-
公开(公告)号：CN116206371A
公开(公告)日：2023-06-02
申请号：CN202211685600.7
申请日：2022-12-27
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 朱军
IPC: G06V40/40 , G06V40/16 , G06V10/764 , G06V10/80 , G06T3/40
Abstract: 本说明书提供的活体检测模型训练方法、活体检测方法和系统，在获取面部样本在不同感受野下的面部图像样本后，采用预设活体检测模型对面部图像样本进行特征提取，并基于提取出的图像特征对面部样本进行活体分类，得到目标感受野对应的分类结果，该目标感受野包括第一感受野、第二感受野和融合感受野，该融合感受野包括第一感受野的特征信息和第二感受野的特征信息融合后的特征信息对应的感受野，以及基于分类结果中的分类置信度，确定目标感受野对应的损失权重，并基于损失权重对预设活体检测模型进行收敛，得到训练后的目标活体检测模型；该方案可以提升活体检测模型的检测精度。
-
公开(公告)号：CN112015788A
公开(公告)日：2020-12-01
申请号：CN202010885692.8
申请日：2020-08-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/248 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例提供一种向目标用户展示目标对象序列的方法和装置，方法包括：确定待展示的目标对象序列中各目标对象的初始排序，初始排序按照各目标对象与目标用户的相关度由高到低进行排序；获取各目标对象分别对应的对象特征；将各目标对象分别对应的对象特征按照初始排序输入预先训练的重排序模型，重排序模型包括编码器和解码器，编码器对于各对象特征进行编码，得到目标对象序列对应的上下文表征向量，解码器根据上下文表征向量输出目标对象序列中各目标对象的重排序；按照重排序的各目标对象的位置，向目标用户展示目标对象序列。能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
-
公开(公告)号：CN117197844A
公开(公告)日：2023-12-08
申请号：CN202311287021.1
申请日：2023-10-07
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 朱军
Abstract: 本公开提供了一种掌纹识别模型的训练方法及装置，该方法包括：获取样本掌纹图像的若干样本特征点，上述样本特征点是通过图像识别模型识别上述样本掌纹图像得到的；基于上述样本掌纹图像的若干样本特征点，对上述样本掌纹图像进行变形矫正，得到标准掌纹图像；基于上述标准掌纹图像，训练掌纹识别模型。可以解决相关技术中无法实现优化掌纹识别模型的训练成本和泛化性能的技术问题，通过根据样本掌纹图像的特征点对样本掌纹图像进行变形矫正，通过矫正后得到的标准掌纹图像进行模型训练，从而减少了样本环境因素的干扰，从而达到降低样本数据量的同时即可得到具有一定泛化性能的模型的技术效果。
-
公开(公告)号：CN116468113A
公开(公告)日：2023-07-21
申请号：CN202310450231.1
申请日：2023-04-20
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供的活体检测模型的训练方法、活体检测方法和系统，获得多模态训练数据和主模态对应的单模态训练数据，所述多模态训练数据可以包括多个模态的训练数据，所述多个模态包括主模态和至少一个辅助模态，然后，基于多模态训练数据，对至少一个辅助模态中每一辅助模态对应的预设第一活体检测模型进行训练，得到每一辅助模态对应的辅助活体检测模型，以及基于多模态训练数据、单模态训练数据和辅助活体检测模型，对主模态对应的预设第二活体检测模型进行多模态知识蒸馏，得到目标活体检测模型；该方案可以提升主模态对应的目标活体检测模型的训练精度，进而提升活体检测的准确率。
-
公开(公告)号：CN111915414B
公开(公告)日：2022-06-07
申请号：CN202010898063.9
申请日：2020-08-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/06 , G06F16/9535 , G06F16/9538 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例提供一种向目标用户展示目标对象序列的方法和装置，方法包括：确定待展示的目标对象序列中各目标对象的初始排序；根据任一目标对象的属性特征和该目标对象在初始排序中的位置，得到该目标对象的叠加编码向量；将各叠加编码向量按照初始排序输入预先训练的重排序模型，重排序模型包括编码器和解码器，编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，解码器根据各隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序。能够达到用户反馈的最大化。
