-
公开(公告)号：CN113449878B
公开(公告)日：2024-04-02
申请号：CN202110706288.4
申请日：2021-06-24
Applicant: 西安交通大学
IPC: G06N20/00
Abstract: 本发明公开了一种数据分布式的增量学习方法、系统、设备及存储介质，包括以下步骤：确定各增量学习阶段的类别，建立各数据分布节点的数据集合；得各数据分布点模型；形成共享数据集；得各数据分布节点的模型参数；将各数据分布节点的模型参数进行加权聚合，得初步的全局共享模型；将M个数据分布节点模型在共享数据集上计算得到的预测输出logit值进行集成，得集成输出logit值，将初步的全局共享模型在共享数据集上对该集成输出logit值进行学习，得全局共享模型的模型参数；将全局共享模型的模型参数下发至各数据分布节点，对各个数据分布节点上的全局共享模型进行更新，该方法、系统、设备及存储介质能够有效提高模型的学习能力。
-
公开(公告)号：CN115496983A
公开(公告)日：2022-12-20
申请号：CN202211162583.9
申请日：2022-09-23
Applicant: 西安交通大学
Abstract: 本发明提出了一种受语义知识指导的类增量学习方法及系统，涉及人工智能技术领域。通过由CNN特征提取器和Bi‑GCN分类器组成类增量学习框架SOUL，该框架使用从类标签中提取的语义知识来构建类间关系图并学习Bi‑GCN分类器，基于Bi‑GCN分类器，将类间关系从语义模态迁移到图像分类器权重，以解决类间混淆问题。设计了一个局部拓扑保持约束，将学习到的特征空间的全局拓扑关系划分为一组局部拓扑关系，并在每个类增量学习阶段中保持这些局部关系，以防止学习到的特征空间的拓扑关系被破坏。通过将局部拓扑保持策略和SOUL框架结合，本发明的类增量学习方法在基准图像分类数据集上的典型设置中实现了最先进的性能精度。
-
公开(公告)号：CN117809120A
公开(公告)日：2024-04-02
申请号：CN202410193125.4
申请日：2024-02-21
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/25 , G06V10/82 , G06N3/08
Abstract: 本公开提供了一种基于域偏置学习的无旧样本域增量目标检测方法和装置，涉及图像处理技术领域。所述方法包括：获取多个域各自对应的训练图像集；获取预训练的基础目标检测模型；在冻结所述基础目标检测模型的权重参数的情况下，分别根据每个所述域的训练图像集对所述基础目标检测模型进行训练，得到每个所述域对应的偏置参数；根据每个所述域对应的偏置参数，生成目标检测模型；所述目标检测模型中保存了每个所述域对应的偏置参数，所述目标检测模型用于：针对不同域的输入图像，选用所述域对应的偏置参数，得到所述输入图像的目标检测结果。
-
Patent Agency Ranking
公开(公告)号：CN115439696A
公开(公告)日：2022-12-06
申请号：CN202211149221.6
申请日：2022-09-21
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种受脑启发的全局‑局部双通道图像分类方法及系统，涉及人工智能技术领域。该方法通过加入新的全局通路表征方式，结合自上而下的特征调制机制，构建全局‑局部双通路分类模型，提供了一个基于人脑双通道视觉识别机制的计算模型，称为Global‑Local网络(简称:GLNet)，可以充分利用图像的局部细粒度信息与全局空间拓扑信息，并且提出将典型的层结构深度卷积神经网络(CNN)结构转换为全局‑局部双通路分类模型结构的一般原则，并将这种转化应用于一些代表性基线CNN模型上，从而提高了模型分类的准确性，提升了模型的鲁棒性与泛化能力。
-
公开(公告)号：CN116128729A
公开(公告)日：2023-05-16
申请号：CN202310139179.8
申请日：2023-02-20
Applicant: 西安交通大学
IPC: G06T3/40 , G06V10/774 , G06V10/776 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/082
Abstract: 本发明提供一种人脸图像超分辨率重建方法、系统、电子设备及存储介质，旨在提升人脸图像的重建效果。方法包括：构建双通路调制融合人脸超分辨率重建模型，所述双通路调制融合人脸超分辨率重建模型至少包括：双通路调制融合模块；获取待重建的人脸图像数据集，将所述人脸图像数据集划分为训练集和测试集；通过所述训练集对所述双通路调制融合人脸超分辨率重建模型进行预设轮次的训练；通过所述测试集对经过预设轮次训练的所述双通路调制融合人脸超分辨率重建模型进行测试。
-
公开(公告)号：CN118298236A
公开(公告)日：2024-07-05
申请号：CN202410456989.0
申请日：2024-04-16
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/80 , G06N3/0464 , G06N3/088
Abstract: 本公开关于一种基于知识空间拓扑保持与对齐的域增量目标检测方法和装置。该方法包括：将每个训练阶段对应的域的各个样本图像输入训练阶段的目标检测模型，得到样本图像的特征向量和样本图像中的目标的特征向量；基于每个训练阶段的域的各个样本图像的特征向量，确定每个训练阶段的拓扑结构的每个节点的锚点图像；建立当前训练阶段的锚点损失函数；根据每个训练阶段中每个类别的目标的特征向量，确定每个训练阶段的类拓扑中心集合；建立当前训练阶段的类拓扑中心对齐损失函数；获取当前训练阶段对应的目标检测损失函数；对当前训练阶段的目标检测模型进行训练，得到当前训练阶段的训练好的目标检测模型。
-
公开(公告)号：CN115879533A
公开(公告)日：2023-03-31
申请号：CN202211540012.4
申请日：2022-12-02
Applicant: 西安交通大学
IPC: G06N3/084 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明提出了一种基于类比学习的类增量学习方法及系统，涉及人工智能技术领域。通过提出了一种新颖的受人脑类比学习机制启发的小样本类增量学习方法，使用新类权重构建器来计算新类和所有旧类之间的类比，并通过使用计算的类比混合所有旧类分类器来获得新类分类器。同时，设计了元类比训练模块，应用情景训练策略来更新CNN模块和新类权重构建器的参数，以及每个遇到的类的知识，该元类比训练模块在每轮小样本类增量学习阶段后应用情景训练策略优化所有遇到的类的特征表示和分类器。通过将元类比训练模块和小样本类增量学习方法结合在一起，本发明提出的类增量学习方法在基准图像分类数据集上的典型设置中实现了最先进的性能精度。
-
公开(公告)号：CN113449878A
公开(公告)日：2021-09-28
申请号：CN202110706288.4
申请日：2021-06-24
Applicant: 西安交通大学
IPC: G06N20/00
Abstract: 本发明公开了一种数据分布式的增量学习方法、系统、设备及存储介质，包括以下步骤：确定各增量学习阶段的类别，建立各数据分布节点的数据集合；得各数据分布点模型；形成共享数据集；得各数据分布节点的模型参数；将各数据分布节点的模型参数进行加权聚合，得初步的全局共享模型；将M个数据分布节点模型在共享数据集上计算得到的预测输出logit值进行集成，得集成输出logit值，将初步的全局共享模型在共享数据集上对该集成输出logit值进行学习，得全局共享模型的模型参数；将全局共享模型的模型参数下发至各数据分布节点，对各个数据分布节点上的全局共享模型进行更新，该方法、系统、设备及存储介质能够有效提高模型的学习能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
