-
Patent Agency Ranking
公开(公告)号：CN108446718B
公开(公告)日：2021-01-26
申请号：CN201810126792.5
申请日：2018-02-08
Applicant: 同济大学
Abstract: 本发明涉及深度学习领域的一种基于深度置信网络的动态网络结构训练分析方法。本发明的目的在于克服深度置信网络的几点不足，提供一种基于深度置信网络的由整体至特殊的动态网络结构训练分析策略。该策略参考人类识别物体时大脑的分析策略，引入细致化分析的过程。该策略针对分类问题，在训练阶段产生两种网络，包括一个全局网络和若干个针对具体的各个类别的特殊网络。在预测阶段，综合考虑两种网络的输出结果，使得整个模型的预测更加具有针对性，从而提高分类模型的准确性。
-
公开(公告)号：CN111191793A
公开(公告)日：2020-05-22
申请号：CN201911312025.4
申请日：2019-12-18
Applicant: 同济大学
Abstract: 本发明涉及一种基于对抗残差变换网络的无监督领域自适应方法，包括以下步骤：步骤S1：特征提取器提取源域的源数据和目标域的目标数据的特征分布；步骤S2：转换网络将源数据的特征分布映射到目标域，生成伪造目标数据；步骤S3：伪造目标数据通过训练建立标签分类器，通过标签分类器预测目标数据的标签值；步骤S4：域分类器对比伪造目标数据与目标数据，将结果反馈给特征提取器，特征提取器根据结果对提取过程进行改进，转换网络优化源数据到目标域的映射；步骤S5：循环执行步骤S1-S4，直至对抗残差变换网络模型的损失函数的值收敛，损失函数中设有正则化项。与现有技术相比，本发明具有减少梯度消失对模型参数优化的影响、提高模型的稳定性等优点。
-
公开(公告)号：CN108446718A
公开(公告)日：2018-08-24
申请号：CN201810126792.5
申请日：2018-02-08
Applicant: 同济大学
CPC classification number: G06K9/6256 , G06K9/6235 , G06K9/6267 , G06K2009/6236 , G06N3/082
Abstract: 本发明涉及深度学习领域的一种基于深度置信网络的动态网络结构训练分析方法。本发明的目的在于克服深度置信网络的几点不足，提供一种基于深度置信网络的由整体至特殊的动态网络结构训练分析策略。该策略参考人类识别物体时大脑的分析策略，引入细致化分析的过程。该策略针对分类问题，在训练阶段产生两种网络，包括一个全局网络和若干个针对具体的各个类别的特殊网络。在预测阶段，综合考虑两种网络的输出结果，使得整个模型的预测更加具有针对性，从而提高分类模型的准确性。
-
公开(公告)号：CN111191686A
公开(公告)日：2020-05-22
申请号：CN201911282253.1
申请日：2019-12-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于对抗残差变换网络的无监督领域自适应方法，包括以下步骤：步骤S1：特征提取器提取源域的源数据和目标域的目标数据的特征分布；步骤S2：转换网络将源数据的特征分布映射到目标域，生成伪造目标数据；步骤S3：伪造目标数据通过训练建立标签分类器，通过标签分类器预测目标数据的标签值；步骤S4：域分类器对比伪造目标数据与目标数据，将结果反馈给特征提取器，特征提取器根据结果对提取过程进行改进，转换网络优化源数据到目标域的映射方式；步骤S5：循环执行步骤S1-S4，直至对抗残差变换网络模型的损失函数的值收敛，源域和目标域之间达到域适应。与现有技术相比，本发明具有简化模型对分布映射的学习、提高模型泛化能力等优点。
-
公开(公告)号：CN111160421A
公开(公告)日：2020-05-15
申请号：CN201911287231.4
申请日：2019-12-14
Applicant: 同济大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于局部平滑差的无监督领域自适应方法，包括以下步骤：步骤S1：获取源域的源数据，根据所述源数据训练特征生成器与分类器，将所述源数据输入训练完成的特征生成器与分类器中，获得决策边界；步骤S2：获取目标域的目标数据，将所述目标数据输入S1中训练完成的特征生成器与分类器，获得敏感数据；步骤S3：根据所述目标数据和敏感数据训练特征生成器，最小化目标数据的局部平滑差，训练完成后的特征生成器将敏感数据投影到所述目标域里远离决策边界的特征空间中。与现有技术相比，本发明具有使目标数据与源数据更贴合、同时优化决策边界等优点。
-
-
-
-
Search Results
5
records
(took 0.022 seconds)
