本发明涉及数据分析领域,尤其是指一种多源域人体姿态识别迁移模型构建方法及装置;利用储备池变换公式生成人体姿态的多个源域数据和目标域数据的储备池表示;计算各源域、目标域的储备池表示间的RSD距离,根据RSD距离选择第一相似源域的储备池表示并使用mix‑up公式增强;在除第一相似源域外的其他源域的储备池表示中选择第二相似源域并增强;合并增强后的第一、第二相似源域的储备池表示作为最相似源域的储备池表示输入TSK模糊系统,得到初始人体姿态识别模型;根据目标域的储备池表示调整模型初始模糊规则的后件参数,得到优化后的人体姿态识别模型。实现了基于多个不充分源域快速且精准的人体姿态识别。
📄 2024114766518
📂 G06N3_096
👤 江南大学
📅 2024-10-22
本发明公开了一种面向卷积神经网络的通用性能增强蒸馏方法,涉及人工智能技术领域。该方法先获取师生模型输出的特征图,经通道投影与激活生成重要性图,计算一致性与覆盖率两类互补空间增益;通过可学习像素级门控共识模块建模师生特征关联,自适应输出混合系数;经凸组合生成动态空间共识权重掩码,结合该掩码构建特征蒸馏损失项,并引入门控正则化项构建总损失函数,迭代优化学生模型。本发明解决了现有方法加权规则僵化、训练阶段适配不足及梯度分配不精准的问题,实现蒸馏策略与训练阶段自适应匹配,在不增加推理开销的前提下,显著提升轻量级学生模型在密集目标检测任务中的精度与泛化能力,适用于边缘设备等资源受限平台。
📄 2025120039680
📂 G06N3_096
👤 江南大学, 江苏磐智数云科技有限公司
📅 2025-12-29
本发明公开了一种利用静息态对齐的运动想象迁移学习的方法,包括以下步骤:S1、获取运动想象数据和静息态数据;S2、选择一名受试者的数据作为测试集,除该受试者以外的其他受试者的数据作为训练集;S3、使用EAR对齐方法对脑电信号进行对齐;S4、采用切空间投影的方法进行降维,将黎曼空间的协方差矩阵投影至欧式空间;S5、利用RATL对测试集数据进行分类。本发明设计了EAR对齐方法,并将结构风险、W‑BDA、拉普拉斯正则化结合在一起,组成了一个基于运动想象的二分类无监督分类器,相比于传统的算法速度更快,也更具有普适性。
📄 202011459642X
📂 G06N3_096
👤 杭州电子科技大学
📅 2020-12-11
本发明涉及模型训练技术领域,具体涉及一种神经元分配策略实现大模型持续学习方法及系统,其中,一种神经元分配策略实现大模型持续学习方法包括以下步骤:大模型采用多层次的知识存储结构,更新知识时,通过基于重要度的选择性保护机制保护知识单元;大模型持续学习时,对大模型性能和计算资源进行实时监控,根据实时的性能监测信息和资源状态信息,动态优化任务资源分配方案并执行;通过神经元重要度评估,并引入神经元对当前任务的性能贡献程度,根据每个神经元的重要度动态分层分配每个神经元的计算资源和更新频率。本发明通过动态资源管理机制和基于重要度的资源分配策略,能够显著提升系统资源利用效率,从而实现整体效率的最优调整。
📄 2025107721080
📂 G06N3_096
👤 杭州斗兽场数字智能技术有限公司
📅 2025-06-11
本发明公开了基于低秩自适应技术的大语言模型优化系统及方法,涉及大语言模型技术领域,该优化系统包括低秩调整模块、指令初步分析模块、数据比对模块、指令优化模块以及模型评估模块;其技术要点为:利用低秩自适应技术优化后的大语言模型作为数据处理的基础,方便后续继续优化的同时还能从而有效地降低所需处理的数据量基数;再根据优选数据集在所有初步检索数据集中的占比情况,向“输入端”发出“提问”,从而对操作指令进行优化,避免系统的“内耗”,而且通过这种“提问”方式,可以更加精准地确定操作指令的目的,以便于给出准确的反馈,更大限度地降低所需处理数据的总量,以达到从根本上出发解决所需处理的数据过多的问题。
📄 2025103371711
📂 G06N3_096
👤 杭州点存科技有限公司
📅 2025-03-21
基于对比学习的深度学习模型蒸馏中毒防御方法,包括以下步骤:数据集准备;中毒模型准备;使用干净样本生成正例;构建学生模型蒸馏损失函数和学习样本的损失函数;模型蒸馏。本发明具有良好的适用性,能够有效的防御中毒攻击,并且不影响模型蒸馏后正常样本的正确率。
📄 2022113580283
📂 G06N3_096
👤 浙江工业大学
📅 2022-11-01
