“损失数据”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果2694761个，建议您升级VIP下载更多相关专利

[发明专利]一种人脸识别方法、装置及电子设备-CN202010996916.2在审
发明人：申啸尘;周有喜;乔国坤 -专利权人：深圳市爱深盈通信息技术有限公司
申请日： 2020-09-21 - 公布日： 2021-01-29 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及人脸识别技术领域，公开了一种人脸识别方法、装置及电子设备，该人脸识别方法，应用于电子设备，所述方法包括：获取包含至少两个人种的图像的训练集，根据人种将训练集划分为至少两个数据集；确定每一数据集的损失函数及其对应的损失权重；根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；根据最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于人脸识别模型，进行人脸识别。通过根据人种训练对应的损失函数，结合损失函数对应的损失权重组合得到最终的损失函数，以训练人脸识别模型，本发明能够解决人种分布不均匀导致的对某一类人种识别性能下降的技术问题，提高人脸识别模型的综合识别性能
一种识别方法装置电子设备

[发明专利]一种智能设备及意图识别的模型训练方法-CN202210474599.7在审
发明人：朱飞;曹晚霞 -专利权人：海信电子科技(武汉)有限公司
申请日： 2022-04-29 - 公布日： 2022-08-19 - 主分类号： G06F16/33 文献下载
摘要：本申请提供一种智能设备及意图识别的模型训练方法，所述方法包括接收检测器采集到的语音指令；响应于语音指令，将语音指令转化为文本信息，基于该文本信息调用意图分类模型，以及获取领域内的多条训练样本数据；为意图分类模型新增领域分类器；生成融合损失函数，基于融合损失函数训练意图分类模型。本申请通过优化意图分类模型的损失函数，将单一的分类交叉熵损失函数优化为分类交叉熵损失函数、领域正则化损失函数、对比学习损失函数三个损失函数的融合，得到融合损失函数，再基于融合损失函数训练意图分类模型。无需收集领域外意图数据，完全基于领域内意图数据即可通过意图分类模型识别用户的文本信息，从而达到识别领域外意图的目的。
一种智能设备意图识别模型训练方法

[发明专利]一种基于样本级对比学习的人脸识别方法-CN202211509375.1在审
发明人：王峰;宋有哲;孙仕亮 -专利权人：华东师范大学
申请日： 2022-11-29 - 公布日： 2023-04-04 - 主分类号： G06V40/16 文献下载
摘要：本发明公开了一种基于样本级对比学习的人脸识别方法，其特点是该方法具体包括：获取公开人脸数据集；对数据集进行处理，将人脸部分进行裁剪；设计一种联合样本级对比损失和分类损失的训练框架；设计一种针对性样本级对比损失函数；组合框架中的特征提取网络，分类损失和对比损失，并训练至收敛等步骤。本发明与现有技术相比具有在需要高质量数据集的人脸识别任务上联合了样本级对比损失和分类损失，通过对比损失增大了不同图像特征之间的距离，这种在高维空间中的区分度提升有助于模型在识别任务中获得更好的表现。设计的损失增强了对比监督的效果，又避免了对比和分类损失之间的监督信号干扰，最终实现了准确的人脸识别效果。
一种基于样本对比学习识别方法

[发明专利]一种基于小样本图像分类的元泛化网络系统-CN202011084052.3有效
发明人：庞善民;吴伟 -专利权人：西安交通大学
申请日： 2020-10-12 - 公布日： 2022-03-15 - 主分类号： G06K9/62 文献下载
摘要：本发明公开一种基于小样本图像分类的元泛化网络系统，包括：内部循环系统，包括，特征提取器单元，通过原始图像数据得到原始图像数据的特征向量，并根据特征向量生成特征图；余弦分类器单元，用于将特征图进行分类，得到分类结果；损失值计算单元，根据分类结果计算损失值，并将损失值反向传播到特征提取器单元和余弦分类器单元；外部循环系统，包括，特征提取器单元；分类器权重初始化单元，用于为余弦分类器单元提供分类权重；余弦分类器单元；损失值计算单元，还用于将损失值传输至平均损失值计算单元；平均损失值计算单元，用于根据损失值计算平均损失值，并将平均损失值反向传播到权重分类器单元，本发明提升了小样本数据处理精度。
一种基于样本图像分类泛化网络系统

[发明专利]基于LSTM自编码网络的URL参数异常值检测方法-CN201811384973.4有效
发明人：刘录 -专利权人：四川长虹电器股份有限公司
申请日： 2018-11-20 - 公布日： 2020-03-17 - 主分类号： H04L29/06 文献下载
摘要：本发明公开了一种基于LSTM自编码网络的URL参数异常值检测方法，本发明将URL参数序列化，利用LSTM在时序序列表达方面的优势，建立LSTM自编码模型，对输入数据编码后再进行解码输出，设定输入与输出损失最小为优化目标，通过优化算法不断更新网络权重，最终得到网络模型和损失范围，根据损失范围设定损失阈值T，将损失大于阈值T的数据识别为攻击数据，本方法对数据分析时会考虑数据的上下文关系，有较强的模型表达能力，对恶意URL
基于 lstm 编码网络 url 参数异常检测方法

