-
公开(公告)号：CN118379168A
公开(公告)日：2024-07-23
申请号：CN202410589445.1
申请日：2024-05-13
Applicant: 安徽大学
IPC: G06Q50/20 , G06F18/23213 , G06F18/22 , G06N5/022 , G06N3/0464
Abstract: 本发明公开了一种基于学习状态增强的知识追踪方法，包括：1、基于项目反应理论，建模习题嵌入来模拟习题之间的真实差异；2、设计学习状态增强的知识状态提取网络架构，通过学习状态的引导，得到更细致的学生知识状态；3、根据学生的知识状态与学习状态共同决定其下一时刻的表现预测。本发明通过关注习题间存在的细微差异与在学习过程中学生状态的变化来模拟更真实的知识获取过程，在提高知识追踪精度的同时保留了一定的可解释性。
-
公开(公告)号：CN117636051A
公开(公告)日：2024-03-01
申请号：CN202311687521.4
申请日：2023-12-11
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/77 , G06N3/0464 , G06N3/0455 , G06N3/0985 , G06N3/0475 , G06N3/094 , G06N3/088 , G06N3/048
Abstract: 本发明引入了一种基于自训练对比学习无监督领域自适应的图像分类方法，包括：1.对源域目标域图像预处理；2构建基于自训练对比学习框架的领域自适应模型；3.将处理好的图像作为输入，以无监督的方式训练构建好的网络模型；4.利用训练好的网络模型进项跨域图像分类。本发明利用源域和目标域之间的内在分布差异，采用不同的策略来学习域不变特征，并引入了对抗性机制，以调整两个领域之间的分布差异，以促进从源域到目标领域的有效知识转移，从而能准确高效地完成图像分类。
-
公开(公告)号：CN116912575A
公开(公告)日：2023-10-20
申请号：CN202310866261.0
申请日：2023-07-14
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V10/764 , G06V10/82 , G06N3/088 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种特征解纠缠的无监督领域自适应图像分类方法，包括：1.对源域目标域图像预处理；2.构建基于特征解耦的领域自适应模型；3.将处理好的图像作为输入，以无监督的方式训练构建好的网络模型并利用训练好的网络模型进项跨域图像分类。本发明通过将语义相关特征与不同的领域相关特征相结合，可以在不改变其内在类别信息的情况下将特征转移到其他领域，从而完成图像高效高准确率的分类。
-
公开(公告)号：CN115618939A
公开(公告)日：2023-01-17
申请号：CN202211246960.7
申请日：2022-10-12
Applicant: 安徽大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于自监督图学习的认知诊断方法及其应用，该方法包括：1、依据学生与习题的交互记录，习题与知识概念之间的关联关系，构建认知诊断关系图，2、构建包含嵌入层、GCN网络、诊断层、预测层的诊断网络，3、使用诊断网络对学生回答习题的正确率进行预测，使用预测结果构建交叉熵损失，4、使用基于边重要性的边删除方法为关系图随机生成两个不同的稀疏视图，计算节点在不同稀疏视图上的特征，并构建自监督损失，5、使用交叉熵损失优化整个诊断网络，使用自监督损失优化GCN网络。本发明能在训练诊断网络的过程中关注到数据稀疏的学生，从而能提高诊断网络的总体诊断水平。
-
公开(公告)号：CN118709757A
公开(公告)日：2024-09-27
申请号：CN202410712941.1
申请日：2024-06-04
Applicant: 安徽大学
IPC: G06N5/022 , G06N3/0455 , G06N3/084 , G06N5/04 , G06F16/2458 , G06Q50/20 , G06N3/048
Abstract: 本发明公开了一种基于习题不确定性关系的知识追踪方法，包括：1、将习题之间的关系建模为高斯分布；2、通过采样不确定性关系分布，利用不确定性关系得到学生对于未来题目的掌握程度用来预测未来表现；3、使用信息熵对习题不确定关系进行量化，并使用量化的不确定性对模型加权；4、通过不确定性关系训练两个模型，分别是确定模型和不确定模型，联合两个模型做出最终预测。本发明针对知识追踪任务中习题之间的不确定关系进行建模，并对其进行量化，通过量化结果改善模型训练与推理，提高了模型的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN118470382A
