-
公开(公告)号:CN119917857A
公开(公告)日:2025-05-02
申请号:CN202411981644.3
申请日:2024-12-31
Applicant: 西南交通大学
IPC: G06F18/214 , G06F18/213 , G06F18/22 , G06F18/241 , G06F18/25 , G06N3/084 , G06N5/04
Abstract: 本发明公开了一种噪声驱动的小样本分布外检测方法及系统,包括以下步骤:步骤1:获取数据集,包括小样本训练集、测试集;步骤2:构建检测模型,检测模型包括数据编码模块、噪声提取模块、融合检测模块;步骤3:对噪声区域集进行噪声增强,结合干净区域集构建损失函数,根据损失函数采用梯度反向传播算法对检测模型进行训练,采用测试集对检测模型进行测试;步骤4:根据测试后的检测模型进行小样本分布外检测;本发明解决了当前小样本分布外检测方法噪声鲁棒性差的问题,提升了小样本学习模型的ID分类和OOD检测性能。
-
公开(公告)号:CN119250138A
公开(公告)日:2025-01-03
申请号:CN202411257061.6
申请日:2024-09-09
Applicant: 西南交通大学
IPC: G06N3/0499 , G06N3/08 , G06F40/284 , G06F16/35 , G06V10/764
Abstract: 本发明公开了一种基于类知识增强的多模态大模型提示学习方法,属于提示学习技术领域,包括以下步骤:为目标任务初始化一组提示词;获取目标任务各个类别的词向量,并将词向量拼接之至提示词后,得到类别特定提示词;设计间隔自调节图片‑文本匹配损失函数;将类别特定提示词和图片依次输入至预训练的多模态大模型CLIP中,得到文本特征和图片特征;将文本特征和图片特征输入至间隔自调节图片‑文本匹配损失函数中计算分类损失,并将分类损失进行反向传播,更新提示词;通过更新后的提示词进行图片分类。本发明解决了现有提示学习方法存在模型在目标任务上性能越好,在未知新任务上性能越差的问题。
-