专利交易市场

本发明公开了一种基于自监督学习显著性估计像素嵌入的道路检测方法，该方法首先构建道路检测模型，道路检测模型由用于生成目标初始掩码的显著性估计模块、进一步改善道路分割掩码的像素嵌入学习模块复合而成；本发明方法基于图像级损失、应用全连接的条件随机场的空域一致性更新掩码预测图，利用时域融合结果更新监督信息用于迭代训练全卷积网络，使用结构感知的四元损失函数，使得属于同一类别像素间的嵌入空间距离小于属于不同类别像素间的嵌入空间距离。本发明方法能够灵活扩展自监督方法到复杂的交通场景中，并能够有效提高无像素级标注情况下的道路检测的准确率。

本发明公开了一种基于扩散模型的自监督学习多模态推荐方法及系统，本发明包括为多模态推荐模型在训练时采用的损失函数包括将用户物品的归一化交互矩阵采用扩散模型生成用户物品协作图、进行ID引导和提取模态语义共性以获得ID引导的协作图和各个模态引导的协作图，并分别计算ID引导模态表示的损失和增强语义一致性的损失并求和得到的自监督损失。本发明旨在使用扩散模型生成交互数据以注入模态信息以及ID信息，将注入后的数据进行对比来满足模态对齐、ID引导的特征表示并在自监督学习中注入模态感知的协作信号，从而获得有效的自监督损失来提升多模态推荐系统的推荐准确性。

本发明涉及降噪模型建立方法技术领域，具体为：一种基于自监督学习的LIBS降噪模型的建立方法，具体包括以下步骤：步骤一，确定模型架构：基于盲点网络架构，采用盲点网络架构，盲点网络架构基于自监督学习，在原始光谱数据中随机遮挡某些数据点，利用盲点卷积模块根据其余未遮挡部分数据推断缺失部分的真实值，以此在无不含噪声的目标数据情况下实现降噪；步骤二，构建降噪模型：且降噪模型包括掩膜模块以及降噪编码模块。本发明中的降噪模型无论是在高强度波段还是低强度波段，都能在有效降噪的同时很好地保留光谱细节特征，精准还原原始光谱信号，确保检测结果的准确性，避免因失真而导致的元素误判或漏判。

本发明公开了一种基于自监督学习的全景图像显著性预测方法，包括以下步骤：S1、利用无标签ERP图像集训练编码器，包括以下子步骤：S11、将ERP图像投影到球面，得到图像组Ci和标签Pi；S12、对Ci进行随机打乱；S13、进行编码器训练，构建全局特征提取网络与局部特征提取网络，并通过特征融合学习这两者的特征，对全局特征提取网络的模型参数进行更新；S2、进行解码器训练；S3、将待识别的全景图像输入训练好的编码器中进行特征提取，然后将提取的特征输入解码器中，得到最终的显著性预测。本发明利用大量未标签的全景图像，对显著性模型中的编码器进行针对性训练，缓解显著性标签缺少所带来模型表现不佳的现象。