-
公开(公告)号：CN117876765A
公开(公告)日：2024-04-12
申请号：CN202311858090.3
申请日：2023-12-29
Applicant: 贵州大学
IPC: G06V10/764 , G06V10/44 , G06V10/82 , G06N3/04
Abstract: 本发明提出了一种开放域环境下合理遗忘视觉任务知识的持续学习方法，包括以下步骤：S1，将预处理后的图像送入图像分类网络模型进行视觉特征提取；S2，执行步骤S3和/或步骤S4；S3，利用参数重要性方法以及Hessian信息矩阵更新参数的方法进行重要信息的提取和更新；S4，利用设计的多任务损失函数和模型对齐损失函数平衡新旧任务知识。本发明能够在学习新任务的同时更好地保留旧任务知识，显著提升了分类准确度并有效地降低了遗忘程度，实现了在掌握新知识的同时更好地保留旧知识，从而在动态和不断演变的环境中保持了强大的分类能力和稳健的知识保存。
-
公开(公告)号：CN116310480A
公开(公告)日：2023-06-23
申请号：CN202211522771.8
申请日：2022-11-30
Applicant: 贵州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/084 , G06N3/096 , G06N3/04
Abstract: 本发明提出了一种基于多网络均值蒸馏损失函数的增量目标检测方法，包括以下步骤：S1，获取待训练图像数据；S2，将步骤S1中获取的待训练图像数据输入训练模型进行训练，得到目标模型；S3，将待处理图像数据输入步骤S2中的目标模型，得到图像结果。本发明针对Faster‑RCNN检测器，我们强化输入端的骨干网络和输出端的RoI_Head网络的蒸馏输出，对中间阶段的RPN网络则采用自适应蒸馏保留过去知识，同时我们采用中的元学习方式缓解因知识蒸馏所造成的模型对新任务学习性能下降的影响。此外，针对新旧模型输出数据分布偏差问题，我们在新旧模型的骨干网络和RPN网络对输出数据进行零均值化缓解新旧模型输出数据分布偏差的问题。
-
公开(公告)号：CN115048979A
公开(公告)日：2022-09-13
申请号：CN202210466761.0
申请日：2022-04-29
Applicant: 贵州大学
Abstract: 本发明提供一种基于正则化的机器人触觉脉冲数据分类方法，包括以下步骤，S1数据获取，S2构建触觉数据的图神经网络的图拓扑结构，S3引入正则化方法缓解触觉脉冲数据模型过拟合问题，S4获得脉冲神经网络模型的输出。与现有技术相比，本发明通过在训练算法中增加正则化方法，缓解因训练数据较少带来的过拟合问题，提升家居物品触觉数据的分类准确性，从而提高了模型性能，提升了鲁棒性，增强了网络的泛化能力。
-
公开(公告)号：CN119620842A
公开(公告)日：2025-03-14
申请号：CN202510155034.6
申请日：2025-02-12
Applicant: 贵州大学
IPC: G06F1/26 , G06F1/329 , G06F1/20 , G06F30/27 , G06F111/04 , G06F119/08
Abstract: 本发明公开了一种基于联合多目标优化模型的数据中心能耗优化方法，所述方法基于SAC‑Discrete算法并包括：S1、选择服务器场，利用冷却功耗模型、或利用冷却功耗模型和动态定价模型，计算不同服务器场的冷却功耗，选择最小冷却功耗的服务器场为最优服务器场；S2、选择服务器，利用服务器功耗模型、或利用服务器功耗模型和动态定价模型，计算所述最优服务器场中的不同服务器的服务器新增功耗，选择最小服务器新增功耗的服务器为最优服务器，并将任务分配至所述最优服务器；S3、温度调控，利用温度控制模型，结合所述最优服务器场的冷却功耗和所述最优服务器的服务器功耗，计算冷却所述数据中心所在设备在自然状况下的温度变化，进行温度调控。
-
公开(公告)号：CN119047585B
公开(公告)日：2025-01-24
申请号：CN202411538991.9
申请日：2024-10-31
Applicant: 贵州大学
IPC: G06N5/04 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/74
Abstract: 本公开的实施例提供一种基于因果学习与动态参数选择的类增量学习方法。应用于图像数据处理技术领域，包括：获取训练图像集合，训练图像集合中包含各个训练图像和训练图像的真实标签，根据训练图像集合构造输入数据序列；构建教师模型和学生模型进行特征提取，得到输出特征及对应的logits输出，从而构建具有因果关系的旧类知识因果路径以及新类知识因果路径；基于知识蒸馏以及旧类正则化方法，分别采用旧类知识因果路径和新类知识因果路径计算得到旧类积极因果效应以及新类积极因果效应，进行加和计算得到总体因果效应。以此方式，本发明利用因果推理技术以及因果结构方法缓解灾难性遗忘，为缓解灾难性遗忘问题提供了新的思路和解决方案。
-
Patent Agency Ranking
公开(公告)号：CN118212538B
公开(公告)日：2024-07-16
申请号：CN202410630380.0