[发明专利]数据处理方法、装置、存储介质和电子设备-CN202111459411.3在审
发明人：赵元;侯峦轩;沈海峰;赫然 -专利权人：北京嘀嘀无限科技发展有限公司
申请日： 2021-12-01 - 公布日： 2022-12-27 - 主分类号： G06V10/764 文献下载
摘要：公开了一种数据处理方法、装置、存储介质和电子设备。通过获取原始样本集合和验证样本集合，通过初始数据增广模型根据原始样本集合获取增广样本集合，通过初始业务处理模型根据原始样本集合和增广样本集合获取训练损失，并根据验证样本集合获取验证损失，根据训练损失和验证损失对初始数据增广模型进行调整以获取数据增广模型由此，通过将数据增广与实际业务进行结合，可以降低增广样本的对模型训练带来的噪声数据，提升特定业务下业务处理模型的性能。
数据处理方法装置存储介质电子设备

[发明专利]对抗性半监督一次学习-CN202180080920.7在审
发明人：胜木孝行;恐神贵行 -专利权人：国际商业机器公司
申请日： 2021-11-24 - 公布日： 2023-08-22 - 主分类号： G06N3/094 文献下载
摘要：一种使用数据流的对抗性半监督一次训练的方法、计算机程序产品和系统。该方法包括接收基于观察的数据流，其中该数据流包括未标记数据和标记数据。该方法还包括使用基于分类损失和对抗性项的随机梯度下降来利用标记数据训练预测模型，以及基于重建损失和对抗性项利用标记数据和未标记数据训练表示模型。对抗性项是来自模型的中间层输出数据之间的交叉熵。分类损失是标记数据和预测模型的输出之间的交叉熵。所述方法进一步包含用来自所述预测模型及所述表示模型的中间层输出数据且基于鉴别损失来更新鉴别器，及丢弃所述数据流。
对抗性监督一次学习

[发明专利]断写缓解-CN201410383548.9在审
发明人： M·A·盖尔特纳;J·珊萨姆;V·克里希纳穆尔蒂;S·法伍尔赫伯;Y·杨 -专利权人：希捷科技有限公司
申请日： 2014-08-06 - 公布日： 2015-02-11 - 主分类号： G06F11/20 文献下载
摘要：断写减缓电路决定存储器的写入操作在确定存储器的写入操作是否在功率损失时正在进行。响应于所述写入操作在或大约功率损失时正在进行，断写减缓电路使得断写数据和元数据被存储到非易失性高速缓存。所述断写数据包含由于功率损失导致的留在退化或不可校正的状态的数据。所述元数据描述断写数据。
缓解

[发明专利]基于多时间节点步态损失的认知功能评估模型、方法及装置-CN202211014340.0在审
发明人：张雪飞;吴永秋;马重 -专利权人：大连乾函科技有限公司
申请日： 2022-08-23 - 公布日： 2022-12-20 - 主分类号： G16H50/30 文献下载
摘要：本发明提供一种基于多时间节点步态损失的认知功能评估模型、方法及装置，包括：获取训练用步态数据，包括单任务步态训练数据和双任务步态训练数据；对每个时间节点采集的多维步态数据进行预处理，求取时间维度的双任务步态损失训练数据；将所述时间维度的训练双任务步态损失作为输入数据训练认知功能评估模型；将获取的时间维度的双任务步态损失测试数据输入认知功能评估模型得到评估结果。
基于多时节点步态损失认知功能评估模型方法装置

[发明专利]关键点检测模型训练方法和装置、关键点检测方法和装置-CN202010468493.7在审
发明人：陈建业 -专利权人：北京沃东天骏信息技术有限公司;北京京东世纪贸易有限公司
申请日： 2020-05-28 - 公布日： 2021-12-03 - 主分类号： G06K9/00 文献下载
摘要：在本公开中，将第一关键点数据集合中的每条关键点数据输入到深度学习模型；确定每条关键点数据的权重；根据每条关键点数据的输出结果确定相应的损失函数，利用每条关键点数据的权重对相应的损失函数进行修正；根据所有关键点数据对应的损失函数值之和，确定总损失；根据总损失对深度学习模型的参数进行训练，直到满足预设的终止条件，得到关键点检测模型。该方法无需额外收集和标注其他关键点数据，避免浪费额外较大的人工成本。使得在训练关键点检测模型时，通过为每条关键点数据设置权重，提高模型的稳定性和泛化性。
关键检测模型训练方法装置

