公开(公告)号：CN120066091A

公开(公告)日：2025-05-30

申请号：CN202510551635.9

申请日：2025-04-29

Applicant: 清华大学

Inventor： 郭雨晨 ,  戴琼海 ,  张葆圣 ,  方璐 ,  丁贵广

IPC: G05D1/46 ,  G05D109/20

Abstract: 本申请公开了一种基于多功能环路融合的目标智能跟踪方法、装置、设备及存储介质及无人飞行器，包括：根据无人飞行器的视频追踪装置对目标物体的运动过程所采集的追踪视频，确定运动过程的图像运动特征数据，并根据无人飞行器的信号追踪装置对运动过程所采集的追踪信号，确定运动过程的信号运动特征数据；通过信号运动特征数据对图像运动特征数据的互惠增强，确定运动过程的调整运动特征数据；根据调整运动特征数据和信号运动特征数据在环形吸引子网络中的迭代推理，控制无人飞行器的飞行状态。通过互惠增强技术和环形吸引子网络的信息融合，实现了高速运动场景下的精准目标跟踪，解决了无人飞行器追踪目标物体时，延迟高、误差大的问题。

公开(公告)号：CN113792874B

公开(公告)日：2024-09-06

申请号：CN202111050660.7

申请日：2021-09-08

Applicant: 清华大学

Inventor： 郭雨晨 ,  戴琼海 ,  丁贵广

IPC: G06N3/042 ,  G06N3/0475 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明提出一种基于先天知识的持续学习方法及装置，方法包括：获取第一训练数据并对所述第一训练数据进行预处理；将预处理后的所述第一训练数据输入至预先训练的生成器，输出第二训练数据；根据所述第二训练数据和分类神经网络，训练神经网络模型的初始化参数；根据所述第一训练数据和预先构建的损失函数，对所述神经网络模型的初始化参数进行更新以得到更新后的所述神经网络模型。本发明在学习任务前引入一个生成器，提前对神经网络进行参数的初始化，在后续训练过程中，综合生成器产生的任务0与当前学习任务，进行正则化约束，使得模型可以进行快速收敛，有效减少神经网络在持续学习中面临的灾难性遗忘问题，提高模型的任务学习能力。

公开(公告)号：CN113762402B

公开(公告)日：2024-09-06

申请号：CN202111076143.7

申请日：2021-09-14

Applicant: 清华大学

Inventor： 郭雨晨 ,  戴琼海 ,  丁贵广

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/774 ,  G06N3/047 ,  G06N3/08

Abstract: 本申请提供了一种基于小样本持续学习的图像分类方法、装置及存储介质。其中方法包括：S1，获取图片样本数据集，包括用于预训练的大样本数据集和多个用于新任务训练的小样本数据集；S2，通过大样本数据集对模型进行训练，并存储每个类别的特征中心以及回放样本；S3，通过小样本数据集以及存储的每个类别的特征中心以及回放样本对模型进行训练，并计算模型的多个损失；S4，将多个所述损失加权求得总的损失函数，通过梯度下降算法对模型进行更新，存储每个类别的特征中心以及回放样本；S5，重复步骤S3、S4，直到所有新任务的小样本数据集完成学习，得到最终的模型分类器。本方法更加符合人的学习与记忆过程，避免发生灾难性遗忘问题。

公开(公告)号：CN118537628A

公开(公告)日：2024-08-23

申请号：CN202410557143.6

申请日：2024-05-07

Applicant: 之江实验室 ,  清华大学

Inventor： 魏依娜 ,  郭雨晨 ,  谢斯蔚

IPC: G06V10/764 ,  G06V20/70 ,  G06V10/774 ,  G06V10/82 ,  G06V10/75

Abstract: 本说明书公开了一种图像分类方法、装置、设备及可读存储介质，响应于当前图像分类任务，获取当前图像分类任务对应的样本图像和标注类型，根据获取到的与当前图像分类任务匹配的各提示子网确定当前提示网络，结合当前提示网络和已训练的历史图像分类模型得到当前图像分类模型，根据样本图像及其标注类型训练当前图像分类模型，从而响应于图像分类请求，将待分类图像输入到训练完成的当前图像分类模型，得到待分类图像的类型。可见，通过上述方案，有效应对了灾难性遗忘问题，增强了模型在学习新任务时的灵活性和准确性，同时避免了之前获得知识的丢失。另外，端到端的训练方式，使得模型的学习过程更加稳健和高效。

公开(公告)号：CN118411580A

公开(公告)日：2024-07-30

申请号：CN202410557144.0

申请日：2024-05-07

Applicant: 之江实验室 ,  清华大学

Inventor： 魏依娜 ,  郭雨晨 ,  谢斯蔚

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/26 ,  G06N5/022

Abstract: 本说明书公开了一种模型训练方法、装置、存储介质及电子设备，由于历史全景分割模型具有识别旧类别目标物的能力，将微调样本图像分别输入历史全景分割模型及当前全景分割模型，可得到当前全景分割模型识别出的第一预测结果及历史全景分割模型识别出的包括旧类别目标物的第二预测结果。将筛选后的旧类别目标物作为微调样本图像的伪标签，对当前全景分割模型进行微调，可使得当前全景分割模型在微调完成后不丧失识别旧类别目标物的能力。又由于微调样本图像中包括了新类别目标物，也确定了微调样本图像的真标签，因此，微调完成后的全景分割模型具有识别新类别目标物的能力。

