-
公开(公告)号：CN114998659B
公开(公告)日：2024-05-24
申请号：CN202210694741.9
申请日：2022-06-17
Applicant: 北京大学 , 人工智能与数字经济广东省实验室(广州)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/049 , G06N3/084
Abstract: 本发明公布了一种随时间在线训练脉冲神经网络模型的图像数据分类方法，构建脉冲神经网络模型并设计随时间在线方法训练模型；再利用训练好的模型对图像数据进行分类和识别，有效提升图像数据的分类和识别性能；其中图像数据包括计算机图像数据和神经形态的图像视觉数据。通过本发明提供的方法，可以在训练脉冲神经网络SNN模型时，极大地减小训练内存的开销，将训练得到的模型用于计算机图像数据和神经形态图像视觉数据的分类与识别等视觉任务，能够提高分类与识别性能、降低识别系统的处理延迟，能实现高效节能的图像视觉数据分类与识别系统。
-
公开(公告)号：CN114998659A
公开(公告)日：2022-09-02
申请号：CN202210694741.9
申请日：2022-06-17
Applicant: 北京大学 , 人工智能与数字经济广东省实验室(广州)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公布了一种随时间在线训练脉冲神经网络模型的图像数据分类方法，构建脉冲神经网络模型并设计随时间在线方法训练模型；再利用训练好的模型对图像数据进行分类和识别，有效提升图像数据的分类和识别性能；其中图像数据包括计算机图像数据和神经形态的图像视觉数据。通过本发明提供的方法，可以在训练脉冲神经网络SNN模型时，极大地减小训练内存的开销，将训练得到的模型用于计算机图像数据和神经形态图像视觉数据的分类与识别等视觉任务，能够提高分类与识别性能、降低识别系统的处理延迟，能实现高效节能的图像视觉数据分类与识别系统。
-
公开(公告)号：CN117493955A
公开(公告)日：2024-02-02
申请号：CN202311443623.1
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/241 , A61B5/00 , A61B5/369 , A61B5/372 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种癫痫患者的脑电信号分类模型的训练方法，属于癫痫检测技术领域，解决了现有技术中跨病人脑电信号分类方法效率和准确率低的问题。方法包括：获取癫痫患者的脑电信号片段，根据脑电信号片段构建训练样本集；构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；带反馈连接的脉冲神经网络用于提取脑电信号特征；脑电信号分类器用于根据脑电信号特征进行脑电信号分类；患者身份分类器用于根据脑电信号特征进行患者身份分类；基于训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。实现了快速对癫痫患者脑电信号进行准确分类的模型。
-
公开(公告)号：CN117493955B
公开(公告)日：2024-06-07
申请号：CN202311443623.1
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/241 , A61B5/00 , A61B5/369 , A61B5/372 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种癫痫患者的脑电信号分类模型的训练方法，属于癫痫检测技术领域，解决了现有技术中跨病人脑电信号分类方法效率和准确率低的问题。方法包括：获取癫痫患者的脑电信号片段，根据脑电信号片段构建训练样本集；构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；带反馈连接的脉冲神经网络用于提取脑电信号特征；脑电信号分类器用于根据脑电信号特征进行脑电信号分类；患者身份分类器用于根据脑电信号特征进行患者身份分类；基于训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。实现了快速对癫痫患者脑电信号进行准确分类的模型。
-
公开(公告)号：CN117435993B
公开(公告)日：2025-03-04
申请号：CN202311443629.9
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/2415 , A61B5/369 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明涉及一种基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，属于癫痫检测技术领域，解决了现有技术中癫痫跨病人脑电信号分类方法准确率和效率低的问题。方法包括以下步骤：获取脑电信号片段，对其中的癫痫发作期脑电信号片段进行数据增强，基于数据增强后的脑电信号片段构建训练样本集；构建跨病人癫痫脑电信号分类模型，采用对抗优化策略基于所述训练样本集对所述跨病人癫痫脑电信号分类模型进行训练，得到训练好的跨病人癫痫脑电信号分类模型；将待分类脑电信号输入训练好的跨病人癫痫脑电信号分类模型得到待分类脑电信号的分类结果。实现了快速准确的跨病人癫痫患者脑电信号分类。
