公开(公告)号：CN116308618A

公开(公告)日：2023-06-23

申请号：CN202310055941.4

申请日：2023-01-18

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  包世龙 ,  杨智勇 ,  操晓春 ,  黄庆明

IPC: G06Q30/0601 ,  G06Q30/0251 ,  G06N20/00

Abstract: 本发明提供一种推荐模型的训练方法，所述方法包括：S1、获取训练集；S2、利用步骤S1中获得的训练集对推荐模型进行多轮训练直至收敛，且每轮训练包括：S21、获取该用户对应的多个兴趣表征向量，获取该商品对应的属性表征向量；S22、将所有用户的所有兴趣表征向量和所有商品的属性表征向量分别映射到度量空间，以获得每个用户对应的所有兴趣映射向量和每个商品对应的属性映射向量；S23、依次计算每个商品的属性映射向量与每一个用户的所有兴趣映射向量之间的距离并确定每个商品的属性映射向量与每一个用户的所有兴趣映射向量之间的距离中的最小距离；S24、基于步骤S23中获得的最小距离计算偏好损失；S25、基于步骤S24中获得的损失更新推荐模型的参数。

公开(公告)号：CN117333737A

公开(公告)日：2024-01-02

申请号：CN202311294438.0

申请日：2023-10-08

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  包世龙 ,  杨智勇 ,  操晓春 ,  黄庆明

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/40 ,  G06V10/82 ,  G06N3/094 ,  G06N3/04

Abstract: 本发明提供了一种基于可验证鲁棒AUC的端到端对抗训练方法，包括：获取具有长尾分布的图像分类的训练集，其包括多个原始样本和标签；利用训练集，按照以下方式对图像分类模型进行多次迭代训练，得到经训练的图像分类模型：基于标签，针对每个类别，将训练集中属于该类别的每个原始样本作为一个正样本与每个负样本组成一个该类别的原始样本对；针对样本对集合的每个类别的每个原始样本对，构造一个与之对应的该类别的扰动样本对，扰动样本对中的扰动正样本和扰动负样本是对应的原始样本对中的正样本和负样本分别加上本次训练时根据预设的正态分布随机采样得到的同一个扰动矩阵得到；将所有的扰动正样本和扰动负样本输入图像分类模型基于AUC训练模型。

公开(公告)号：CN118736191A

公开(公告)日：2024-10-01

申请号：CN202410738342.7

申请日：2024-06-07

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  李斐然 ,  包世龙 ,  杨智勇 ,  丛润民 ,  操晓春 ,  黄庆明

IPC: G06V10/25 ,  G06V10/26 ,  G06V20/58

Abstract: 本发明提出一种尺寸无关的多物体显著性检测方法，其特征在于，包括：对训练样本中物体做最小外接框，得到多个物体框，将训练样本中除物体框以外的部分作为背景框；通过语义分割模型，对背景框和每个物体框内的显著区域进行独立评价，得到在每个物体框和背景框的显著区域独立检测结果；对各显著区域独立检测结果进行合并，得到显著区域合并检测结果；根据显著区域标签，在每个物体框和背景框内独立地计算损失，得到背景框和每个物体框的独立损失函数；合并所有独立损失函数，得到合并损失函数，以训练语义分割模型；将待显著物体检测的多物体图像通过数据处理步骤处理后，输入训练完成后的语义分割模型，得到其显著区域检测结果。

公开(公告)号：CN118735005A

公开(公告)日：2024-10-01

申请号：CN202410778100.0

申请日：2024-06-17

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  华聪 ,  包世龙 ,  杨智勇 ,  黄庆明

IPC: G06N20/20 ,  G06N3/084 ,  G06N3/09 ,  G06V10/26 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06F18/241 ,  G06F18/25

Abstract: 本发明提出一种基于模态调和的多模态模型训练方法和装置，包括：获取已标注类别标签的多模态数据，并将其转化为符合模型结构输入的指定形式，得到训练数据。构建包括多个学习器的多模态模型，每个学习器对应一种模态，用于提取对应模态数据的特征，根据各学习器提取的特征进行分类，通过分类结果和该类别标签构建损失函数，依次交替训练每一个模态的学习器，以完成对该多模态模型的训练；将待分类多模态数据输入训练完成后的多模态模型，得到每个学习器的输出特征，融合所有该输出特征，得到该待分类多模态数据的分类结果。

公开(公告)号：CN119762837A

公开(公告)日：2025-04-04

申请号：CN202411641493.7

申请日：2024-11-18

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  芦志广 ,  包世龙 ,  杨智勇 ,  黄庆明

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/40 ,  G06V10/82 ,  G06N3/047 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供了一种图像分类模型的训练方法和图像分类方法，该训练方法，包括：获取基于图像的多层级分类训练集；获取图像分类模型，其包括用于从输入的图像提取图像特征的特征提取器和堆叠的多层双向逻辑树；获取预设的自适应的粒度内差异学习网络，学习网络包括多层学习矩阵，每层学习矩阵用于对同层的分类器输出的第一逻辑值进行映射以得到第二逻辑值；利用所述训练集和预设的总损失函数指导图像分类模型和学习网络进行训练，其中，总损失函数被配置为根据第一逻辑值和分类标签指导模型学习每层的分类知识，以及根据第二逻辑值和样本的平滑标签指导模型针对每层学习同层中的各个类别与真实类别的相似度信息，从而更好地提升分类器的性能。

公开(公告)号：CN118135216A

公开(公告)日：2024-06-04

申请号：CN202410207248.9

申请日：2024-02-26

Applicant: 中国科学院计算技术研究所

Inventor： 许倩倩 ,  韩博宇 ,  杨智勇 ,  包世龙 ,  温佩松 ,  黄庆明

IPC: G06V10/26 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明提供一种用于像素级语义分割模型的训练方法，包括：步骤S1、获取具有长尾分布性质的用于像素级分割的训练集，包括多个原始样本和对应标签序列，每个原始样本为包括多个像素的原始图像，标签序列包括多个指示对应原始图像中每个像素的类别的标签；步骤S2、确定训练集中缺少的所有尾部类别，利用预设的像素级尾部类别记忆库在训练集的多个原始图像中添加缺少的一种或多种尾部类别对应的像素，得到更新的包括多个修改图像的训练集；步骤S3、利用更新的训练集训练像素级语义分割模型预测修改图像中各个像素的类别，包括采用预设的损失函数根据所述模型的预测结果和标签计算的总损失更新所述模型的参数，得到经训练的像素级语义分割模型。