-
公开(公告)号：CN113177455B
公开(公告)日：2023-01-24
申请号：CN202110442262.3
申请日：2021-04-23
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
IPC: G06V40/20 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G16H50/30 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种训练运动强度识别系统的方法，包括：A1、构建运动强度识别系统，其包括依次连接的数据预处理模块、并行卷积处理流、双线性池化模块和多任务学习模块，所述并行卷积处理流包括两条并行的卷积处理流；A2、通过数据预处理模块对经标注了标签的运动数据进行预处理，得到运动信息和对应的标签组成的训练集，其中，运动数据由惯性传感器采集得到，为运动数据标注的标签包括多种不同的运动强度标签和多种不同的运动行为标签；A3、用所述训练集训练所述运动强度识别系统；本发明从通道和空间两个维度对卷积层提取的特征进行优化，关注重要的特征，抑制不必要的特征，有助于提升运动强度的识别精度。
-
公开(公告)号：CN114027786B
公开(公告)日：2023-04-18
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
IPC: A61B5/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0895 , G06F18/2415
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN114027786A
公开(公告)日：2022-02-11
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN112766337A
公开(公告)日：2021-05-07
申请号：CN202110028695.4
申请日：2021-01-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提供了一种用于预测众包数据的正确标签的方法和系统，该方法利用了一种神经网络模型，该模型基于每个众包数据的所有初始标签的均值获取对应的众包数据的参考标签，通过训练获得；并利用神经网络模型获得每个众包数据的预测标签，基于每个众包数据的每个初始标签相对于预测标签的可信度迭代校准当前神经网络模型，直至神经网络模型收敛或精度持续下降。本发明中的方法和系统能够减少对深度学习中对众包数据工作者能力的依赖，从而提高深度学习模型的准确度和鲁棒性。
-
公开(公告)号：CN112766337B
公开(公告)日：2024-01-12
申请号：CN202110028695.4
申请日：2021-01-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
IPC: G06F18/24 , G06F18/214 , G06N3/08
Abstract: 本发明提供了一种用于预测众包数据的正确标签的方法和系统，该方法利用了一种神经网络模型，该模型基于每个众包数据的所有初始标签的均值获取对应的众包数据的参考标签，通过训练获得；并利用神经网络模型获得每个众包数据的预测标签，基于每个众包数据的每个初始标签相对于预测标签的可信度迭代校准当前神经网络模型，直至神经网络模型收敛或精度持续下降。本发明中的方法和系统能够减少对深度学习中对众包数据工作者能力的依赖，从而提高深度学习模型的准确度和鲁棒性。(56)对比文件Ryan Drapeau.MicroTalk: UsingArgumentation to Improve CrowdsourcingAccuracy《.Proceedings, The Fourth AAAIConference on Human Computation andCrowdsourcing》.2016,
-
Patent Agency Ranking
公开(公告)号：CN113177455A
公开(公告)日：2021-07-27
申请号：CN202110442262.3
申请日：2021-04-23
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明实施例提供了一种训练运动强度识别系统的方法，包括：A1、构建运动强度识别系统，其包括依次连接的数据预处理模块、并行卷积处理流、双线性池化模块和多任务学习模块，所述并行卷积处理流包括两条并行的卷积处理流；A2、通过数据预处理模块对经标注了标签的运动数据进行预处理，得到运动信息和对应的标签组成的训练集，其中，运动数据由惯性传感器采集得到，为运动数据标注的标签包括多种不同的运动强度标签和多种不同的运动行为标签；A3、用所述训练集训练所述运动强度识别系统；本发明从通道和空间两个维度对卷积层提取的特征进行优化，关注重要的特征，抑制不必要的特征，有助于提升运动强度的识别精度。
-
公开(公告)号：CN118537637A
公开(公告)日：2024-08-23
申请号：CN202410609169.0
申请日：2024-05-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/44 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种图像分类模型训练方法，其包括：步骤S1、数据获取步骤：获取多个图像数据集，每个图像数据集与其他图像数据集属于不同的领域，每个图像数据集中包括多个不同类别的图像样本及其对应的类别标签和域标签，其中，类别标签指示图像样本对应的类别，域标签指示图像样本所属的图像数据集，且每个图像数据集拥有相同的类别标签集合；步骤S2、模型训练步骤：步骤S21、构建初始图像分类模型，其包括共享特征提取器、一个一类分支网络和多个二类分支网络；步骤S22、采用所述多个图像数据集对初始图像分类模型进行多次训练直至模型收敛。本发明提出的训练方法使模型具备了提取跨域不变特征和域正交不变特征的能力，使模型提高了分类准确率。
-
公开(公告)号：CN117761654A
公开(公告)日：2024-03-26
申请号：CN202311788337.9
申请日：2023-12-25
Applicant: 中国科学院计算技术研究所
IPC: G01S7/41 , G06V40/20 , G06V10/34 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/77 , G06V10/80 , G06V10/82 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G01S13/86
Abstract: 本发明提供一种神经网络模型，根据雷达人体活动数据识别人体活动，包括：特征变换网络，用于根据所述雷达人体活动数据生成多视角融合特征图；特征提取网络，用于从多视角融合特征图中提取人体姿态特征；姿态回归网络，用于根据人体姿态特征识别出人体姿态类别。本发明利用深度摄像机提供的人体深度图和关键骨骼点图作为网络的中间层监督和底层监督，提高了人体姿态识别准确率，该系统可应用于跌倒检测、灾害救援等实际场景中。
-
公开(公告)号：CN112861879B
公开(公告)日：2022-11-01
申请号：CN202110203086.8
申请日：2021-02-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/44 , G06V10/774 , G06V10/764 , G06V10/77 , G06N20/00
Abstract: 本发明提出一种基于双重迁移的认知障碍辅助决策支持方法和系统，包括本发明提出的方法将样本损失加权选择与特征适配相融合，从双重层面进行迁移，通过对源域样本损失加权，增强与目标域知识关联度高的源域样本作用，同时削弱无关样本的作用；同时，通过对源域与目标域特征空间的适配，拉近领域间分布差异。最终构建在目标域上性能良好的分类模型，判断有无认知障碍。
-
公开(公告)号：CN113057585B
公开(公告)日：2022-08-30
申请号：CN202110274276.9
申请日：2021-03-15
Applicant: 中国科学院计算技术研究所
IPC: A61B5/00
Abstract: 本发明提供一种认知障碍检测模型及其训练方法，所述认知障碍检测模型包括多模态信息表征模块、多模态信息融合模块、无监督深度聚类模块。所述多模态信息表征模块包括眼底图像数据表征网络、多模态生理信号数据表征网络。所述多模态信息融合模块与所述多模态信息表征模块相连接，用于将所述眼底图像数据的特征与多模态生理信号的特征进行融合，得到融合后的特征；所述无监督深度聚类模块与所述多模态信息融合模块相连接，用于根据所述融合后的特征基于无监督聚类模型进行认知障碍检测。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.038 seconds)
