-
公开(公告)号：CN113316790B
公开(公告)日：2024-05-28
申请号：CN201980087199.7
申请日：2019-12-18
申请人： 赫尔实验室有限公司
IPC分类号： G06N3/0464 , G06N3/088 , G05D1/243 , G05D1/242 , G05D1/65 , G05D1/43 , G05D105/22
摘要： 公开了用于自主学习代理中的无监督域适应的系统、方法和介质。描述了一种用于自主学习代理中的无监督域适应的系统。所述系统利用来自目标域的未标记数据集来调整已学习模型，从而得到经调整的模型。所述已学习模型先前已被训练使用来自源域的已标记数据集执行任务。所述已标记数据集具有第一输入数据分布，并且未标记目标数据集具有与所述第一输入数据分布有区别的第二输入数据分布。在所述自主学习代理中实现所述经调整的模型，以使所述自主学习代理在所述目标域中执行所述任务。
-
公开(公告)号：CN110582777B
公开(公告)日：2023-08-01
申请号：CN201880022737.X
申请日：2018-04-10
申请人： 赫尔实验室有限公司
IPC分类号： G06V20/00 , G06V10/764 , G06V20/70 , G06V10/82
摘要： 描述了这样一种系统，即，所述系统可以识别该系统以前从未见过的新颖对象。所述系统使用训练图像集来学习将来自已知图像的视觉特征映射至语义属性的模型。使用所学到的模型将未见过的输入图像的视觉特征映射至语义属性。利用类标签将所述未见过的输入图像分类为属于图像类。基于所述类标签来控制装置。
-
公开(公告)号：CN110582777A
公开(公告)日：2019-12-17
申请号：CN201880022737.X
申请日：2018-04-10
申请人： 赫尔实验室有限公司
IPC分类号： G06K9/00 , G06K9/72 , G06N3/08 , B60R21/0134
摘要： 描述了这样一种系统，即，所述系统可以识别该系统以前从未见过的新颖对象。所述系统使用训练图像集来学习将来自已知图像的视觉特征映射至语义属性的模型。使用所学到的模型将未见过的输入图像的视觉特征映射至语义属性。利用类标签将所述未见过的输入图像分类为属于图像类。基于所述类标签来控制装置。
-
公开(公告)号：CN110383324A
公开(公告)日：2019-10-25
申请号：CN201880015642.5
申请日：2018-04-02
申请人： 赫尔实验室有限公司
摘要： 描述了一种用于预测对手移动的系统。在一方面，所述系统包括一个或更多个处理器以及存储器，所述存储器是编码有可执行指令的非暂时性计算机可读介质，使得在执行所述指令时，所述一个或更多个处理器执行以下操作：计算多个关注对象的相对位置，通过形成基于所述相对位置的矩阵来生成特征表示，通过向所述特征表示应用聚类并且通过执行典型相关分析来预测所述多个关注对象的移动，以及基于所述多个关注对象的预测移动来对装置进行控制。
-
公开(公告)号：CN113316790A
公开(公告)日：2021-08-27
申请号：CN201980087199.7
申请日：2019-12-18
申请人： 赫尔实验室有限公司
摘要： 描述了一种用于自主学习代理中的无监督域适应的系统。所述系统利用来自目标域的未标记数据集来调整已学习模型，从而得到经调整的模型。所述已学习模型先前已被训练使用来自源域的已标记数据集执行任务。所述已标记数据集具有第一输入数据分布，并且未标记目标数据集具有与所述第一输入数据分布有区别的第二输入数据分布。在所述自主学习代理中实现所述经调整的模型，以使所述自主学习代理在所述目标域中执行所述任务。
-
公开(公告)号：CN110383291A
公开(公告)日：2019-10-25
申请号：CN201880015891.4
申请日：2018-04-05
申请人： 赫尔实验室有限公司
