-
Patent Agency Ranking
公开(公告)号：CN113985870A
公开(公告)日：2022-01-28
申请号：CN202111217714.4
申请日：2021-10-19
Applicant: 复旦大学
IPC: G05D1/02
Abstract: 本发明属于人工智能算法技术领域，具体为一种基于元强化学习的路径规划方法。本发明方法包括：用matlab模拟环境，生成起始点、障碍物、目标点，为模型训练提供模拟环境；将元学习与强化学习结合构成元强化学习模型，设计经验池、卷积神经网络、目标值函数、损失函数等；对元强化学习模型进行训练，用reptile算法进行参数更新。仿真结果表明，基于元强化学习的模型能快速找出最佳路径。
-
公开(公告)号：CN113537305B
公开(公告)日：2022-08-19
申请号：CN202110727063.7
申请日：2021-06-29
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于计算机视觉图像识别技术领域，具体为一种基于匹配网络少样本学习的图像分类方法。本发明步骤包括：将图像数据集划分为类别互斥的训练集和测试集；基于episode方式将训练集和测试集分别划分出支持集和查询集；将支持集和查询集样本通过卷积神经网络CNN进行特征提取；将支持集和查询集的样本特征通过基于注意力机制的长短期记忆网络进行完全条件嵌入；由得到的支持集，查询集完全条件嵌入的结果，计算查询集和支持集的改进余弦相似度，并计算预测值；计算混合损失函数，用AdamW梯度学习算法优化匹配网络模型；将在训练集上训练后的模型，应用于测试集，得到分类结果。本发明方法图像分类精度高、运算速度快。
-
公开(公告)号：CN113537306A
公开(公告)日：2021-10-22
申请号：CN202110727066.0
申请日：2021-06-29
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉图像识别技术领域，具体为一种基于渐进式成长元学习的图像分类方法。本发明方法包括：设计渐进式成长元学习图像分类模型，用于提取图像特征和图像分类；图像分类模型的核心功能模块是卷积神经网络；在输入端对图像进行预处理，使样本满足模型输入条件，包括构建元任务；将得到的样本训练构建的图像分类模型，并进行特征提取，然后进行分类识别；仿真结果表明，渐进式成长元学习模型能克服样本数据不足，具有强大的泛化能力，能快速适应并识别新的图像类别。
-
公开(公告)号：CN113537305A
公开(公告)日：2021-10-22
申请号：CN202110727063.7
申请日：2021-06-29
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉图像识别技术领域，具体为一种基于匹配网络少样本学习的图像分类方法。本发明步骤包括：将图像数据集划分为类别互斥的训练集和测试集；基于episode方式将训练集和测试集分别划分出支持集和查询集；将支持集和查询集样本通过卷积神经网络CNN进行特征提取；将支持集和查询集的样本特征通过基于注意力机制的长短期记忆网络进行完全条件嵌入；由得到的支持集，查询集完全条件嵌入的结果，计算查询集和支持集的改进余弦相似度，并计算预测值；计算混合损失函数，用AdamW梯度学习算法优化匹配网络模型；将在训练集上训练后的模型，应用于测试集，得到分类结果。本发明方法图像分类精度高、运算速度快。
-
公开(公告)号：CN113985870B
公开(公告)日：2023-10-03
申请号：CN202111217714.4
申请日：2021-10-19
Applicant: 复旦大学
IPC: G05D1/02
Abstract: 本发明属于人工智能算法技术领域，具体为一种基于元强化学习的路径规划方法。本发明方法包括：用matlab模拟环境，生成起始点、障碍物、目标点，为模型训练提供模拟环境；将元学习与强化学习结合构成元强化学习模型，设计经验池、卷积神经网络、目标值函数、损失函数等；对元强化学习模型进行训练，用reptile算法进行参数更新。仿真结果表明，基于元强化学习的模型能快速找出最佳路径。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
