“贡晓朋”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]推荐模型的训练方法、资源对象的推送方法、装置和设备-CN202310899436.8在审
发明人： 贡晓朋;谢淼;应元翔 -专利权人：北京达佳互联信息技术有限公司
申请日： 2023-07-20 - 公布日： 2023-10-27 - 主分类号： G06F16/9535 文献下载
摘要：本公开关于一种推荐模型的训练方法、资源对象的推送方法、装置和电子设备，包括：获取待训练的第一资源推荐模型，并将第一资源推荐模型作为待训练的学生网络；然后再获取经过预训练的第二资源推荐模型，并将第二资源推荐模型作为教师网络；然后再基于教师网络训练待训练的学生网络，以在训练过程中将教师网络的至少部分暗知识迁移至学生网络，并在学生网络训练完成后，将对应于学生网络的第一资源推荐模型确定为资源推荐平台的粗排模型，以及将对应于教师网络的第二资源推荐模型确定为资源推荐平台的精排模型。上述方案，能够保证粗排模型和精排模型输出的预估反馈数据之间的一致性，进而提高推送给用户账户的目标资源对象的精准度。
推荐模型训练方法资源对象推送装置设备

[发明专利]数据处理方法、装置、电子设备及存储介质-CN202310898291.X在审
发明人：谢淼;应元翔;贡晓朋 -专利权人：北京达佳互联信息技术有限公司
申请日： 2023-07-20 - 公布日： 2023-10-20 - 主分类号： H04N21/442 文献下载
摘要：本公开关于一种数据处理方法、装置、电子设备及存储介质，所述方法包括：获取候选视频；将候选视频输入第一视频推荐模型，得到候选视频的第一推荐分向量；将候选视频输入第二视频推荐模型，得到候选视频的第二推荐分向量；将第一推荐分向量和第二推荐分向量输入融合函数优选器，得到融合函数优选器从多个融合函数中选择的目标融合函数；将目标融合函数输入超参数优化器，得到目标超参数；根据目标融合函数和目标超参数，对第一推荐分向量和第二推荐分向量进行融合，得到候选视频的推荐向量；根据推荐向量，对候选视频进行推荐。本公开实现了第一推荐分向量和第二推荐分向量的自动融合，平衡了利用能力和探索能力，使推荐的视频更加准确。
数据处理方法装置电子设备存储介质

[发明专利]一种对象推送方法、装置、电子设备及存储介质-CN202310558319.5在审
发明人： 贡晓朋;谢淼;应元翔 -专利权人：北京达佳互联信息技术有限公司
申请日： 2023-05-17 - 公布日： 2023-09-12 - 主分类号： G06F16/9535 文献下载
摘要：本公开涉及一种对象推送方法、装置、电子设备及存储介质，该方法包括：确定候选对象的预估反馈数据；若预估反馈数据小于候选对象对应的分享端的后验反馈数据，确定候选对象的反馈潜力值；反馈潜力值指示候选对象未来被实施预设反馈行为的可能性；根据反馈潜力值对候选对象对应的分享数据进行调大处理，得到调大后的分享数据；基于调大后的分享数据，向待推送账户进行对象推送。从而，本公开针对预估反馈数据偏低的候选对象，在分享数据的基础上叠加反馈潜力值，可以提高具有潜在反馈可能性的候选对象的曝光率，帮助低曝光率或者冷启阶段的候选对象快速破圈，可以提升对候选对象的预估能力，可以提高对象推送的效率。
一种对象推送方法装置电子设备存储介质

[发明专利]一种基于协同视觉注意力神经网络的学习方法-CN201911099526.9有效
发明人：刘峡壁;贡晓朋 -专利权人：北京深境智能科技有限公司;广东申义实业投资有限公司
申请日： 2019-11-12 - 公布日： 2023-04-28 - 主分类号： G06T7/187 文献下载
摘要：本发明涉及一种基于协同视觉注意力神经网络的学习方法，属于图像相关性提取技术领域。采用多幅图像输入，提取其中相关性，并根据相关性引导对图像中需要关注的视觉信息进行加强，以提高后续处理效果，针对一组具有相关性的视觉数据进行视觉注意力提取，可应用于图像协同分割、图像匹配等各种需要同时输入多幅相关图像的视觉信息加强问题。所述方法充分利用不同角度上所获得的物体与背景图像之间的相关性以及同一图像上物体与背景之间所应具有的差异性等有效的先验信息，实现了完全自动且高效、高可靠的物体抠取实现了准确、快速、高精度分割。
一种基于协同视觉注意力神经网络学习方法

[发明专利]一种基于超分辨率重建的图像协同分割方法-CN201911100065.2有效
发明人：刘峡壁;贡晓朋;刘曦 -专利权人：北京深境智能科技有限公司;广东申义实业投资有限公司
申请日： 2019-11-12 - 公布日： 2023-04-28 - 主分类号： G06T7/10 文献下载
摘要：本发明涉及一种基于超分辨重建的图像协同分割方法，属于图像协同分割技术领域。包括：步骤1输入N张图像，每张图像缩小至原来四分之一；步骤2对每张图像进行超分辨率重建，恢复部分图像细节，得到恢复图像；步骤3将N张恢复图像两两组合得到图像组合，取每组恢复图像，通过卷积神经网络编码得到每组对应的相关性特征图；步骤4对相关性特征图进行解码，得到双通道特征图；步骤5将双通道特征图通过卷积神经网络解码，解码得到的小图输入SRCNN网络并经Sub‑pixel操作获得放大的特征图；步骤6对放大的特征图中每个像素点进行分类，得到分割掩码图。所述协同分割方法基于超分辨率重建能够用更小的图像获得在清晰大图上的分割效果。
一种基于分辨率重建图像协同分割方法

[发明专利]一种基于边缘和Fisher准则的学习方法-CN201911240022.4有效
发明人：刘峡壁;贡晓朋;段鑫 -专利权人：北京深境智能科技有限公司;广东申义实业投资有限公司
申请日： 2019-12-06 - 公布日： 2023-04-28 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种基于边缘和Fisher准则的学习方法，属于神经网络学习技术领域。本方法对同一物体的不同角度拍摄，采集N张图片；对得到的N张图片通过深度网络进行编码，获取N张图片的特征图；再对特征图进行解码，得到双通道掩码图；两个通道上的每个点分别代表采集的N张图片对应位置上前景和背景的概率；再用真实前景平均概率与真实背景平均概率的距离作为类间距离；用方差作为度量真实前景区域和真实背景区域的类内距离。对前景边缘邻近区域和背景边缘邻近区域加入不同的权重，达到理想的分割边缘效果。所述学习方法使得图像理想分割边缘及学习模型更加稳定，实现了完全自动且高效、高可靠的物体抠取及准确、快速而高精度的分割。
一种基于边缘 fisher 准则学习方法