-
公开(公告)号：CN115841366B
公开(公告)日：2023-08-29
申请号：CN202211741511.X
申请日：2022-12-30
Applicant: 中国科学技术大学
IPC: G06Q30/0601 , G06F16/9535 , G06F18/214
Abstract: 本申请提供了一种物品推荐模型训练方法、装置、电子设备及存储介质，可以应用于人工智能技术领域。该方法包括：获取用于模型训练的交互数据，其中，交互数据包括用户针对第一已推荐物品的显式数据和/或用户针对第二已推荐物品的隐式数据；根据物品推荐模型的当前训练轮次确定交互数据的训练权重；将已推荐物品的物品数据输入物品推荐模型中，输出已推荐物品的偏好预测值；将交互数据、偏好预测值以及训练权重输入物品推荐模型的模型损失函数中，输出物品推荐模型的模型损失值；基于模型损失值对物品推荐模型进行训练。
-
公开(公告)号：CN116503674A
公开(公告)日：2023-07-28
申请号：CN202310760519.9
申请日：2023-06-27
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/82 , G06V10/74 , G06V10/80 , G06V20/70 , G06V10/774 , G06V10/776
Abstract: 本发明公开了一种基于语义指导的小样本图像分类方法、装置及介质，该图像分类方法包括以下步骤：对输入图像进行特征提取、对语义信息进行特征提取、基于语义相似度的样本选择、语义指导下的样本合成、语义监督下的双模态分类器设计、模型训练与测试步骤。本发明提出了语义信息应用在小样本分类方法中的作用，并设计了一种基于语义指导的小样本图像分类方法，通过引入语义信息，并将语义信息集成到数据合成与分类器设计中，提升了对新类别数据分布的描述能力，提升了图像分类准确率。
-
公开(公告)号：CN116452895A
公开(公告)日：2023-07-18
申请号：CN202310693879.1
申请日：2023-06-13
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/82 , G06N3/084 , G06N3/096 , G06N3/0464
Abstract: 本发明公开了一种基于多模态对称增强的小样本图像分类方法、装置及介质，该小样本图像分类方法包括以下步骤：基础类别候选集构建、视觉特征增强、文本特征增强、视觉分类器训练、文本知识迁移和模型训练与测试步骤。本发明通过在文本端和视觉端分别进行对称的级联增强操作，以样本扩充和文本扩充的方式利用充足的基础类别样本对新类别样本进行增强，并通过跨模态迁移交换来自不同模态的知识，从而最大限度地探索新类别数据分布，提升分类器的判别能力，提高小样本图像分类的准确度。
-
公开(公告)号：CN115953779B
公开(公告)日：2023-06-16
申请号：CN202310198396.4
申请日：2023-03-03
Applicant: 中国科学技术大学
IPC: G06V20/70 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/048 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/092 , G06N3/088 , G06F18/10 , G06F18/214 , G06F16/583 , G06F16/55
Abstract: 本发明公开了一种基于文本对抗生成网络的无监督图像描述生成方法，其步骤包括：1、对图像数据库进行图像特征提取，对辅助文本库进行文本数据清洗；2、构建基于语言‑图像对比学习预训练模型的文本对抗生成网络；3、构造图像特征‑图像描述伪标签，并利用伪标签训练生成器进行预热；4、使用自批判的强化学习驱动的对抗学习方式训练构建的网络模型；5、使用训练好的生成网络进行推断，实现无监督的图像描述生成。本发明能充分利用语言‑图像对比学习预训练模型CLIP的能力实现图像信息的提取，并能在没有人工成对标注的情况下进行自主训练，从而能显著提升无监督图像描述生成质量。
-
公开(公告)号：CN116051909A
公开(公告)日：2023-05-02
申请号：CN202310205176.X
申请日：2023-03-06
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/084 , G06N3/08
