-
Patent Agency Ranking
公开(公告)号：CN110222822B
公开(公告)日：2021-04-09
申请号：CN201910466860.7
申请日：2019-05-31
Applicant: 北京工业大学
Abstract: 本发明涉及黑盒预测模型内部特征因果图的构建方法，通过汽车前部的摄像头捕获道路前方的场景图像，将其送入黑盒模型，在将所提取到的场景特征映射为方向盘指令的同时，将特征可视化并以解释图的形式展示特征间的相关关系，最后再通过特征实数化和特征筛选转化为特征因果图，找出产生此指令的原因。该技术将深度学习模型提取到的车前部摄像头所捕获图像的特征映射为车的方向盘控制指令，并给出下达该指令的原因。每一条指令的原因的给出有助于研究者快速发现不符合真实环境的指令或不利于全局优化的指令，通过进一步调整，可以使自动驾驶模型的性能得到大大的提高，为其安全保障提供了解释的依据。
-
公开(公告)号：CN110222822A
公开(公告)日：2019-09-10
申请号：CN201910466860.7
申请日：2019-05-31
Applicant: 北京工业大学
Abstract: 本发明涉及黑盒预测模型内部特征因果图的构建方法，通过汽车前部的摄像头捕获道路前方的场景图像，将其送入黑盒模型，在将所提取到的场景特征映射为方向盘指令的同时，将特征可视化并以解释图的形式展示特征间的相关关系，最后再通过特征实数化和特征筛选转化为特征因果图，找出产生此指令的原因。该技术将深度学习模型提取到的车前部摄像头所捕获图像的特征映射为车的方向盘控制指令，并给出下达该指令的原因。每一条指令的原因的给出有助于研究者快速发现不符合真实环境的指令或不利于全局优化的指令，通过进一步调整，可以使自动驾驶模型的性能得到大大的提高，为其安全保障提供了解释的依据。
-
公开(公告)号：CN111784628A
公开(公告)日：2020-10-16
申请号：CN202010389773.9
申请日：2020-05-11
Applicant: 北京工业大学
Abstract: 本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。
-
公开(公告)号：CN111784628B
公开(公告)日：2024-03-29
申请号：CN202010389773.9
申请日：2020-05-11
Applicant: 北京工业大学
Abstract: 本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。
-
公开(公告)号：CN109635123A
公开(公告)日：2019-04-16
申请号：CN201811436594.5
申请日：2018-11-28
Applicant: 北京工业大学
IPC: G06F16/36 , G06F16/35 , G06F16/215 , G06F17/27
CPC classification number: G06F17/278
Abstract: 本发明公开了一种增量式的中医文本概念识别方法，在少量人工标注语料的基础上，通过选取预测样本和其邻近样本置信度高的预测样本加入标注语料；选取预测样本置信度低且其具有较高贡献度的预测样本返回专家标注后加入标注语料，以此来增加标注样本的数量。使用每次迭代获得种子集不停的优化模型M，最后得到精化后的模型M。本发明分析了中医文本特点和实体结构，提取了多个特征以提高对中医文本概念识别的准确性。采用少量种子集，通过筛选置信度高且邻近样本置信度也高的预测样本加入种子集以实现标注样本增量式训练，减少了人力投入。通过筛选置信度低但是贡献度高预测样本的返回专家标注，从而缩减分类模型的规模和训练时间。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