摘要： 描述了一种用于理解机器学习决策的系统。在无监督学习阶段，该系统通过对概念的潜变量的活动模式进行聚类，以无监督方式从输入数据中提取由机器学习(ML)模型表示的概念，其中，潜变量是ML模型的隐变量。通过学习所提取的概念之间的功能语义，将所提取的概念组织成概念网络。在操作阶段，生成概念网络的子网络。将子网络的节点被显示为由权重和标签标注的视觉图像的集合，以及根据权重和标签的ML模型。
-
公开(公告)号：CN110313017A
公开(公告)日：2019-10-08
申请号：CN201880013120.1
申请日：2018-03-26
申请人： 赫尔实验室有限公司
摘要： 描述了一种用于对图像中的对象和场景进行分类的系统。所述系统基于卷积神经网络(CNN)的激活模式来识别图像的显著区域。通过在不同层处探测所述CNN的所述激活模式来生成所述显著区域的多尺度特征。使用无监督聚类技术，对所述多尺度特征进行聚类，以识别通过所述CNN捕获的关键属性。所述系统从所述关键属性的直方图映射到一组对象类别的概率上。使用所述概率，将所述图像中的对象或场景分类成属于对象类别，并且基于所述对象类别来控制车辆组件，以使所述车辆组件执行自动化动作。
-
公开(公告)号：CN111492375B
公开(公告)日：2023-09-05
申请号：CN201980006462.5
申请日：2019-02-04
申请人： 赫尔实验室有限公司
IPC分类号： G06V10/764 , G06V20/10 , G06V10/44 , G06V10/46 , G06V10/762 , G06V10/77 , G06V10/778 , G06N3/0464 , G06V10/82 , G06N3/08
摘要： 描述了一种用于对图像中的新对象进行分类的系统。在操作中，该系统使用多层网络从多个未标注图像提取显著图块。将多层网络的激活聚类成关键属性，在显示器上向用户显示该关键属性，从而提示用户利用类标签来对关键属性进行标注。然后基于所提示的关键属性的用户标注生成属性数据库。然后可以使测试图像通过该系统，以允许该系统通过在属性数据库中识别对象类来对测试图像中的至少一个对象进行分类。最终，可以基于测试图像中的至少一个对象的分类来使设备进行操作或操纵。
-
公开(公告)号：CN110383291B
公开(公告)日：2023-06-13
申请号：CN201880015891.4
申请日：2018-04-05
申请人： 赫尔实验室有限公司
IPC分类号： G06V10/764 , G06V10/762 , G06V20/58 , G06V10/82 , G06N3/0464 , G06N3/088 , G06N5/04
摘要： 描述了理解机器学习决策的系统、方法、计算机可读介质。在无监督学习阶段，该系统通过对概念的潜变量的活动模式进行聚类，以无监督方式从输入数据中提取由机器学习(ML)模型表示的概念，其中，潜变量是ML模型的隐变量。通过学习所提取的概念之间的功能语义，将所提取的概念组织成概念网络。在操作阶段，生成概念网络的子网络。将子网络的节点被显示为由权重和标签标注的视觉图像的集合，以及根据权重和标签的ML模型。
-
公开(公告)号：CN111615676B
公开(公告)日：2023-05-23
申请号：CN201980008950.X
申请日：2019-01-30
申请人： 赫尔实验室有限公司
IPC分类号： G05D1/00 , G05B15/02 , G06N3/0455 , G06N3/094 , G06N3/09 , G06N3/0464
摘要： 描述了一种用于对自主平台进行控制的系统。基于输入图像，系统生成针对自主平台的电动机控制命令决策。确定输入图像属于训练图像集合的概率，并且使用所确定的概率生成针对电动机控制命令决策的可靠性度量。当可靠性度量高于预定阈值时，执行探索动作。否则，当可靠性度量低于预定阈值时，执行与电动机控制命令决策相对应的利用动作。
-
-
-
-
-
-
-
-
-
搜索结果
27 条记录 (耗时 0.032 秒)