Abstract: 本发明公开了一种直推式零次学习的未见类图片分类方法、设备及介质，该方法是使用双向跨模态生成算法，包括视觉‑语义对齐模型和视觉‑视觉对齐模型，其中，视觉‑语义对齐模型通过监督学习和非条件式对抗式训练方法实现从视觉特征解析语义信息的功能；语义‑视觉对齐模型通过条件式非条件式对抗式训练方法实现从语义信息生成视觉特征的功能。本发明具有对训练过程中未见种类数据的分类功能，同时具有通过语义描述生成准备的视觉特征，可以解决现实生活中对标注数据稀缺的问题，满足视觉场景下对数据增广的需求。
-
Patent Agency Ranking
公开(公告)号：CN115688907B
公开(公告)日：2023-04-21
申请号：CN202211713010.0
申请日：2022-12-30
Applicant: 中国科学技术大学
IPC: G06N3/08 , G06N3/042 , G06F16/9536
Abstract: 本发明提供了一种基于图传播的推荐模型训练方法及基于图传播的推荐方法，可以应用于计算机技术领域、图学习技术领域以及数据挖掘技术领域。该方法包括：获取用于表征用户与物品之间交互关系的二分图；对二分图进行图传播，得到传播矩阵；从传播矩阵中确定大于或者等于第一预设阈值的第一传播权重，其中，传播矩阵包括多个传播权重，传播权重表征用户与物品之间的交互频率；根据第一传播权重，确定第一正样本，其中，第一正样本包括与第一传播权重相对应的第一用户标识信息和第一物品标识信息；根据传播矩阵中小于第一预设阈值的第二传播权重，确定第一负样本；利用第一正样本和第一负样本训练深度学习模型，得到推荐模型。
-
公开(公告)号：CN115131613A
公开(公告)日：2022-09-30
申请号：CN202210775075.1
申请日：2022-07-01
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种基于多向知识迁移的小样本图像分类方法，包括以下步骤：1、视觉与文本特征提取；2、类别间语义关系计算；3、文本知识单向自迁移；4、视觉知识单向自迁移、模态间知识双向互迁移；5、模型训练与测试。本发明通过在文本端和视觉端分别进行的单向自迁移，以语义推理和视觉幻想的方式从基础类别中完善对新类别的描述，并通过跨模态互迁移交换来自不同模态的知识，使得不同模态间相互学习，共同训练，从而能减轻基础类别和新类别间样本数量差异的影响，缓解不同模态数据间的语义鸿沟，并能提高小样本图像分类的准确度。
-
公开(公告)号：CN113326443B
公开(公告)日：2022-04-19
申请号：CN202110587163.4
申请日：2021-05-27
Applicant: 中国科学技术大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种高效的图卷积神经网络重训练方法，包括：对于上一时刻已经训练好的图卷积神经网络，获取每个节点历史时刻总的积累度；对于每个节点，利用其邻接节点历史时刻总的积累度，计算能够概括历史数据中知识的各节点表征表示；再利用当前时刻收集到的新数据构建增量图，结合增量图以及各节点表征表示，采用增量图卷积操作更新图卷积神经网络的参数。该方法利用图卷积神经网络自身的邻居聚合机制，直接从旧模型参数中提取旧知识，在只使用新数据的条件下精确、高效地完成重训练任务，该方法使得重训练模型的成本大大降低，模型性能比较原始的重训练方法显著提高。
-
公开(公告)号：CN113298015A
公开(公告)日：2021-08-24
申请号：CN202110646096.9
申请日：2021-06-10
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种基于图卷积网络的视频人物社交关系图生成方法，结合视觉信息、文本信息以及音频信息，能够准确的从视频中生成出人物角色之间的社交关系图。并且，在电影数据集上进行了人物社交关系图的验证，结果表明本方案在客观评价指标上取得了突出的效果。
-
公开(公告)号：CN112580742A
公开(公告)日：2021-03-30
申请号：CN202011591264.0
申请日：2020-12-29
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种基于标签传播的图神经网络快速训练方法，包括：使用标签传播算法传播训练集的标签矩阵，为图结构中其他节点赋予伪标签，得到图结构中所有节点的软标签矩阵，软标签矩阵的元素为节点被打上伪标签的静态置信度；所述训练集中包含了图结构中一部分节点集合的类别标签；根据节点自身的特征信息和逐渐收敛的神经网络预测器为节点的伪标签分配动态置信度；自适应地结合两类置信度，指导训练神经网络预测器。该方法相比于传统解耦GCN的运算量更小，能够以更快的速度训练到收敛，且比较适合并行的分布式计算；此外，能够提升性能，并且对于标签噪声的鲁棒性更强。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.028 seconds)