申请日：2024-05-21
Applicant: 贵州大学
Abstract: 本发明公开了一种基于长程依赖性特征融合转换器的高光谱图像分类方法，包括以下步骤：步骤1：将输入的高光谱图像（HSI）数据分割成补丁；步骤2：将补丁输入动态上下文特征提取块（简称分支1），经过动态依赖卷积模块(DDC)和多尺度增强融合模块(MsEF)两个组件的操作，提取高光谱图像（HSI）的多尺度上下文关系特征；步骤3：将补丁输入局部‑全局特征提取块（简称分支2），经过数据展平和投影处理后，输入局部‑全局感知变换器编码器提取具有长距离依赖性的局部‑全局特征；步骤4：将步骤2中的分支1和步骤3中的分支2经过处理后的数据进行特征融合，并且将融合结果输入到卷积层，最后得到输出结果。
-
公开(公告)号：CN114065806B
公开(公告)日：2022-12-20
申请号：CN202111259707.0
申请日：2021-10-28
Applicant: 贵州大学
Abstract: 本发明涉及一种基于脉冲神经网络的机械手触觉数据分类方法，包括，步骤S1，数据输入；步骤S2，图卷积层；步骤S3，发送脉冲；步骤S4，特征映射；步骤S5，发送脉冲；步骤S6，特征映射；步骤S7，发送脉冲；步骤S8，输出结构。本发明通过构建脉冲神经网络模型，包括，输入层、图卷积层、3个LIF层、2个具有不同输出的全连接层以及输出层；优化隐藏层的模型结构，并通过引入正态分布密度函数近似传播函数来加快模型收敛速度，提高物体分类准确性；通过修改隐藏层的结构，使模型与触觉感知场景更加贴合，更能够模拟实际场景，提高了感知能力，以及模型的鲁棒性。
-
公开(公告)号：CN119743446B
公开(公告)日：2025-05-16
申请号：CN202510255631.6
申请日：2025-03-05
Applicant: 贵州大学
Abstract: 本发明提供一种考虑时空信息的超密集组网CDS热点主动式预测方法、装置及设备，其中，预测方法包括：获取待预测区域的时空记录图，时空记录图表示待预测区域内的多个不同用户对应的节点以及节点之间关系的拓扑结构图，时空记录图中包含多个子图，且各子图对应的时间段不同；对时空记录图的拓扑结构进行更新处理，以得到贴近现实场景的更新时空记录图；将更新时空记录图输入到区域预测模型中进行预测处理，以得到待预测区域中的目标热点区域。本发明提供的方案可以准确预测超密集网络架构下的目标热点区域，从而为超密集网络架构下的边缘服务器的内容缓存以及负载均衡做出指导。
-
公开(公告)号：CN118196428A
公开(公告)日：2024-06-14
申请号：CN202410613151.8
申请日：2024-05-17
Applicant: 贵州大学
IPC: G06V10/42 , G06V10/764 , G06V10/86 , G06V10/82 , G06V10/776 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种用于组合零次学习的视觉属性表征学习方法，包括以下步骤：S1，将训练集图片输入LVAR‑CZSL的视觉骨干网络提取图片全局视觉特征#imgabs0#，然后通过视觉属性表征模块（VARM）进一步提取更细致的属性#imgabs1#和对象视觉特征#imgabs2#；S2，将文本信息通过预训练的词嵌入模型转化为词向量，输入LVAR‑CZSL模型中的联系性学习模块（CLM），得到具有全局依赖性的属性和对象文本特征；S3，通过LVAR‑CZSL模型中的联合评分函数（JSF）结合视觉特征和文本特征，缩小图像和文本特征之间的距离，联合损失函数（JLF）优化VARM和CLM的学习过程，得到训练完毕的LVAR‑CZSL模型；S4，将待预测测的图像或者待检索的文本输入LVAR‑CZSL模型，得到测试结果。
-
公开(公告)号：CN117953405A
公开(公告)日：2024-04-30
申请号：CN202410089496.8
申请日：2024-01-22
Applicant: 贵州大学
IPC: G06V20/40 , G06V10/764 , G06V10/774 , G06F18/25 , G06V10/82 , G06F18/213 , G06F18/22 , G06F18/27 , G06N3/045 , G06N3/0499 , G06N3/096
Abstract: 本发明提出了融合跨模态注意力和关注模态内信息的视听零次学习方法，包括：获取原视频数据集，并将其分为训练集和测试集；从训练集中提取音频、视频、文本数据和文本标签；将音频和视频数据输入特征提取器，获取特征并进行编码；将编码后的音频和视频特征拼接，生成视听输入；将音频、视频、视听输入和文本数据输入多模态融合变压器，学习模态内信息；将多模态融合变压器的输出和文本标签映射到多模态联合嵌入空间，实现多模态学习；建立视听广义零次学习模型，用测试集进行测试，并优化训练；基于多模态联合嵌入空间的输出，利用视听广义零次学习模型预测视频分类，获得结果；多模态融合变压器能有效地融合多种模态信息，提高视听广义零次学习模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.019 seconds)