[发明专利]文本匹配方法、装置、设备、介质及计算机程序产品-CN202111057181.8在审
发明人：张子恒 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-09-09 - 公布日： 2022-04-05 - 主分类号： G06F16/33 文献下载
摘要：该方法包括：获取训练样本数据，训练样本数据标注有样本标签，其中，训练样本数据包括第一样本数据和第二样本数据；通过文本匹配模型对所述训练样本数据进行文本匹配，得到预测匹配结果；基于第一样本数据与第二样本数据之间的差异确定距离损失值；基于样本标签与预测匹配结果之间的差异确定匹配损失值；基于匹配损失值和距离损失值对文本匹配模型进行训练，得到目标匹配模型，目标匹配模型用于对目标文本内容进行匹配，得到匹配结果。通过在模型的训练过程中引入距离损失值，以提升训练得到的模型的精准度。
文本匹配方法装置设备介质计算机程序产品

[发明专利]模型的训练方法和装置、计算机设备、存储介质-CN202210057007.1在审
发明人：赵越;徐卓扬 -专利权人：平安科技（深圳）有限公司
申请日： 2022-01-18 - 公布日： 2022-04-22 - 主分类号： G06K9/62 文献下载
摘要：包括：获取多个问诊样本数据，以及对应的处方样本数据；通过预训练模型对患者样本数据和对话样本数据进行预测处理，得到处方预测数据；根据多个药物预测数据计算第一损失值；根据多个药物样本数据构建药物共现矩阵，并计算第二损失值；根据第一损失值和第二损失值对预训练模型进行训练，得到处方推荐模型。本实施例通过处方样本数据构建药物共现矩阵，并根据药物共现矩阵添加药物共现损失的方式，不仅考虑到多个药物之间的相关性，还避免了处方推荐模型中，随着药物数量增加而导致分类器随之增加的问题，从而提高模型的训练效率
模型训练方法装置计算机设备存储介质

[发明专利]基于对比学习的小样本学习鲁棒性提升方法-CN202210565539.6在审
发明人：郑海涛;阳佳城;王晖;江勇;夏树涛;肖喜;蒋芳清 -专利权人：清华大学深圳国际研究生院;鹏城实验室
申请日： 2022-05-23 - 公布日： 2022-07-22 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种基于对比学习的小样本学习鲁棒性提升方法，包括以下步骤：S1、对原始数据集进行预处理，构造对抗数据集和对比数据集；S2、将原始数据集、对抗数据集和对比数据集分别输入预训练语言模型中，得到相应的嵌入表示，并使用对比学习损失函数计算三种嵌入表示之间的距离；S3、根据对比学习损失函数与原模型的损失函数计算模型更新的梯度，以总体损失更小为目标来训练模型。本发明通过构造对抗和对比数据集为模型鲁棒性学习提供数据支持，使用对比学习目标函数计算损失能够更好地获取原始样本与对抗样本的相似性，也能更好地区分原始样本与对比样本的差异，从而提升模型受到对抗或者对比扰动时的鲁棒性
基于对比学习样本鲁棒性提升方法

[发明专利]一种深度域地震波阻抗预测方法、系统和可读介质-CN202310515727.2在审
发明人：王建花;叶云飞;凌云;牛聪;肖曦;黄饶;刘志鹏;王迪;李超;焦振华;王兴芝 -专利权人：中海石油（中国）有限公司;中海石油（中国）有限公司北京研究中心
申请日： 2023-05-09 - 公布日： 2023-08-11 - 主分类号： G01V1/30 文献下载
摘要：本发明属于石油地震勘技术领域，涉及一种深度域地震波阻抗预测方法、系统和可读介质，包括：将波阻抗已知的地震信号作为训练数据，根据已知的波阻抗对应的低波数波阻抗初始模型；通过训练数据对深度域反演模型进行训练，得到训练数据的特征数据集；根据低波数波阻抗初始模型、深度域地震波阻抗数据、深度域合成地震数据和训练数据生成第一损失函数；生成初步深度域反演模型；将实际深度域地震数据集输入初步深度域反演模型，生成第二损失函数；生成总损失函数；若总损失函数大于或等于阈值，对深度域反演模型进行更新，直至第一损失函数小于阈值，生成输出深度域地震波阻抗预测结果。
一种深度地震波阻抗预测方法系统可读介质

[发明专利]深度学习模型的训练方法、装置、可读介质和电子设备-CN202210110363.5在审
发明人：楼燚航;白涛;许俊峰;方光祥 -专利权人：华为技术有限公司
申请日： 2022-01-29 - 公布日： 2023-08-11 - 主分类号： G06V10/774 文献下载
摘要：该方法通过具有标签的第一数据集和不具有标签的第二数据集，对第一模型进行训练，训练过程中，通过调整第一模型参数，得到损失函数满足预设条件的第二模型；该损失函数包括用于指示利用第一模型确定第一数据集中的样本数据的标签的不确定度的第一子损失函数、用于指示利用第一模型确定各样本数据的标签的不确定度的修正参数的第二子损失函数、用于指示属于同一标签的样本数据的数据特征的离散程度之和的第三子损失函数。如此，可以提高第二模型确定输入数据的推理结果的精度。
深度学习模型训练方法装置可读介质电子设备