-
公开(公告)号：CN119335408A
公开(公告)日：2025-01-21
申请号：CN202411508852.1
申请日：2024-10-28
IPC: G01R31/367 , G01R31/392 , G01R31/396
Abstract: 本发明公开了一种应用于电动垂直起降飞机的电池多维健康指标联合估算方法，包括：离线获取模型输入和输出参数矩阵；归一化处理输入输出数据；采用多输出最小二乘支持向量回归算法训练估算模型；记录起飞阶段电池电流和电压数据；归一化处理记录数据并代入估算模型；反归一化处理输出健康指标。本发明提出的方法具有以下3点优势：(1)本发明综合考虑电池能量和功率衰退，可更加全面准确的体现机载电池系统健康状态；(2)本发明将起飞阶段电池电流和电压数据集作为估算模型输入，可全面挖掘电池老化信息，提高了模型的准确性和泛化性；(3)本发明使用的多输出最小二乘支持向量回归算法在保证模型训练效率的同时，提高了估算精度。
-
-
公开(公告)号：CN117058437A
公开(公告)日：2023-11-14
申请号：CN202310721513.0
申请日：2023-06-16
Applicant: 江苏大学
IPC: G06V10/764 , G06V10/74 , G06N3/0464 , G06N3/084 , G06N5/02
Abstract: 本发明公开了一种基于知识蒸馏的花卉分类方法、系统、设备及介质，属于人工智能领域的花卉识别与分类，其目的在于解决现有技术中存在的知识蒸馏网络模型对花卉识别、分类的效果较差的技术问题。其采用了近邻域关系知识蒸馏来考虑邻域结构作为新的关系知识，根据教师网络输出的logits特征计算相似度矩阵来选择近邻样本，相似度矩阵中的每个元素通常表示两个样本之间的特征表示的相似性，并利用近邻样本来计算近邻域特征关系蒸馏损失和近邻域logits关系蒸馏损失，并将其引入训练学生网络模型的总损失函数中，通过建立知识蒸馏的近邻域结构知识，以完成更好的知识转移，提高对花卉识别、分类的效果。
-
公开(公告)号：CN115757703A
公开(公告)日：2023-03-07
申请号：CN202211519193.2
申请日：2022-11-30
Applicant: 江苏大学
IPC: G06F16/33 , G06F16/35 , G06F40/295 , G06F40/284 , G06F18/2415
Abstract: 本发明公开了一种基于说话人增强类型标签的对话文本关系抽取方法，在实体类型模块中，将实体标签插入到对话文本中实体提及前后，形成输入序列A；将A转换成低维特征序列，将实体标签的头标签对应的低维特征取平均，生成实体类型的特征并进行分类，进而预测实体类型；在关系抽取模块中，将说话人增强类型标签插入到对话文本中实体提及Entity mention前后，形成输入序列B；将B转换成低维特征序列，输入特征强化层，特征强化层捕捉上下文信息且生成实体对主客体的实体表征；将主客体的实体表征和B中的全局特征输入关系分类器进行分类，从而预测实体对之间的关系。本发明显著提高了对话文本关系抽取的性能。
-
公开(公告)号：CN118350460A
公开(公告)日：2024-07-16
申请号：CN202410559104.X
申请日：2024-05-08
Applicant: 江苏大学
IPC: G06N5/022 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了面向皮肤肿瘤图像分类的特征增强协作关系知识蒸馏方法，涉及图像识别技术领域，该方法包括以下步骤：获取图像样本数据及标签数据；构建知识蒸馏网络模型；构建样本特征提取模块；构建增强的特征；构建在线类间样本特征关系蒸馏；构建自适应蒸馏；构建总损失函数；训练学生网络模型；即使用步骤七计算得到的总损失函数训练学生网络模型，并反向传播，更新学生网络模型的参数，得到训练的学生网络模型；皮肤肿瘤图像实时分类。本发明应用于皮肤肿瘤图像识别与分类，不需要预训练教师，使用在线学生网络进行训练，节省蒸馏的时间、计算和存储成本。
-
Patent Agency Ranking
公开(公告)号：CN118350460B
公开(公告)日：2024-10-15
申请号：CN202410559104.X
申请日：2024-05-08
Applicant: 江苏大学
