-
公开(公告)号：CN112199491B
公开(公告)日：2022-04-22
申请号：CN202011099237.1
申请日：2020-10-14
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
IPC: G06F16/335 , G06F40/30 , G06F16/36
Abstract: 本发明公开了一种基于BERT与先验知识特征的关系五元组抽取方法，包括如下步骤：预处理；提取语义特征向量；融合拼接；s抽取阶段；p、o抽取阶段；t、l抽取阶段；最终得到关系五元组的特征向量h+pre+s+p+o+t+l。本发明利用BERT模型与先验知识特征融合的方法抽取文本的关系五元组，利用概率图结合指针结构，解决了一种关系对应多个实体以及实体重叠的问题。
-
公开(公告)号：CN112200743A
公开(公告)日：2021-01-08
申请号：CN202011086121.4
申请日：2020-10-12
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种多图片集曝光分布差异的衡量方法，包括如下步骤：S1、构造衡量单一灰度图片曝光度的指标；S2、分别对多个图片集合IA,IB,…,IN的所有灰度图片进行曝光值计算，统计所有图片的曝光值，得到曝光值集合A,B,…,N，对不同曝光值集合分别统计在同一曝光值下的图片数量得到分布直方图；S3、衡量多个图片集合间的统计差异。本发明提出了衡量灰度图片曝光度以及灰度图片集合间曝光分布差异的方法，用于衡量是否由于数据集合曝光改变导致深度学习模型效果的下降，为深度学习模型的改进提供参考。
-
公开(公告)号：CN111401249A
公开(公告)日：2020-07-10
申请号：CN202010186717.5
申请日：2020-03-17
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种基于不同粒度特征匹配一致性的物体重识别方法，其包括以下步骤：输入物体的原始图像及待识别图像，预处理待识别图像，通过投影变换得到无背景干扰的待识别图像；通过角点检测方法提取待识别图像及原始图像的细粒度特征，利用角点匹配方法匹配待识别图像与原始图像的细粒度特征匹配结果；通过图像算法过滤待识别图像及原始图像的细浅纹理，通过角点检测方法提取待识别图像及原始图像的粗粒度特征，利用角点匹配方法得到待识别图像与原始图像的粗粒度特征匹配结果；基于细粒度特征匹配结果和粗粒度特征匹配结果进行比对，得到物体重识别结果；本发明能够有效提升随机纹理物体的匹配精度，从而提高物体的重识别速度和效率。
-
公开(公告)号：CN111353587A
公开(公告)日：2020-06-30
申请号：CN202010162181.3
申请日：2020-03-10
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种深度神经网络的可解释生成方法，包括：S1、挖掘推理路径：获取预训练网络和数据集，采用关键数据路由路径挖掘所述数据集中每一条数据在预训练网络的神经网络中对应的推理路径；S2、聚合推理路径：将同一类数据的推理路径进行聚合，得到该类数据对应的网络结构；S3、组合网络结构：将同一类数据对应的网络结构进行组合，得到针对特定任务进行推理的子网络，运用子网络进行针对于若干类网络的分类任务，可有效节省网络的存储和计算消耗。
-
公开(公告)号：CN111242281A
公开(公告)日：2020-06-05
申请号：CN202010014858.9
申请日：2020-01-07
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种深度卷积神经网络权值优化方法，包括以下步骤：获取初始种群，进行初始化和基因编码；对初始种群中所有个体进行梯度下降的参数训练，直至到达预设的次数；计算个体适应度并进行排序；基于遗传算法，对初始种群进行选择、交叉、变异操作，获得新一代种群；判断是否到达终止条件，若否则对新一代种群进行迭代训练和进化。本发明采用遗传算法与梯度下降方法相结合，来优化深度卷积神经网络权值，能够提高深度卷积神经网络的识别率，同时提高了深度卷积神经网络的获得速度。
-
Patent Agency Ranking
公开(公告)号：CN112085746B
公开(公告)日：2024-02-02
申请号：CN202010937140.7