公开(公告)日：2024-08-09
申请号：CN202410514037.X
申请日：2024-04-26
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/44 , G06V10/82 , G06N3/0895
Abstract: 本发明公开了一种基于互加权特征解耦的无监督领域自适应图像分类方法，其步骤包括：1、获取具有c个类别的领域自适应图像数据集；2、构建基于互加权特征解耦的领域自适应网络模型；3、构建总体损失函数优化构建好的模型参数；4、得到最优的目标域图像分类模型。本发明通过同时学习领域不变特征和领域相关特征来减小领域间的差异，从而实现目标域图像类别的精准识别。
-
公开(公告)号：CN116883751A
公开(公告)日：2023-10-13
申请号：CN202310880867.X
申请日：2023-07-18
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于原型网络对比学习的无监督领域自适应图像识别方法，其步骤包括：1、定义具有c个类别的领域自适应图像数据集；2、构建基于原型网络的对比学习领域自适应网络模型；3、使用领域偏置原型建模策略和原型级别对比学习策略训练构建的网络模型；4、构建整体损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索领域间图像特征的语义结构来构建领域偏置原型，然后自适应的对齐原型以减少领域间差异，从而能实现目标域图像类别的精准识别。
-
公开(公告)号：CN118710951A
公开(公告)日：2024-09-27
申请号：CN202410712908.9
申请日：2024-06-04
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/084 , G06N3/088 , G06N3/048
Abstract: 本发明公开了一种基于数据增强的领域混合无监督域自适应图像分类方法，包括：1对源域和目标域的数据进行预处理，以确保数据质量并为后续处理提供一致性基础；2.建立一种利用数据增强技术的领域混合自适应模型，该模型旨在通过增强技术提高模型对不同领域数据的泛化能力；3.将经过预处理的源域和目标域数据输入到构建的模型中，进行训练以优化模型参数；4.利用训练完成的模型对图像进行分类，实现准确的图像识别和分类效果。本发明在样本级别上实施领域混合，通过结合源域和目标域的样本，构建出两个新的中间领域，从而显著减少了源域样本和目标域样本的随机性，从而拉近了两者之间的距离完成高效的图像分类。
-
公开(公告)号：CN118657981A
公开(公告)日：2024-09-17
申请号：CN202410681090.9
申请日：2024-05-29
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/44 , G06V10/82 , G06V40/10
Abstract: 本发明公开了一种基于多视图挖掘不变信息的领域泛化图像识别方法，包括：1、定义具有c个类别的领域泛化图像数据集；2、构建基于多视图挖掘不变信息的领域泛化网络模型；3、使用多视图对抗挖掘策略和困难样本加权策略训练构建的网络模型；4、构建两阶段的损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索图像特征的不同视图来挖掘丰富的判别性信息，然后自适应的计算样本权重以增加对困难样本的关注度，从而能实现对目标域图像类别的精准识别。
-
公开(公告)号：CN118628813A
公开(公告)日：2024-09-10
申请号：CN202410750577.8
申请日：2024-06-12
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V20/70 , G06V10/74 , G06V10/762 , G06N3/096 , G06N3/0895 , G06N3/042 , G06N3/084 , G06N3/047 , G06N3/0464 , G06N3/0499 , G06N3/045
Abstract: 本发明公开了一种基于可迁移语义知识的无源领域自适应图像识别方法，其步骤包括：1、定义具有c个类别的领域自适应图像数据集；2、构建基于可迁移语义知识的无源领域自适应网络模型；3、选取目标域置信样本集后构建多粒度对比学习训练构建的网络模型；4、构建整体损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索源模型中的可迁移语义知识来辅助目标域图像训练，然后通过领域间粗粒度和细粒度语义对齐以减少领域间差异，从而能实现目标域图像类别的精准识别。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.026 seconds)