-
Patent Agency Ranking
公开(公告)号：CN111915414A
公开(公告)日：2020-11-10
申请号：CN202010898063.9
申请日：2020-08-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/06 , G06F16/9535 , G06F16/9538 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例提供一种向目标用户展示目标对象序列的方法和装置，方法包括：确定待展示的目标对象序列中各目标对象的初始排序；根据任一目标对象的属性特征和该目标对象在初始排序中的位置，得到该目标对象的叠加编码向量；将各叠加编码向量按照初始排序输入预先训练的重排序模型，重排序模型包括编码器和解码器，编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，解码器根据各隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序。能够达到用户反馈的最大化。
-
公开(公告)号：CN117351029A
公开(公告)日：2024-01-05
申请号：CN202311294041.1
申请日：2023-10-08
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种模型训练方法及装置、分割方法及装置、电子设备、介质。其中模型训练方法中，在对细分割模型进行训练的过程中，其损失值计算需要考虑不同预测区域的权重，且该权重基于原始图像对应的GT值、粗分割图像对应的预测值计算得到，因此针对可对通用物体进行粗分割的粗分割模型，提供了一种后置的细分割模型，以实现对粗分割模型分割得到的粗分割图像，进行二阶段分割，以得到细分割图像。
-
公开(公告)号：CN116797775A
公开(公告)日：2023-09-22
申请号：CN202310749526.9
申请日：2023-06-21
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 朱军
IPC: G06V10/24 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本说明书实施例中公开了一种商品检测方法、目标检测模型训练方法、装置及设备。该方案可以包括：通过预先利用携带有反映指定非正多边形区域内是否存在商品的标签数据的样本图像训练得到目标检测模型，从而当需要针对在预设商品陈列区域处采集到的目标图像进行商品检测时，可以利用目标检测模型输出该目标图像中存在商品的非正多边形区域的第一位置信息；进而能够基于第一位置信息，对目标图像中存在商品的非正多边形区域中的子图像进行图像校正处理，以得到目标图像中的商品的商品图像。
-
公开(公告)号：CN115273189A
公开(公告)日：2022-11-01
申请号：CN202210879382.4
申请日：2022-07-25
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 朱军
IPC: G06V40/16 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例公开了一种人脸识别模型的训练方法、装置以及设备。通过获取训练样本；生成与所述区域块相关的类别矩阵，其中所述类别矩阵中的一行或者一列表征一个区域块与其它区域块的类别的异同；采用初始模型对所述训练样本进行分类，确定分类所产生的分类损失值；采用所述初始模型提取所述合成样本中的区域特征，生成与所述类别矩阵大小相同的预测矩阵，根据所述预测矩阵与所述类别矩阵的差异确定区域类别损失值；融合所述分类损失值和所述区域类别损失值生成目标损失值，根据所述目标损失值对所述初始模型进行训练，生成目标模型。从而实现准确学习在检测得到的图像中各区域的相关性，并基于这种相关性和不相关性去实现攻击识别。
-
公开(公告)号：CN110910036A
公开(公告)日：2020-03-24
申请号：CN201911216023.5
申请日：2019-12-02
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/06
Abstract: 本说明书实施例提供一种引导用户行为的资源份额发放方法和装置，方法包括：获取目标用户的特征表达向量，特征表达向量至少反映了上一次向目标用户发放的历史资源份额；根据目标用户的用户行为统计信息，确定目标用户对应的预先设定的多个分档中的目标分档；将特征表达向量和目标分档作为当前状态输入预先训练的深度强化学习模型，通过深度强化学习模型输出各动作与累积奖励的对应关系，动作对应于各资源份额，累积奖励对应于转化率；根据各资源份额分别对应的转化率，在满足预先设定的资源发放成本总和的限制条件下，从各资源份额中选取向目标用户发放的目标资源份额。能够精准识别用户和进行细粒度的资源份额发放。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.032 seconds)