公开(公告)号：CN114511513B

公开(公告)日：2024-06-28

申请号：CN202210044854.4

申请日：2022-01-14

Applicant: 清华大学 ,  贵州省人民医院

Inventor： 徐枫 ,  乔晖 ,  王荣品 ,  郭雨晨 ,  戴琼海 ,  李武超 ,  田冲

IPC: G06T7/00 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/084 ,  G06V10/774 ,  G06V10/82

Abstract: 本申请提出了一种基于深度卷积神经网络的脑动脉瘤三维检测分割方法，包括：获取待分割的三维医学图像数据；对三维医学图像数据的预测进行初始化，生成种子点作为初始的已测试区域；从已测试区域向外扩张一个区域，得到扩张区域；将扩张区域输入至训练好的流网络模型中，对扩张区域进行预测，并将经过预测的扩张区域并入已测试区域；对三维医学图像数据进行迭代预测，直到已测试区域完全覆盖三维医学图像数据，完成预测，得到三维医学图像数据的预测结果；根据三维医学图像数据的预测结果，得到三维医学图像数据的分割结果。本申请引入了流网络模型中迭代预测的思路，在保持样本三维结构信息的同时减少了模型的参数量，从而使模型更加准确、便捷。

公开(公告)号：CN116384460B

公开(公告)日：2024-06-11

申请号：CN202310324913.8

申请日：2023-03-29

Applicant: 清华大学

Inventor： 郑纪元 ,  邓辰辰 ,  郭雨晨 ,  方璐 ,  范静涛 ,  吴嘉敏 ,  戴琼海

IPC: G06N3/067 ,  G06N3/08

Abstract: 本申请涉及光学神经网络技术领域，特别涉及一种鲁棒性光学神经网络训练方法、装置、电子设备及介质，其中，方法包括：获取光学神经网络的损失函数；在训练光学神经网络的过程中确定损失函数的平稳极值，其中，平稳极值为损失函数处于一个局部最小值且绝对值满足预设精度要求，同时在极值附近的预设范围内损失函数的变化速率低于预设数值；将平稳极值作为光学神经网络的训练目标，在光学神经网络的训练损失函数达到平稳极值时，完成光学神经网络的训练。由此，解决了相关技术中通过搭建外围光路和电路并结合误差校准算法对光的相位和幅度等物理特性的误差进行补偿，无法保证神经网络输出结果的准确性，且存在校准时间长，难度大等问题。

公开(公告)号：CN116245141B

公开(公告)日：2024-06-04

申请号：CN202310074506.6

申请日：2023-01-13

Applicant: 清华大学

Inventor： 徐枫 ,  薄子豪 ,  郭雨晨 ,  戴琼海

IPC: G06N3/0455 ,  G06N3/096

Abstract: 本申请涉及深度学习技术领域，特别涉及一种迁移学习架构、方法、电子设备及存储介质，其中，迁移学习架构包括：一个或多个上游任务模型，每个上游任务模型包括多头注意力机制层，且多头注意力机制层整层扩展为专家网络层；下游任务模型，下游任务模型包括与多头注意力机制层层数相同的专家融合层，专家融合层与多头注意力机制层的每层对应，每层专家融合层中专家网络通过迁移所有上游任务模型的多头注意力机制层的对应层得到。由此，解决了相关技术中只能迁移一个上游任务模型，无法同时利用多个上游模型，对上游模型能力要求高等问题。

公开(公告)号：CN113052831B

公开(公告)日：2024-04-23

申请号：CN202110401742.5

申请日：2021-04-14

Applicant: 清华大学 ,  中国人民解放军总医院第一医学中心

Inventor： 徐枫 ,  周展平 ,  娄昕 ,  郭雨晨 ,  吕晋浩 ,  戴琼海

IPC: G06T7/00 ,  G16H30/20 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088

Abstract: 本申请提出一种脑部医学影像异常检测方法、装置、设备及存储介质，其中，具体实现方案为：获取未包含病灶的脑部三维医学影像样本；构建自编码器模型，初始化自编码器模型的模型参数，并将脑部三维医学影像样本作为输入和目标以训练所述自编码器模型；获取待检测脑部医学影像，并获取待检测脑部医学影像之中的病灶候选区域掩码图像；将待检测脑部医学影像输入至经过训练的自编码器模型，获得重构图像，并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差；根据重构误差检测待检测脑部医学影像是否存在病灶。本申请降低了异常检测的实现难度和成本，同时提高了准确率。

公开(公告)号：CN116523015A

公开(公告)日：2023-08-01

申请号：CN202310300927.6

申请日：2023-03-24

Applicant: 清华大学

Inventor： 郑纪元 ,  邓辰辰 ,  郭雨晨 ,  方璐 ,  范静涛 ,  吴嘉敏 ,  戴琼海

IPC: G06N3/067 ,  G06N3/084

Abstract: 本申请涉及光学神经网络技术领域，特别涉及一种对于工艺误差鲁棒的光学神经网络训练方法、装置及设备，其中，方法包括：获取光学神经网络中神经元权重参数的加工误差分布得到权重误差模型；在对光学神经网络训练过程中，按照权重误差模型随机叠加噪声至神经元权重参数上，直到训练结束，得到训练完成的神经元权重参数；将训练完成的神经元权重参数映射为光学神经网络芯片的加工参数。由此，解决了相关技术中的光学神经网络芯片加工存在偏差，无法保证理论模型与芯片加工的完美映射，且通过对光的相位和幅度误差进行补偿，存在校准时间长，难度大等问题。