-
公开(公告)号：CN119322533B
公开(公告)日：2025-03-14
申请号：CN202411875431.2
申请日：2024-12-19
Applicant: 华中科技大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种无人系统的避障决策方法及系统，属于无人系统决策技术领域；利用通用编码器从当前的图像序列中提取不同环境下共享的低维状态表示，得到共性视觉特征；然后采用当前环境类型所对应的任务特定编码器进一步将共性视觉特征编码为针对当前环境的相关特征表示，得到个性任务特征，由此使得无人系统在复杂环境下学习到环境的共性视觉特征和个性任务特征，并进行深度融合，实现当前图像序列的特征重构。在此基础上，引入互模拟思想，基于特征一致性损失和奖励一致性损失进行训练，使得通用编码器能够在准确提取共性视觉特征的同时，还能关注于个性任务特征，具有选择性聚焦功能，进而结合强化学习模型，实现复杂环境下的准确避障决策。
-
公开(公告)号：CN119322533A
公开(公告)日：2025-01-17
申请号：CN202411875431.2
申请日：2024-12-19
Applicant: 华中科技大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种无人系统的避障决策方法及系统，属于无人系统决策技术领域；利用通用编码器从当前的图像序列中提取不同环境下共享的低维状态表示，得到共性视觉特征；然后采用当前环境类型所对应的任务特定编码器进一步将共性视觉特征编码为针对当前环境的相关特征表示，得到个性任务特征，由此使得无人系统在复杂环境下学习到环境的共性视觉特征和个性任务特征，并进行深度融合，实现当前图像序列的特征重构。在此基础上，引入互模拟思想，基于特征一致性损失和奖励一致性损失进行训练，使得通用编码器能够在准确提取共性视觉特征的同时，还能关注于个性任务特征，具有选择性聚焦功能，进而结合强化学习模型，实现复杂环境下的准确避障决策。
-
公开(公告)号：CN119313996B
公开(公告)日：2025-04-29
申请号：CN202411882228.8
申请日：2024-12-19
Applicant: 华中科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/084 , G06N3/04
Abstract: 本发明属于图像分类相关技术领域，其公开了一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其系统，训练方法包括：通过求解面向当前分类任务单位基向量的优化目标函数，从单位超球面上分配当前分类任务的最优等夹角基向量矩阵并将其加入保存有历史分类任务的等夹角基向量矩阵的等夹角基向量矩阵集合中以更新集合；在训练的前向传播中，通过求解最小化统计依赖问题确定各隐含层的最佳全局输出表征；在训练的反向传播中，利用梯度下降法反馈调节各隐含层的网络参数。本发明在连续图像分类任务上能够实现稳定性和可塑性之间的平衡，具有零样本重放和简约扩展的特性，且通过对各步骤优化问题进行改进，大大提高了训练效率。
-
Patent Agency Ranking
公开(公告)号：CN119323245A
公开(公告)日：2025-01-17
申请号：CN202411874322.9
申请日：2024-12-19
Applicant: 华中科技大学
IPC: G06N3/084 , G06N3/048 , G06F18/241
Abstract: 本发明公开了一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质，属于分类网络设计领域。该方法包括：设计匹配当前任务难度的不等式约束，筛选随机节点，以构建类别增量学习模型的表征学习层的神经单元；以动态前向更新的方式更新类别增量学习模型的分类器层的输出权值；基于当前任务的训练数据计算输出概率，并根据输出概率对应的激活阈值对神经单元进行参数化，更新类别增量学习模型，得到定制化的类别增量学习模型；获取训练过的某一任务的测试数据，将测试数据输入定制化的类别增量学习模型中激活对应的神经单元，得到输出类别。分配与任务难度相匹配的扩展配额，使得网络的扩展与适应新任务所需的模型容量相匹配。
-
公开(公告)号：CN115410051A
公开(公告)日：2022-11-29
申请号：CN202211360408.0
申请日：2022-11-02
Applicant: 华中科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种再可塑性启发的连续图像分类方法与系统，属于图像分类技术领域。方法包括，获取随机权神经网络在当前图像分类任务上的输出权值，并构造交叉熵损失函数；对输出权值添加无穷小更新量计算损失函数的变化，通过度量输出权值的重要性得到再可塑性矩阵；利用再可塑性矩阵指导输出权值的更新，实现在新图像分类任务上的学习与记忆融合。本发明建立的连续学习框架用于有效兼容未来非独立同分布图像分类任务以及伴随出现的新类别，不仅实现简单，而且计算损耗低、实时性快；相比现有连续学习算法，本发明在图像分类任务上的人为干预度明显减少，而收敛速度和参数有效性均显著提升。
-
公开(公告)号：CN119313996A
公开(公告)日：2025-01-14
申请号：CN202411882228.8
申请日：2024-12-19
Applicant: 华中科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/084 , G06N3/04
Abstract: 本发明属于图像分类相关技术领域，其公开了一种实现零样本重放和简约扩展的连续图像分类模型训练方法及其系统，训练方法包括：通过求解面向当前分类任务单位基向量的优化目标函数，从单位超球面上分配当前分类任务的最优等夹角基向量矩阵并将其加入保存有历史分类任务的等夹角基向量矩阵的等夹角基向量矩阵集合中以更新集合；在训练的前向传播中，通过求解最小化统计依赖问题确定各隐含层的最佳全局输出表征；在训练的反向传播中，利用梯度下降法反馈调节各隐含层的网络参数。本发明在连续图像分类任务上能够实现稳定性和可塑性之间的平衡，具有零样本重放和简约扩展的特性，且通过对各步骤优化问题进行改进，大大提高了训练效率。
-
公开(公告)号：CN119323245B
公开(公告)日：2025-04-04
申请号：CN202411874322.9
申请日：2024-12-19
Applicant: 华中科技大学
IPC: G06N3/084 , G06N3/048 , G06F18/241
Abstract: 本发明公开了一种匹配任务难度的类别增量学习模型定制化方法、装置及存储介质，属于分类网络设计领域。该方法包括：设计匹配当前任务难度的不等式约束，筛选随机节点，以构建类别增量学习模型的表征学习层的神经单元；以动态前向更新的方式更新类别增量学习模型的分类器层的输出权值；基于当前任务的训练数据计算输出概率，并根据输出概率对应的激活阈值对神经单元进行参数化，更新类别增量学习模型，得到定制化的类别增量学习模型；获取训练过的某一任务的测试数据，将测试数据输入定制化的类别增量学习模型中激活对应的神经单元，得到输出类别。分配与任务难度相匹配的扩展配额，使得网络的扩展与适应新任务所需的模型容量相匹配。
-
公开(公告)号：CN115410051B
公开(公告)日：2023-01-24
申请号：CN202211360408.0
申请日：2022-11-02
Applicant: 华中科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种再可塑性启发的连续图像分类方法与系统，属于图像分类技术领域。方法包括，获取随机权神经网络在当前图像分类任务上的输出权值，并构造交叉熵损失函数；对输出权值添加无穷小更新量计算损失函数的变化，通过度量输出权值的重要性得到再可塑性矩阵；利用再可塑性矩阵指导输出权值的更新，实现在新图像分类任务上的学习与记忆融合。本发明建立的连续学习框架用于有效兼容未来非独立同分布图像分类任务以及伴随出现的新类别，不仅实现简单，而且计算损耗低、实时性快；相比现有连续学习算法，本发明在图像分类任务上的人为干预度明显减少，而收敛速度和参数有效性均显著提升。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