IPC: G06N5/022 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了面向皮肤肿瘤图像分类的特征增强协作关系知识蒸馏方法，涉及图像识别技术领域，该方法包括以下步骤：获取图像样本数据及标签数据；构建知识蒸馏网络模型；构建样本特征提取模块；构建增强的特征；构建在线类间样本特征关系蒸馏；构建自适应蒸馏；构建总损失函数；训练学生网络模型；即使用步骤七计算得到的总损失函数训练学生网络模型，并反向传播，更新学生网络模型的参数，得到训练的学生网络模型；皮肤肿瘤图像实时分类。本发明应用于皮肤肿瘤图像识别与分类，不需要预训练教师，使用在线学生网络进行训练，节省蒸馏的时间、计算和存储成本。
-
公开(公告)号：CN117079276B
公开(公告)日：2024-02-09
申请号：CN202310748610.9
申请日：2023-06-21
Applicant: 江苏大学
IPC: G06V20/70 , G06V20/00 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于知识蒸馏的语义分割方法、系统、设备及介质，涉及人工智能领域中的语义分割，其目的在于解决现有语义分割方法忽略了教师模型与学生模型这两种模型学习到的高差异区域、分割性能较差的技术问题。其通过教师/学生网络模型输入特征图与logit特征，并将logit特征输入差异感知知识蒸馏模型进行逻辑差异计算、概率分布差异计算，得到逻辑差异掩码、概率分布差异掩码。通过这两种机制共同掩盖的特征，通过最小化差异区域的重建误差可以使学生从差异中学习，学生模型倾向于用特征生成模块生成教师的特征，学生可以在从高差异的区域中学习，并在恢复教师生成的特征图时
-
公开(公告)号：CN117079276A
公开(公告)日：2023-11-17
申请号：CN202310748610.9
申请日：2023-06-21
Applicant: 江苏大学
IPC: G06V20/70 , G06V20/00 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于知识蒸馏的语义分割方法、系统、设备及介质，涉及人工智能领域中的语义分割，其目的在于解决现有语义分割方法忽略了教师模型与学生模型这两种模型学习到的高差异区域、分割性能较差的技术问题。其通过教师/学生网络模型输入特征图与logit特征，并将logit特征输入差异感知知识蒸馏模型进行逻辑差异计算、概率分布差异计算，得到逻辑差异掩码、概率分布差异掩码。通过这两种机制共同掩盖的特征，通过最小化差异区域的重建误差可以使学生从差异中学习，学生模型倾向于用特征生成模块生成教师的特征，学生可以在从高差异的区域中学习，并在恢复教师生成的特征图时更加关注边界区域，从而实现更好的表示，大大提高语义分割的性能。
-
公开(公告)号：CN116597822A
公开(公告)日：2023-08-15
申请号：CN202310549659.1
申请日：2023-05-16
Applicant: 江苏大学
Abstract: 本发明提供了一种基于层次信息融合的声学场景分类网络模型，包括声学场景特征学习模块和层次信息融合模块，其中声学场景特征学习模块提取音频中的特征并输入至层次信息融合模块；层次信息融合模块中设有父类分类器和子类分类器，层次信息融合模块内先对输入的特征分两路做1D卷积得到父类表示和子类表示；之后将父类表示输入父类分类器得到预测的父类类别，将父类表示与子类表示拼接融合后输入子类分类器得到预测的子类类别。本发明声学场景分类网络模型中通过设置父类分类器和子类分类器，并在子类分类的过程中，将父类信息融合进子类信息中，以此迫使网络模型学习类别间的层次结构关系，最终有效提升了网络模型的分类准确率。
-
公开(公告)号：CN116503660A
公开(公告)日：2023-07-28
申请号：CN202310504976.1
申请日：2023-05-06
Applicant: 江苏大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06V10/74 , G06V10/762 , G06N3/0464 , G06N3/0895 , G06N3/048
Abstract: 本发明公开了一种基于特征多样化的自监督图像对比学习方法、系统，包括模型训练和测试，在进行模型训练时，提取增强样本的高维特征向量即对应的低维特征向量，并对所述低维特征向量进行归一化；计算一张图像归一化后低维特征向量的相似概率，进而计算两个归一化后低维特征向量属于同一张图片的概率；由两个归一化后低维特征向量属于同一张图片的概率计算对比损失，由一张图像归一化后低维特征向量计算简单距离损失；在对比损失或简单距离损失上增加高秩正则化项，作为最终的损失函数。本发明能有效避免联合嵌入体系结构面临的模型坍塌问题。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.022 seconds)
