-
公开(公告)号：CN106599922B
公开(公告)日：2021-08-24
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
公开(公告)号：CN109063722A
公开(公告)日：2018-12-21
申请号：CN201810588551.2
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6221 , G06K9/6262
Abstract: 本发明涉及一种基于机会感知的行为识别方法，包括：模型建立步骤，通过可穿戴传感器采集用户行为的初始数据，对该初始数据进行处理以构建用于识别该用户行为的感知模型；数据感知步骤，通过该可穿戴传感器采集该用户行为的增量数据；数据选择步骤，对该增量数据进行筛选，以从中获取机会数据；机会计算步骤，以该机会数据对该感知模型进行更新。
-
公开(公告)号：CN110503205A
公开(公告)日：2019-11-26
申请号：CN201910646750.9
申请日：2019-07-17
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种多模态数据处理方法及系统，包括：获取多个多模态数据样本，并将多模态数据样本的质量评价作为特征，将多模态数据样本的模态组合作为标签；以特征为输入，并以标签为训练目标，训练多类分类器模型，得到模态选择模型；获取待处理多模态数据，将待处理多模态数据的特征输入模态选择模型，得到模态组合选择结果，通过将待处理多模态数据中除模态组合选择结果以外的置0，得到修改后的多模态数据；修改后的多模态数据输入指定的多模态机器学习任务模型，将多模态机器学习任务模型的输出结果作为待处理多模态数据的多模态数据处理结果。本发明可以提升低数据质量下的多模态机器学习模型性能。
-
公开(公告)号：CN109086658A
公开(公告)日：2018-12-25
申请号：CN201810589194.1
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于生成对抗网络的传感器数据生成方法，包括：模型构建步骤，以真实数据通过神经网络模型构建生成对抗网络模型，该生成对抗网络模型包括生成器和判别器；模型训练步骤，以对抗博弈机制训练该生成器和该判别器，并进行迭代，直到从该生成器获得的数据满足评价标准；数据生成步骤，以该生成器通过该对抗网络模型生成合成数据。
-
公开(公告)号：CN113128669A
公开(公告)日：2021-07-16
申请号：CN202110374736.5
申请日：2021-04-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种半监督学习方法，该方法包括：利用有标签数据对神经网络模型进行初始训练；获得待标定的无标签数据的增强数据；利用初始训练好的神经网络模型标定待标定的无标签数据及其增强数据的伪标签；利用有标签数据以及待标定的伪标签数据重新训练神经网络模型；其中，用于半监督学习的神经网络模型包括：输入层，用于接收输入数据；第一隐藏层，用于提取输入数据的低层语义信息；语义层，用于基于低层语义信息确定输入数据的低层语义标签；第二隐藏层，用于基于输入数据及其低层语义标签提取输入数据的高层语义信息；以及输出层，用于基于输入数据的高层语义信息确定其高层语义标签，并作为最终标签输出。
-
Patent Agency Ranking
公开(公告)号：CN109063722B
公开(公告)日：2021-06-29
申请号：CN201810588551.2
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明涉及一种基于机会感知的行为识别方法，包括：模型建立步骤，通过可穿戴传感器采集用户行为的初始数据，对该初始数据进行处理以构建用于识别该用户行为的感知模型；数据感知步骤，通过该可穿戴传感器采集该用户行为的增量数据；数据选择步骤，对该增量数据进行筛选，以从中获取机会数据；机会计算步骤，以该机会数据对该感知模型进行更新。
-
公开(公告)号：CN112884076A
公开(公告)日：2021-06-01
申请号：CN202110312274.4
申请日：2021-03-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种基于条件式生成对抗网络的传感器数据生成模型及方法，所述模型包括：生成器以及判别器，其中，所述生成器包括第一条件功能模块、多尺度多维度功能模块、时序功能模块；所述判别器包括第二条件功能模块、时频域功能强化模块、相似度计算模块。通过本发明可以解决传感器数据采集耗时、标注成本高等问题，且可以通过类别条件控制合成满足专业人士的指定要求的逼真的多轴向时序传感器数据。
-
公开(公告)号：CN114209323B
公开(公告)日：2024-05-10
申请号：CN202210069138.1
申请日：2022-01-21
Applicant: 中国科学院计算技术研究所
IPC: A61B5/16 , A61B5/369 , A61B5/00 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供了一种识别情绪的方法以及基于脑电数据的情绪识别模型，其中，情绪识别模型包括：空间矩阵构造模块，用于根据多个时间片中的每个时间片获得的用户的脑电信号生成第一空间矩阵，得到多个第一空间矩阵；空间特征提取模块，用于对多个第一空间矩阵中每个第一空间矩阵分别利用注意力机制计算每行以及每列的注意力权值，并根据每个第一空间矩阵的每行以及每列的注意力权值获得多个第二空间矩阵；时空特征融合模块，用于提取多个第二空间矩阵间的时序关联特征，根据多个第二空间矩阵以及对应的时序关联特征，得到多个时空表征向量；情绪识别模块，用于根据多个时空表征向量确定用户的情绪。
-
公开(公告)号：CN110222708A
公开(公告)日：2019-09-10
申请号：CN201910354991.6
申请日：2019-04-29
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于集成决策树的跌倒检测方法和系统，包括：对于标记为跌倒的第一加速度数据，取其中平方和最大的点，根据预设时间段范围取点左右的数据段作为原始集，对于标记为非跌倒的第二加速度数据，通过滑窗每次取预设时间段范围的数据段加入原始集，得到最终集，通过快速傅里叶变换提取最终集中各数据段的多维特征作为训练特征；创建多棵决策树，以训练特征作为输入特征，分别输入决策树以迭代训练各决策树，通过每一棵决策树去拟合上一棵决策树的残差,集合训练完成的决策树作为集成学习模型；获取待跌倒检测的第三加速度数据，利用滑窗的方法提取第三加速度数据的数据段作为检测数据，将检测数据输入至集成学习模型，得到跌倒检测结果。
-
公开(公告)号：CN106599922A
公开(公告)日：2017-04-26
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6227 , G06K9/6282
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.031 seconds)