-
Patent Agency Ranking
公开(公告)号：CN117435993A
公开(公告)日：2024-01-23
申请号：CN202311443629.9
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/2415 , A61B5/369 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明涉及一种基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，属于癫痫检测技术领域，解决了现有技术中癫痫跨病人脑电信号分类方法准确率和效率低的问题。方法包括以下步骤：获取脑电信号片段，对其中的癫痫发作期脑电信号片段进行数据增强，基于数据增强后的脑电信号片段构建训练样本集；构建跨病人癫痫脑电信号分类模型，采用对抗优化策略基于所述训练样本集对所述跨病人癫痫脑电信号分类模型进行训练，得到训练好的跨病人癫痫脑电信号分类模型；将待分类脑电信号输入训练好的跨病人癫痫脑电信号分类模型得到待分类脑电信号的分类结果。实现了快速准确的跨病人癫痫患者脑电信号分类。
-
公开(公告)号：CN119625407A
公开(公告)日：2025-03-14
申请号：CN202411710062.1
申请日：2024-11-27
Applicant: 北京大学
IPC: G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公布了一种基于自适应控制状态空间模型的图像分类方法，包括：图像分割模块和ViC编码器；设计的ViC编码器包括选择性双向状态模型模块、动态状态缩放模块、双向卷积模块、自适应控制状态空间模型、自适应控制机制模块。通过设计选择性双向状态模型(SBSM)、动态状态缩放(DSS)、双向卷积(Bi‑Conv)和自适应控制机制(ACM)，在处理大规模图像数据集时，更好地捕捉长序列依赖和复杂视觉模式，提高图像分类的准确性、效率和泛化能力。
-
公开(公告)号：CN113449864B
公开(公告)日：2023-08-25
申请号：CN202110827709.9
申请日：2021-07-21
Applicant: 北京大学
IPC: G06N3/084 , G06N3/049 , G06N3/0464 , G06N3/048 , G06V10/82 , G06V10/764
Abstract: 本发明公布了一种用于图像数据分类的反馈型脉冲神经网络模型训练方法，构建反馈型脉冲神经网络模型并通过均衡态的隐式微分对模型进行训练，包括基于整合激活模型IF和泄漏整合激活模型LIF两种脉冲神经元模型、以及单隐层和多隐层两种神经网络结构的反馈型脉冲神经网络模型，采用重参数化方法对反馈连接权重的谱范数进行约束，采用改进方法进行批归一化；本发明能够避免脉冲神经网络模型常见的训练困难问题，用于高性能且高效节能地进行计算机图像数据与神经形态图像视觉数据的分类处理，能够以更少的神经元数量、更小的参数量、和更少的时间步长取得更高的分类正确率。
-
公开(公告)号：CN113449817A
公开(公告)日：2021-09-28
申请号：CN202110841105.X
申请日：2021-07-23
Applicant: 北京大学
Abstract: 本发明公布了一种基于幻影梯度的图像分类隐式模型加速训练方法，通过定义用于图像分类和特征提取的隐式模型，定义图像分类隐式模型参数的幻影梯度，基于损失函数计算幻影梯度，并基于幻影梯度对图像分类隐式模型进行加速训练，得到训练好的图像分类隐式模型；基于图像分类隐式模型的输出，模型的分类器即可输出预测的图像标签。本发明方法可用于高效训练图像分类与特征提取的深度平衡模型等隐式模型，能够提高模型参数利用率，降低训练图像分类模型的内存开销，可实现训练更大规模的图像分类模型。
-
公开(公告)号：CN111401155A
公开(公告)日：2020-07-10
申请号：CN202010133492.7
申请日：2020-02-28
Applicant: 北京大学
Abstract: 本发明公布了一种基于隐式欧拉跳跃连接的残差神经网络的图像识别方法，将隐式欧拉数值方法与残差网络模型中的跳跃连接相结合，建立具有更强鲁棒性的改进模型：含有隐式欧拉跳跃连接的残差神经网络，该改进模型的输入为图像数据及所对应的标签，输出为图像的预测分类，由此实现更加稳定的图像识别。本发明提出的基于含有隐式欧拉跳跃连接的残差神经网络的图像识别方法，具有更强的鲁棒性和可信性，可提高图像识别的准确性和有效性，可应用在如人脸识别、文字识别等多种图像识别场景。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.042 seconds)
