“李崇轩”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]以基于能量的潜变量模型为基础的神经网络的方法和设备-CN202080106197.0在审
发明人：朱军;鲍凡;李崇轩;许堃;苏航;卢思亮 -专利权人：罗伯特·博世有限公司;清华大学
申请日： 2020-10-15 - 公布日： 2023-07-04 - 主分类号： G06N3/096 文献下载
摘要：本发明提供了用于以基于能量的潜变量模型(EBLVM)为基础来训练神经网络的方法和设备。该方法包括基于得分匹配目标的双水平优化。较低水平优化潜变量的变分后验分布以近似EBLVM的真实后验分布，并且较高水平基于作为变分后验分布的函数的修改的SM目标来优化神经网络参数。该方法可以应用于基于具有非结构假设的EBLVM来训练神经网络。
基于能量变量模型基础神经网络方法设备

[发明专利]基于自监督对比学习的图像深度聚类方法及系统-CN202010996960.3有效
发明人：朱军;蔡淙崴;李崇轩 -专利权人：清华大学
申请日： 2020-09-21 - 公布日： 2022-12-09 - 主分类号： G06V10/762 文献下载
摘要：基于自监督对比学习的图像深度聚类方法及系统，利用对比学习来提升嵌入的判别性，在不给定人类标注下，对比学习通过判别样本，能为语义相似的样本学到余弦相似度高、且判别性强的嵌入。在此基础上，本技术方案挖掘能简化学习过程的子任务，而由于同样类别样本的类内差异小于不同类样本，根据样本的类别来决定子任务是其中一种最自然的划分方式。因此，对比混合专家系统鼓励高度专业化专家，每个专家善于处理特定类别的样本，自然地得到好的聚类结果。同时，对比混合专家系统优化单一项目标函数，不需要预训练或正则项等处理便可防止聚类退化，可以应用于更加复杂图像的无监督聚类任务。
基于监督对比学习图像深度方法系统

[发明专利]一种数据的去噪方法以及相关设备-CN202210623507.7在审
发明人：朱军;鲍凡;李崇轩;孙嘉城 -专利权人：华为技术有限公司;清华大学
申请日： 2022-06-02 - 公布日： 2022-09-20 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开一种数据的去噪方法以及相关设备，该方法可将人工智能技术用于对数据进行去噪，对带噪数据执行的至少一次去噪操作中任意一次目标去噪操作包括：根据第一预测信息和第二预测信息，生成与目标去噪操作对应的分布信息，第一预测信息指示第二带噪数据与干净数据之间的预测噪声，第二预测信息指示第二带噪数据和干净数据之间的预测噪声的平方，或者，指示第一预测信息和实际噪声之间的预测距离的平方，实际噪声包括第二带噪数据和干净数据之间的实际噪声；从分布信息指向的分布空间中采样去噪后数据。由于不是直接学习与去噪操作对应的分布信息，因此对带噪数据执行去噪操作的次数不受训练阶段的约束，提高了推理阶段的灵活性。
一种数据方法以及相关设备

[发明专利]一种模型训练的方法、数据生成的方法以及装置-CN202011567739.2在审
发明人：刘智立;罗琪竣;洪蓝青;李崇轩;朱军;李震国 -专利权人：华为技术有限公司;清华大学
申请日： 2020-12-25 - 公布日： 2021-04-09 - 主分类号： G06K9/62 文献下载
摘要：本申请公开了一种模型训练的方法，涉及人工智能领域，包括：根据未携带标签的源域数据、目标域有标签数据对目标模型进行迭代训练，其中，每次迭代训练，包括：将未携带标签的源域数据输入至第一生成模型，以输出第一生成结果。将源域数据未携带的标签和第一生成结果进行组合，以获取第一组合数据。将第一组合数据以及目标域有标签数据输入至第一判别模型中，以输出第一判别结果。根据第一判别结果获取第一损失值。固定第一生成模型的参数，根据第一损失值更新第一判别模型，或者固定第一判别模型的参数，根据第一损失值更新第一生成模型的参数。通过本申请提供的方案，可以根据源域的数据获取大量优质的目标域数据。
一种模型训练方法数据生成以及装置

[发明专利]一种三模型博弈的产生式对抗网络模型的建立方法及装置-CN201710381332.2有效
发明人：朱军;李崇轩;许堃;张钹 -专利权人：清华大学
申请日： 2017-05-25 - 公布日： 2019-11-12 - 主分类号： G06N20/00 文献下载
摘要：本发明实施例提供一种三模型博弈的产生式对抗网络模型的建立方法及装置。所述方法包括：初始化分类子模型、生成子模型和判别子模型；根据获取的图像‑类别数据集、无类别图像数据集和类别信息集构成训练数据集合；对第一参数目标函数、第二参数目标函数和第三参数目标函数进行优化，获得优化后判别子模型、优化后分类子模型、优化后生成子模型；优化后判别子模型、优化后分类子模型和优化后生成子模型即为产生式对抗网络模型。所述装置用于执行所述方法。本发明实施例通过训练数据集合分别优化判别子模型、分类子模型和生成子模型中的参数，所得优化后的产生式对抗网络模型在半监督情况下显著提高了分类准确率并具有产生特定类别图片的能力。
一种模型博弈产生对抗网络建立方法装置

[发明专利]一种基于图像处理的最大间隔深度生成模型的生成方法-CN201510609808.4有效
发明人：朱军;李崇轩;张钹 -专利权人：清华大学
申请日： 2015-09-22 - 公布日： 2019-03-01 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了一种基于图像处理的最大间隔深度生成模型生成方法，包括：构建带有标注的图片样例的集合，获取图片样例的隐藏表示，获得最大间隔正则化因子；获取并根据隐藏变量分布的参数采样隐藏变量，计算所述隐藏变量变分后验分布和先验分布的相对熵；获取并根据每个图片样例生成分布的参数对所述图片样例进行概率重建，得到概率重建误差；将最大间隔正则化因子、相对熵以及概率重建误差求和，得到最大间隔深度生成模型。本发明提供的最大间隔深度生成模型，提高了在判别任务上的表现，维持了深度生成模型数据建模的能力，可以处理大规模数据，应用于图像处理方面的任务中。
一种基于图像处理最大间隔深度生成模型方法