-03-17
Applicant: 北京大学
Abstract: 本申请公开了一种实现领域自适应的方法、装置、电子设备及介质。其中，在基于预设的第一神经网络模型，对样本图像进行至少两个样本图像特征提取后，可以利用至少两个样本图像特征，得到至少两个难度因子，该难度因子为样本图像特征与目标图像特征之间的特征距离，并利用至少两个难度因子，获取损失函数，进而根据该损失函数以及随机梯度下降法，实现目标领域自适应。通过应用本申请的技术方案，可以利用原有的样本图像数据中的图像特征生成对应的难度因子，并根据难度因子的不同进行对应强度的特征对齐。从而使得神经网络模型无法区分源域样本和目标域样本，进而达到覆盖源域和目标域的特征表示的目的。从而实现神经网络模型的领域自适应。
-
公开(公告)号：CN110309359A
公开(公告)日：2019-10-08
申请号：CN201910420026.4
申请日：2019-05-20
Applicant: 北京大学
IPC: G06F16/735 , G06N3/04 , G06N3/08 , H04N21/466
Abstract: 本申请公开了一种视频相关性预测方法、装置、设备及存储介质，构建并训练半孪生神经网络模型学习相关或不相关视频间的关系，将目标源视频及至少一个待预测视频输入所述半孪生神经网络模型中，经所述半孪生神经网络模型分析后输出所述待预测视频与所述目标源视频之间的相关性结果，从而实现对缺少用户行为信息的视频能够预测与其相关的视频列表，给出了各相关视频的相关性大小并且各相关视频之间的相关性对称，有效提高了视频推荐的准确性。
-
公开(公告)号：CN108764292B
公开(公告)日：2022-03-18
申请号：CN201810390879.3
申请日：2018-04-27
Applicant: 北京大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于弱监督信息的深度学习图像目标映射及定位方法。该方法包括：使用带有类别标签的图像数据分别训练两个深度卷积神经网络框架，得到分类模型M1和分类模型M2，并获取全局带参可学习池化层参数；使用新的分类模型M2对测试图像进行特征提取，得到特征图，根据特征图通过特征类别映射及阈值法得到初步定位框；使用选择性搜索方法对测试图像进行候选区域提取，使用分类模型M1筛选类别出候选框集合；对初步定位框和候选框进行非极大值抑制处理，得到测试图像最终的目标定位框。本发明引入全局带参可学习池化层，能够学习得到关于目标类别j的更好的特征表达，并通过使用选择性特征类别映射的方式，有效得到图像中目标物体的位置信息。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
