-
公开(公告)号：CN113610151A
公开(公告)日：2021-11-05
申请号：CN202110896795.9
申请日：2021-08-05
Applicant: 哈尔滨理工大学
Abstract: 本申请公开了一种基于原型网络的自编码器网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针对于输入的基类数据集，训练一个基于映射学习的原型网络和编码神经网络，学习出基类的类原型表征，并计算类内样本与类原型表征的距离。2)对于编码后得到的类内样本的相对分布信息，再与类原型表征一起训练出解码神经网络，用来针对于支持集样本与类原型表征的相对分布信息输出一定数量的重构样本。3)将重构样本与支持集样本一起训练一个分类器，以提高小样本图像分类的准确率。本申请提高了分类器的性能和泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN113590879A
公开(公告)日：2021-11-02
申请号：CN202110896068.2
申请日：2021-08-05
Applicant: 哈尔滨理工大学
IPC: G06F16/783 , G06F16/732
Abstract: 本发明提出一种缩短时间戳网络解决多事件视频问答系统、方法、计算机及存储介质，属于计算机视觉和自然语言处理交叉领域。将视频和字幕提取为多级的事件嵌入，并提取问题和候选答案的特征。利用问题导向的注意力获取不同事件的注意力权重，并利用模糊理论中的截距阵提取视频中的关键事件嵌入。利用问题和答案分别关注不同模态的关键事件嵌入，生成具有问题导向和具有答案导向的上下文信息。自适应地融合问题导向和答案导向的上下文，生成答案。相比于一般视频问答方案，本发明从视频中提取多个事件的多模态嵌入，并利用模糊数学中的截距阵等理论筛选出关键事件，通过去除冗余信息提高了回答的准确性。本发明在视频问答中的效果比于传统方法更好。
-
公开(公告)号：CN113610183B
公开(公告)日：2022-06-03
申请号：CN202110954054.1
申请日：2021-08-19
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06K9/62
Abstract: 本发明提出了一种基于三元组多样范例集和梯度正则化的增量学习方法、计算机及存储介质，属于人工智能领域。首先，得到的预测样本特征和真实标签，并输入损失函数进行反向传播更新模型参数；其次，计算批次数据的原型表示；再其次，计算每个类别应保存的正例样本的数量和反例样本的数量；再其次，更新已有类别的范例集应存储的范例的数量；再其次，对正例集合范例集中的样本进行打分，根据样本的分数构建当前类别范例集；再其次，随机取样获得重演样本集，然后对重演样本集和批次数据中的样本进行前向传播；再其次，计算三种损失函数的梯度；最后，对三种不同梯度进行正则化，得到最终的梯度值进行反向传播更新。本发明解决了灾难性遗忘的问题。
-
公开(公告)号：CN113592007B
公开(公告)日：2022-05-31
申请号：CN202110896069.7
申请日：2021-08-05
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质，属于图片检测技术领域。本发明包括首先利用图片数据增强方式对训练数据集进行数据增强，然后利用数据增强后的图片数据集训练基于图片全局特征进行识别的教师神经网络T1，利用数据增强后的图片数据集训练基于图片语义特征进行识别的教师神经网络T2，然后利用教师神经网络T1、T2，结合类别预测损失函数，特征注意力蒸馏损失函数，语义蒸馏损失函数训练学生神经网络，最后将待预测的图片输入到已训练完毕的学生神经网络中进行不良图片识别。本发明在不良图片识别问题中相比于传统方法准确率更高，识别速度更快。
-
公开(公告)号：CN113610183A
公开(公告)日：2021-11-05
申请号：CN202110954054.1
申请日：2021-08-19
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于三元组多样范例集和梯度正则化的增量学习方法、计算机及存储介质，属于人工智能领域。首先，得到的预测样本特征和真实标签，并输入损失函数进行反向传播更新模型参数；其次，计算批次数据的原型表示；再其次，计算每个类别应保存的正例样本的数量和反例样本的数量；再其次，更新已有类别的范例集应存储的范例的数量；再其次，对正例集合范例集中的样本进行打分，根据样本的分数构建当前类别范例集；再其次，随机取样获得重演样本集，然后对重演样本集和批次数据中的样本进行前向传播；再其次，计算三种损失函数的梯度；最后，对三种不同梯度进行正则化，得到最终的梯度值进行反向传播更新。本发明解决了灾难性遗忘的问题。
-
公开(公告)号：CN113592008A
公开(公告)日：2021-11-02
申请号：CN202110896070.X
申请日：2021-08-05
Applicant: 哈尔滨理工大学
Abstract: 本申请公开了一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针对于基类数据集，依据重构损失最小化准则，训练一个自编码器，学习类内样本间的差异信息。2)将支持集的样本输入到自编码器中，为支持集生成更多的重构样本。3)将支持集的样本、重构样本和查询集样本一起训练出图神经网络，用来对查询集样本节点进行边标签的预测，进而预测节点所属的类别。本申请提高了小样本情况下模型的性能和泛化能力。
-
-
-
-
-
Search Results
16
records
(took 0.02 seconds)