一种基于动态修正向量的图像增量学习方法,包括以下步骤:S1构造以ResNet‑32网络层结构为模型的主干网络,采用Adam训练优化器,同时,基础分类损失函数是Kullback‑Leibler Divergence相对熵损失函数;S2损失函数引入知识蒸馏,结合分类损失函数,帮助新模型学习旧类别中的知识,缓解灾难性遗忘问题;S3训练方式采用代表性记忆方法和动态修正向量方法训练ResNet‑32模型;S4重载上一增量阶段训练的最佳模型,重复步骤S2~S3,评估在所有测试集上的性能,直到训练完所有增量数据。本发明提高了增量学习任务的识别能力,具有较高的实用价值。
📄 2019113086075
📂 G06N3_096
👤 浙江工业大学
📅 2019-12-18
本发明公开了一种面向深度迁移学习的去偏方法及其装置,包括:获取源域数据集和目标域数据集,提取类别标签和敏感属性标签;构建全连接神经网络作为迁移模型的教师模型,采用源域数据集优化教师模型的网络参数;固定参数优化的教师模型的前n层全连接层的网络参数作为特征提取器,并在教师模型的最后一层添加m层全连接层,形成迁移模型的学生模型,采用目标域数据集优化学生模型的网络参数;在参数优化的学生模型的特征提取器的输出添加注意力机制层,用于从特征提取器中的输出特征中提取敏感属性并确定敏感属性的权重;将敏感属性对应的特征向量与其他特征向量进行正交操作,以去除深度迁移学习的敏感属性带来的偏见,以实现预测结果的公平。
📄 2021106498896
📂 G06N3_096
👤 浙江工业大学
📅 2021-06-10
本发明提供一种基于持续学习的小样本事件检测方法和系统,方法包括:获取事件检测初始数据集并进行预处理,根据预处理后的事件检测初始数据集建立包括若干个阶段的小样本事件检测增量任务集合,建立基于持续学习的小样本事件检测框架,在面对相继到来的新任务的持续学习时,首先学习新类型的原型表示并保存为新类型知识,然后通过经验回放机制、知识蒸馏和旧类型与新类型之间的知识转移来获得新类型的事件检测结果,本发明的方法能够解决传统模型的遗忘问题,同时丰富新类型和旧类型之间的联系,提高事件检测的效率和精度。
📄 2023105062906
📂 G06N3_096
👤 广东工业大学
📅 2023-05-06
本发明公开了一种基于D3QN的边缘赋能IIoT在线计算迁移方法,涉及计算机技术领域,包括:将当前工业环境抽象为边缘赋能的IIoT网络模型,同时对IIoT内的任务进行建模获得多约束任务模型;根据本地设备的功率、信道传输带宽和服务器的计算能力建立包括时延和能耗的多约束任务计算卸载问题模型;基于多约束任务模型和多约束任务计算卸载问题模型设计D3QN网络,将IIoT任务在线计算迁移问题处理成马尔可夫决策过程,包括状态State、动作Action和奖励Reward;在D3QN网络中加入噪声,根据模型建立基于深度强化学习的算法Noisy D3QN,求解得到最优的任务卸载决策。本发明考虑工业数据的大规模和高复杂性,采用Noisy D3QN算法获取最佳迁移策略,对系统时延和能耗进行高效优化。
📄 2023111222141
📂 G06N3_096
👤 华侨大学
📅 2023-09-01
本发明实施例提供了一种数据标注方法、装置及电子设备。其中,方法包括:基于新增训练数据和历史训练数据,对预先经过训练的训练网络进行增量式训练;将待标注数据,和经过训练后的所述训练网络的模型参数输入至测试网络,得到所述测试网路的输出结果,作为预测值,所述测试网络的网络结构与所述训练网络的网络结构相同;基于针对所述预测值的调整指令,对所述预测值进行调整,得到调整后的预测值,作为真值;将标注有所述真值的所述待标注数据作为新的新增训练数据,并返回执行所述基于新增训练数据和历史训练数据,对训练网络进行增量式训练,得到经过训练后的所述训练网络的模型参数的步骤。可以降低数据标注的人工成本。
📄 2019102849928
📂 G06N3_096
👤 杭州海康威视数字技术股份有限公司
📅 2019-04-10
本申请公开了一种目标模型的获取方法及装置、电子设备和存储介质,其中,目标模型的获取方法包括:利用第一训练样本预训练原始模型,以调整原始模型的网络参数;其中,原始模型包括用于特征提取的第一子网络;利用第二子网络和经预训练的第一子网络的至少部分结构,得到目标模型;其中,第二子网络用于基于第一子网络提取的特征执行目标任务;利用与目标任务对应的第二训练样本训练目标模型,以调整目标模型的网络参数。上述方案,能够提高目标模型的性能。
📄 2020108521924
📂 G06N3_096
👤 北京市商汤科技开发有限公司
📅 2020-08-21