-
公开(公告)号：CN114565752B
公开(公告)日：2024-12-27
申请号：CN202210133345.9
申请日：2022-02-10
Applicant: 北京交通大学
IPC: G06V10/25 , G06V10/26 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0895
Abstract: 本发明提供了一种基于类不可知前景挖掘的图像弱监督目标检测方法。该方法包括：基于待进行目标检测的图像通过CNN生成前景注意力图；基于前景注意力图计算每个候选框的前景相对置信度FRC，根据各个候选框的FRC筛选出前景候选框；基于前景候选框构建实例空间图，基于数据集的标签构建标签语义图，对实例空间图和标签语义图进行图匹配，根据图匹配结果为每个前景候选框进行分类；根据各个前景候选框的分类结果生成伪监督框，将伪监督框与伪监督框的空间近邻框进行合并得到伪实例标签，将该伪实例标签作为待进行目标检测的图像的目标检测结果。本发明把定位和分类任务分离，从而实现的定位与分类性能的双向提升，有效地提升图像的弱监督目标检测性能。
-
Patent Agency Ranking
公开(公告)号：CN114564742B
公开(公告)日：2024-05-14
申请号：CN202210150584.5
申请日：2022-02-18
Applicant: 北京交通大学
IPC: G06F21/62 , G06N20/00 , G06F16/901 , G06F16/9536
Abstract: 本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括：初始化服务端全局模型并下发参数；初始化客户端本地模型并下载全局参数；设计联邦推荐场景下基于哈希学习的目标函数，根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵；根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略，可以在本地客户端得到紧致的二值用户与物品离散特征，较之于连续实值的特征表示，该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。
-
公开(公告)号：CN114595804A
公开(公告)日：2022-06-07
申请号：CN202210158680.4
申请日：2022-02-21
Applicant: 北京交通大学
Abstract: 本发明提供了一种面向强鲁棒性的神经网络模型生成方法。该方法包括：根据随机数种子生成随机数集合；利用随机数集合对每个种子卷积核使用单项式生成函数生成多个新的生成卷积核，将所有的卷积核构成神经网络模型；将神经网络模型部署在终端设备上，终端设备利用所述神经网络模型进行数据处理。本发明提供了一种针对部分破坏数据的面向强鲁棒性的神经网络模型生成方法，解决现有技术中存在的模型鲁棒性低的问题。通过在神经网络模型中引入不可学习参数，减少模型对训练数据的依赖。
-
公开(公告)号：CN114595815A
公开(公告)日：2022-06-07
申请号：CN202210157628.7
申请日：2022-02-21
Applicant: 北京交通大学
Abstract: 本发明提供了一种面向传输友好的云‑端协作训练神经网络模型方法。该方法包括：云服务器基于种子卷积核利用卷积核生成函数生成卷积神经网络模型；通过数据集对卷积神经网络模型进行训练，对卷积神经网络模型的种子卷积核和生成卷积核进行参数更新，得到训练好的卷积神经网络模型；云服务器将训练好的卷积神经网络模型的种子卷积核和随机数种子发送至终端设备，终端设备根据种子卷积核和随机数种子利用卷积核生成函数生成新的卷积核，并组合成卷积神经网络模型。本发明方法通过设计包含少量可学习参数的神经网络模型，减少云服务器需要发送至终端设备的模型参数量，来减轻网络带宽压力。
-
公开(公告)号：CN114564742A
公开(公告)日：2022-05-31
申请号：CN202210150584.5
申请日：2022-02-18
Applicant: 北京交通大学
IPC: G06F21/62 , G06N20/00 , G06F16/901 , G06F16/9536
Abstract: 本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括：初始化服务端全局模型并下发参数；初始化客户端本地模型并下载全局参数；设计联邦推荐场景下基于哈希学习的目标函数，根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵；根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略，可以在本地客户端得到紧致的二值用户与物品离散特征，较之于连续实值的特征表示，该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。
-
公开(公告)号：CN114565752A
公开(公告)日：2022-05-31
申请号：CN202210133345.9
申请日：2022-02-10
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于类不可知前景挖掘的图像弱监督目标检测方法。该方法包括：基于待进行目标检测的图像通过CNN生成前景注意力图；基于前景注意力图计算每个候选框的前景相对置信度FRC，根据各个候选框的FRC筛选出前景候选框；基于前景候选框构建实例空间图，基于数据集的标签构建标签语义图，对实例空间图和标签语义图进行图匹配，根据图匹配结果为每个前景候选框进行分类；根据各个前景候选框的分类结果生成伪监督框，将伪监督框与伪监督框的空间近邻框进行合并得到伪实例标签，将该伪实例标签作为待进行目标检测的图像的目标检测结果。本发明把定位和分类任务分离，从而实现的定位与分类性能的双向提升，有效地提升图像的弱监督目标检测性能。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
