-
公开(公告)号：CN107016233A
公开(公告)日：2017-08-04
申请号：CN201710148529.1
申请日：2017-03-14
Applicant: 中国科学院计算技术研究所
CPC classification number: G06K9/6228 , G06K9/6267 , G16H50/20
Abstract: 本发明提供一种运动行为和认知能力的关联分析方法。该方法包括：从运动行为数据中提取反映行为特点的运动特征集；采用迭代随机森林从所述运动特征集中选出用于检测认知能力的最优特征子集；利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。根据本发明的方法，能够有效的分析运动行为和认知能力的关联，尤其对于小样本不均衡的数据集，能够提高认知障碍患者的识别率。
-
公开(公告)号：CN106599922B
公开(公告)日：2021-08-24
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
公开(公告)号：CN110598848A
公开(公告)日：2019-12-20
申请号：CN201910758097.5
申请日：2019-08-16
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于通道剪枝的用于加速迁移学习的方法，所述方法包括下述步骤：步骤1：建立基线模型；步骤2：对源域和目标域之间的可迁移通道进行评估，获取每个通道的重要度；步骤3：进行通道剪枝；步骤4：微调训练，使经过剪枝的模型收敛；步骤5：重复步骤2至4，直到经过剪枝的模型在目标域上的准确率和模型所需要的计算量满足预定要求。本发明的基于通道剪枝的迁移学习加速方法，将迁移学习的过程和模型剪枝过程融合为一个整体框架，在迁移的过程中同时考虑到目标任务上的性能，而在剪枝的过程中也同时考虑到移除那些对原任务和目标任务都不重要的参数。
-
公开(公告)号：CN105447504B
公开(公告)日：2019-04-02
申请号：CN201510751897.6
申请日：2015-11-06
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明提供一种交通模式行为识别模型构建方法，包括：1)对具体交通模式行为进行多层次的归类，建立相应的分类树；2)对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集；3)对于分类树中每一个父节点的分类问题，基于步骤2)所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。本发明还提供了相应的交通模式行为识别方法。本发明能够更加准确地区分具体的交通模式行为，且计算复杂度较小。
-
公开(公告)号：CN108960270A
公开(公告)日：2018-12-07
申请号：CN201810305890.5
申请日：2018-04-08
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6232 , G06K9/6215 , G06K9/6267
Abstract: 本发明涉及一种基于流形迁移学习的数据标定方法和系统，包括：获取已标定标签的特征数据作为源域，获取待标定标签的特征数据作为目标域，对源域和目标域分别进行主成分分析，得到源特征向量和目标特征向量；将源特征向量和目标特征向量分别映射至流形空间，以得到源域在流形空间中的源流形特征和目标域在流形空间中的目标流形特征；统计源域具有的标签种类，并根据标签种类下的特征数据个数，得到每一类标签下源流形特征的平均值，并根据平均值和目标流形特征间的距离，为目标域中的特征数据标定标签。本发明简化了大规模数据的标定，提高了方法的泛化能力，提高了迁移标定的运行效率。
-
Patent Agency Ranking
公开(公告)号：CN105447504A
公开(公告)日：2016-03-30
申请号：CN201510751897.6
申请日：2015-11-06
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6267
Abstract: 本发明提供一种交通模式行为识别模型构建方法，包括：1)对具体交通模式行为进行多层次的归类，建立相应的分类树；2)对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集；3)对于分类树中每一个父节点的分类问题，基于步骤2)所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。本发明还提供了相应的交通模式行为识别方法。本发明能够更加准确地区分具体的交通模式行为，且计算复杂度较小。
-
公开(公告)号：CN111190487A
公开(公告)日：2020-05-22
申请号：CN201911391335.X
申请日：2019-12-30
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种建立数据分析模型的方法，包括基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；用户根据自身数据特性，基于接收到的云模型构建其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器；服务器将接收到的用户模型基于预设的周期进行融合，得到新的云模型；用户基于接收到的新的云模型，调整其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器。基于本发明方法构建的模型框架可以通过结合联邦学习和同态加密技术，可以解决数据孤岛和个性化的问题，通过汇总来自不同组织机构的数据，构建强大的机器学习模型，同时还能保护用户的隐私。
-
公开(公告)号：CN106599922A
公开(公告)日：2017-04-26
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6227 , G06K9/6282
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
公开(公告)号：CN114821789A
公开(公告)日：2022-07-29
申请号：CN202210459777.9
申请日：2022-04-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于特征自适应融合领域泛化的行为识别方法和系统，具体来说所提的算法包括领域特定表示学习模块和领域不变表示学习模块，通过领域特定特征的学习，抽取每个源域特定的特性，使得具有更多样的特征表示；通过领域不变表示学习模块学习领域无关的特征，抽取所有领域共有的、不变特点，提高泛化性能。将两部分特征自适应融合，使得能够训练泛化性能良好的模型，从而在未知的目标域上实现良好的分类性能，完成目标域的人类行为识别任务。
-
公开(公告)号：CN106600000A
公开(公告)日：2017-04-26
申请号：CN201611102793.3
申请日：2016-12-05
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种人‑机器人运动数据映射的方法。该方法包括：获取训练数据，所述训练数据包括人体运动数据和相应运动的机器人样本数据；以所述人体运动数据作为输入，以所述机器人样本数据作为期望的输出，通过训练深度学习网络获得深度学习模型，以得到人‑机器人运动数据之间的映射关系。本发明基于深度学习的方法实现人‑机器人运动数据的映射，避免了大量反复的运动学求解，可以更灵活精确地驱动机器人进行运动。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.027 seconds)
