-
公开(公告)号：CN111259941B
公开(公告)日：2023-09-26
申请号：CN202010025566.5
申请日：2020-01-10
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于细粒度领域自适应的跨领域图像分类方法及系统，包括：依次输入源领域图片和目标领域图片至卷积神经网络，分别得到源领域图片的源特征向量和目标领域图片的目标特征向量；依次输入源特征向量和目标特征向量至多层全连接层，在每个全连接层使用局部最大均值差异损失衡量源领域和目标领域的特征差异，将源特征向量经过多层全连接层处理后送入分类器获得预测标签，预测标签结合预标记的类别标签得到交叉熵，交叉熵和特征差异作为分类损失函数；最小化分类损失函数，直到分类损失函数收敛，保存当前卷积神经网络作为图像特征提取网络，将目标领域中待分类图片输入至图像特征提取网络，得到待分类图片的图像分类结果。
-
Patent Agency Ranking
公开(公告)号：CN112766354B
公开(公告)日：2023-11-24
申请号：CN202110041403.0
申请日：2021-01-13
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/042 , G06N3/0985
Abstract: 本发明提出一种基于知识图谱的小样本图片识别方法及系统，包括：获取包含训练图片集中所有种类标签的知识图谱，通过图神经网络对知识图谱进行特征提取，得到知识图谱的节点特征，通过求和网络对节点特征和训练图片集的均值特征进行求和处理，得到各组训练图片集的最终训练特征；以与最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果，并以训练图片集的类别标签作为训练目标，优化更新卷积神经网络、图神经网络和求和网络，保存当前卷积神经网络、图神经网络和求和网络作为图片识别模型；将待识别图片输入图片识别模型，得到待识别图片的种类作为图片识别结果。
-
公开(公告)号：CN112766354A
公开(公告)日：2021-05-07
申请号：CN202110041403.0
申请日：2021-01-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于知识图谱的小样本图片识别方法及系统，包括：获取包含训练图片集中所有种类标签的知识图谱，通过图神经网络对知识图谱进行特征提取，得到知识图谱的节点特征，通过求和网络对节点特征和训练图片集的均值特征进行求和处理，得到各组训练图片集的最终训练特征；以与最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果，并以训练图片集的类别标签作为训练目标，优化更新卷积神经网络、图神经网络和求和网络，保存当前卷积神经网络、图神经网络和求和网络作为图片识别模型；将待识别图片输入图片识别模型，得到待识别图片的种类作为图片识别结果。
-
公开(公告)号：CN111259941A
公开(公告)日：2020-06-09
申请号：CN202010025566.5
申请日：2020-01-10
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于细粒度领域自适应的跨领域图像分类方法及系统，包括：依次输入源领域图片和目标领域图片至卷积神经网络，分别得到源领域图片的源特征向量和目标领域图片的目标特征向量；依次输入源特征向量和目标特征向量至多层全连接层，在每个全连接层使用局部最大均值差异损失衡量源领域和目标领域的特征差异，将源特征向量经过多层全连接层处理后送入分类器获得预测标签，预测标签结合预标记的类别标签得到交叉熵，交叉熵和特征差异作为分类损失函数；最小化分类损失函数，直到分类损失函数收敛，保存当前卷积神经网络作为图像特征提取网络，将目标领域中待分类图片输入至图像特征提取网络，得到待分类图片的图像分类结果。
-
公开(公告)号：CN116932878A
公开(公告)日：2023-10-24
申请号：CN202210359744.7
申请日：2022-04-06
Applicant: 腾讯科技(深圳)有限公司 , 中国科学院计算技术研究所
IPC: G06F16/9535 , G06N3/045 , G06N3/082
Abstract: 本申请实施例公开了一种内容推荐方法、装置、电子设备、存储介质和程序产品；本申请实施例获取待推荐对象的个性化标识以及所述待推荐对象的对象特征；拼接所述个性化标识以及所述对象特征，得到拼接后的对象特征；对所述拼接后的对象特征进行编码，得到初始编码向量；通过所述个性化标识对应的目标参数，调整所述初始编码向量，得到目标向量；确定所述目标向量对应的目标内容，并将所述目标内容推荐至所述待推荐对象。由此，本方案可以在内容推荐过程中，增加对个性化标识的关注，提供与个性化标识相关的推送内容，满足待推荐对象的推荐需求，提升推送内容的准确性。
-
公开(公告)号：CN115563272A
公开(公告)日：2023-01-03
申请号：CN202211106105.6
申请日：2022-09-09
Applicant: 中国科学院计算技术研究所
IPC: G06F16/35 , G06F40/289 , G06N20/00
Abstract: 本发明提出一种基于领域和样例级别迁移的跨领域虚假新闻检测方法和系统，包括：获取多个源领域和一个目标领域的新闻数据，作为训练数据，基于该训练数据，通过元学习的方式训练得到泛化模型；基于该目标领域的新闻数据，执行掩码语言训练任务，训练掩码语言模型，得到用于进行迁移性度量的语言模型；在该源领域的新闻数据上计算语言模型的迁移性，根据该迁移性对该源领域的新闻数据进行加权；使用该目标领域的新闻数据和加权后的源领域的新闻数据引导该泛化模型适应目标领域，得到该目标领域的虚假新闻检测模型；通过该虚假新闻检测模型完成对该目标领域新闻的虚假检测。
-
-
-
-
-
Search Results
6
records
(took 0.029 seconds)