申请日：2020-09-08
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
IPC: G06T7/11 , G06T7/12 , G06N3/0464
Abstract: 本发明公开了一种基于增强特征表示的图像分割方法，包括如下步骤：S1、以卷积神经网络作为骨干网络，将待分割图像输入到卷积神经网络以获得初次分割结果，输出特征图；S2、利用全局平均池化捕获所述特征图的类别整体特征；S3、重建像素特征，将其用于分类获得最终的分割图像。本发明通过捕获各类别的整体特征，将其作用于各类别内像素点，进而增强像素特征表示，提高类内像素点的相似度和类间像素点的判别性，从而提高图像分割的准确性。
-
公开(公告)号：CN112231461A
公开(公告)日：2021-01-15
申请号：CN202011182518.3
申请日：2020-10-29
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
IPC: G06F16/332 , G06F16/36 , G06F40/126 , G06F40/205 , G06F40/284 , G06F40/295
Abstract: 本发明公开了一种融合知识的对话生成方法，包括如下步骤：S1、构建知识图谱；S2、构建对话模型，所述对话模型由编码器和解码器组成，构建过程包括词编码、知识编码、双跳实体编码、加权合并和解码。本发明引入图编码和图注意力机制进行双跳实体编码，基于相邻实体之间的关系，更好地捕捉对话中的实体语义；同时结合知识图谱围绕对话涉及的概念知识，从而给出更合理的富有信息量的回复，解决当前对话过程中话题概念飘移和扩展的问题。
-
公开(公告)号：CN112231461B
公开(公告)日：2022-05-17
申请号：CN202011182518.3
申请日：2020-10-29
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
IPC: G06F16/332 , G06F16/36 , G06F40/126 , G06F40/205 , G06F40/284 , G06F40/295
Abstract: 本发明公开了一种融合知识的对话生成方法，包括如下步骤：S1、构建知识图谱；S2、构建对话模型，所述对话模型由编码器和解码器组成，构建过程包括词编码、知识编码、双跳实体编码、加权合并和解码。本发明引入图编码和图注意力机制进行双跳实体编码，基于相邻实体之间的关系，更好地捕捉对话中的实体语义；同时结合知识图谱围绕对话涉及的概念知识，从而给出更合理的富有信息量的回复，解决当前对话过程中话题概念飘移和扩展的问题。
-
公开(公告)号：CN112308211A
公开(公告)日：2021-02-02
申请号：CN202011186818.9
申请日：2020-10-29
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种基于元学习的领域增量方法，包括如下步骤：S1、构建预训练模型；S2、用预训练模型训练旧模型；S3、训练新模型。本发明采用随机保留的5％的记忆数据和新数据混合微调训练新模型，同时还采用交叉熵损失函数和知识蒸馏损失函数联合指导新模型的学习，使其在记住旧领域的分类知识的同时，学习新领域数据的分类知识，大大减少数据存储和训练时间的开销。
-
公开(公告)号：CN113222020A
公开(公告)日：2021-08-06
申请号：CN202110521364.4
申请日：2021-05-13
Applicant: 中国科学院计算技术研究所厦门数据智能研究院
Abstract: 本发明公开了一种基于数据转换和知识蒸馏的域增量学习方法，该方法用旧模型识别新数据，将其划分成公有数据和私有数据两部分，然后采用迁移学习将私有数据转换成公有数据，最后对公有数据和私有数据采用不同的损失优化训练模型。本发明所述的一种基于数据转换和知识蒸馏的域增量学习方法，通过对于旧模型无法正确识别的私有数据，采用交叉熵损失计算，能够学习新的知识；通过对旧模型可以正确识别的公有数据和转换数据，采用蒸馏损失计算，用旧模型指导新模型的学习，能够对旧知识进行记忆；通过两种损失优化训练模型，能够实现新旧任务的性能平衡；本方法无需存储旧数据，减小了数据储存的开销。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.044 seconds)
