-
Patent Agency Ranking
公开(公告)号：CN113344044B
公开(公告)日：2024-05-28
申请号：CN202110557951.9
申请日：2021-05-21
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/094 , G16H30/40
Abstract: 本发明公开了一种基于领域自适应的跨物种医疗影像分类方法，通过领域自适应算法，提取大鼠和人的NAFLD影像数据间的领域不变特征与领域差异特征，并通过特征对齐和领域对抗的方式使无标定的人类肝脏影像数据能够通过有标定的大鼠肝脏影像数据训练的分类器进行类别判别。构建基于源领域和目标领域分布一致性的约束和基于条件对抗学习的领域不变性约束，通过控制分类器预测结果的不确定性以保证分类器的可迁移性的同时，通过计算特征与分类器预测结果之间的互协方差以提升分类器的判别性，从而在源领域和目标领域样本分布差异较大的医疗影像数据上能够获得适用于目标领域的病理分类器，实现跨物种数据的迁移学习。
-
公开(公告)号：CN113344044A
公开(公告)日：2021-09-03
申请号：CN202110557951.9
申请日：2021-05-21
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于领域自适应的跨物种医疗影像分类方法，通过领域自适应算法，提取大鼠和人的NAFLD影像数据间的领域不变特征与领域差异特征，并通过特征对齐和领域对抗的方式使无标定的人类肝脏影像数据能够通过有标定的大鼠肝脏影像数据训练的分类器进行类别判别。构建基于源领域和目标领域分布一致性的约束和基于条件对抗学习的领域不变性约束，通过控制分类器预测结果的不确定性以保证分类器的可迁移性的同时，通过计算特征与分类器预测结果之间的互协方差以提升分类器的判别性，从而在源领域和目标领域样本分布差异较大的医疗影像数据上能够获得适用于目标领域的病理分类器，实现跨物种数据的迁移学习。
-
公开(公告)号：CN109492099A
公开(公告)日：2019-03-19
申请号：CN201811263266.X
申请日：2018-10-28
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于领域对抗自适应的跨领域文本情感分类方法，该方法包括：输入源领域和目标领域样本的词向量矩阵、类别标签和领域标签；利用基于卷积神经网络的特征提取模块，提取样本的低层特征；在主任务模块构建基于源领域和目标领域分布一致性的约束，将低层样本映射到再生核希尔伯特空间，学习具有可转移性的高层特征；将源领域的高层特征输入类别分类器，在减小领域差异的基础上，保证分类器对样本具备类别判别性；在辅助任务模块构建基于对抗学习的领域不变性约束，将低层特征输入具有对抗性质的领域分类器，令分类器尽可能无法判别样本所属领域，从而提取具有领域不变性的高层特征，有效解决了源领域分类器到目标领域的迁移问题。
-
公开(公告)号：CN109492099B
公开(公告)日：2022-03-15
申请号：CN201811263266.X
申请日：2018-10-28
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于领域对抗自适应的跨领域文本情感分类方法，该方法包括：输入源领域和目标领域样本的词向量矩阵、类别标签和领域标签；利用基于卷积神经网络的特征提取模块，提取样本的低层特征；在主任务模块构建基于源领域和目标领域分布一致性的约束，将低层样本映射到再生核希尔伯特空间，学习具有可转移性的高层特征；将源领域的高层特征输入类别分类器，在减小领域差异的基础上，保证分类器对样本具备类别判别性；在辅助任务模块构建基于对抗学习的领域不变性约束，将低层特征输入具有对抗性质的领域分类器，令分类器尽可能无法判别样本所属领域，从而提取具有领域不变性的高层特征，有效解决了源领域分类器到目标领域的迁移问题。
-
公开(公告)号：CN109388698A
公开(公告)日：2019-02-26
申请号：CN201811231692.5
申请日：2018-10-22
Applicant: 北京工业大学
IPC: G06F16/332
Abstract: 本发明公开了一种基于深度强化学习的指导性自动聊天方法，属于口语对话系统领域；利用了深度学习的强大的感知力和强化学习优越的决策力，其中主要包含教学模块通过直接给出示范决策或者给予额外的奖励来指决策模块做出正确的策略。模式选择控制教学模块是直接给出示范决策还是给出决策模块的评价。决策模块根据教学模块给出的评价以及用户的评价作为优化目标不断调整自身的决策情况。这种方法兼顾深度学习和强化学习的优势，既增加了系统的泛化能力是系统更加具有鲁棒性，又增加了系统的学习能力，使系统具有更强的适应能力。在此框架下，使口语对话系统得到更有效的训练，产生的答案也更安全、合理、自然有序。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
