-
公开(公告)号：CN114863213B
公开(公告)日：2024-04-16
申请号：CN202210512236.8
申请日：2022-05-11
Applicant: 杭州电子科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/047 , G06N3/048 , G06N3/09
Abstract: 本发明公开一种基于因果解耦生成模型的域泛化图像识别方法。域泛化的目的是从多个源域数据中学习域不变表示很好的泛化到不可见的目标域，但是学习域不变特征的最大挑战在于从纠缠的特征空间中分解出语义信息和域信息。考虑到因果特征具有跨域不变的特性，本发明提出了因果解耦表征模型。首先，将跨域稳定的因果结构模型作为先验引入。然后，构建基于因果结构的生成模型，分别为任务相关和域相关特征建模。特别的是，两个隐特征之间的双向因果依赖通过一种干预手段解除，从而有效消除域相关特征对预测任务的影响。结果证明，本发明提出的方法能够有效解耦出任务相关和域相关特征，超过了大多数的解决域泛化的方法。
-
公开(公告)号：CN114863213A
公开(公告)日：2022-08-05
申请号：CN202210512236.8
申请日：2022-05-11
Applicant: 杭州电子科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06K9/62 , G06F17/18 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于因果解耦生成模型的域泛化图像识别方法。域泛化的目的是从多个源域数据中学习域不变表示很好的泛化到不可见的目标域，但是学习域不变特征的最大挑战在于从纠缠的特征空间中分解出语义信息和域信息。考虑到因果特征具有跨域不变的特性，本发明提出了因果解耦表征模型。首先，将跨域稳定的因果结构模型作为先验引入。然后，构建基于因果结构的生成模型，分别为任务相关和域相关特征建模。特别的是，两个隐特征之间的双向因果依赖通过一种干预手段解除，从而有效消除域相关特征对预测任务的影响。结果证明，本发明提出的方法能够有效解耦出任务相关和域相关特征，超过了大多数的解决域泛化的方法。
-
公开(公告)号：CN116150670A
公开(公告)日：2023-05-23
申请号：CN202211571546.3
申请日：2022-12-08
Applicant: 杭州电子科技大学
IPC: G06F18/241 , A61B5/369 , A61B5/374 , G06F18/213 , G06F21/32 , G06N3/045 , G06N3/0895 , G06N3/094
Abstract: 本发明公开一种基于特征去相关解耦的任务无关脑纹识别方法。现有方法缺乏对大脑固有的身份信息的挖掘导致，这使得脑纹识别在跨任务场景下的鲁棒性较差，难以在实际应用中推广。本发明首先采用两个分支网络分别粗粒度分解脑电中的身份信息和任务相关信息；其次，考虑到任务状态对身份信息的影响，采用去相关的方法使得身份信息和任务相关信息尽可能独立；最后，通过对抗自监督的方式充分利用脑电中的脑纹特征用于分类。本发明方法性能良好，能够实现高效的任务无关脑纹识别，是一种可鲁棒地用于现实生活中的脑纹识别方法。
-
公开(公告)号：CN114202031A
公开(公告)日：2022-03-18
申请号：CN202111539029.3
申请日：2021-12-15
Applicant: 杭州电子科技大学
IPC: G06K9/62 , G06N20/00 , G06V10/774
Abstract: 本发明公开一种基于强化学习的多源域迁移目标识别方法。本发明使用强化学习来训练数据选择策略，以选择高质量的源域数据，目的是防止负转移及多个源域和目标域之间存在的域差异。在源域数据上的数据选择器“作用”以找到用于优化TL模型的子集，而TL模型的性能可以提供“奖励”以更新选择器。我们基于SoftActor‑Critic(柔性执行器‑评价器)算法框架构建加强数据选择器，并将其集成到基于DNN的迁移学习模型，从而变成强化迁移学习(RTL)方法。经过不同的状态，奖励和策略优化方法的设置，确认本发明提供的模型的稳健性。对PI和NLI任务的广泛实验表明，本发明提供的模型可以优于具有统计显着改进的现有方法。
-
-
-
Search Results
4
records
(took 0.017 seconds)
