“标记样本”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363924个，建议您升级VIP下载更多相关专利

[发明专利]分类模型的评估方法、装置、计算机设备和存储介质-CN201911134546.5在审
发明人：洪燕忠 -专利权人：广州品唯软件有限公司
申请日： 2019-11-19 - 公布日： 2020-02-28 - 主分类号： G06K9/62 文献下载
摘要：该方法包括：获取待测样本，待测样本包括初始基础样本和对应的初始标记样本，初始标记样本包括初始标记正样本和初始标记负样本，初始标记样本包括对应的样本标识；将待测样本输入至分类模型中，得到分类模型输出的分类结果；根据样本标识从分类结果中查找目标标记样本，目标标记样本包括目标标记正样本和目标标记负样本；根据目标标记样本和初始标记样本得到分类模型的评估结果。
分类模型评估方法装置计算机设备存储介质

[发明专利]一种基于主动学习的遥感图像场景分类方法-CN202210797684.7在审
发明人：李旭;王飞月;张一凡;李立欣;卫保国 -专利权人：西北工业大学
申请日： 2022-07-06 - 公布日： 2022-09-16 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了一种基于主动学习的遥感图像场景分类方法，由以下步骤组成：从样本集人工随机地挑选出一批样本进行人工标记，标记后的样本为初始标记样本集D1，未标记的样本为未标记样本集U1，输入卷积神经网络进行特征提取得到标记样本特征图和未标记样本特征图，输入分支网络进行训练，利用查询策略从未标记样本集U1中选择一批样本进行人工标记，将标记后的样本添加到初始标记样本集D1中形成新标记样本集D2，重复直到未标记样本集U1全部被标记或者标记样本的数量达到初始标记样本集D1与未标记样本集U1和的20％；本发明使用经主动学习筛选出来的信息量丰富的样本进行场景分类，利用少的标记样本同样可以得到高的分类精度。
一种基于主动学习遥感图像场景分类方法

[发明专利]基于核极限学习机的样本处理方法及系统-CN202010841786.5在审
发明人：熊伟丽;代学志 -专利权人：江南大学
申请日： 2020-08-20 - 公布日： 2020-11-24 - 主分类号： G06F30/20 文献下载
摘要：本发明提供基于核极限学习机的样本处理方法及系统，方法包括：识别预处理样本集中的无标记样本及有标记样本，确定无标记样本集及有标记样本集作为处理对象；基于KELM算法从所述无标记样本集中选取满足预设要求的无标记样本，构成第一子样本集；将所述第一子样本集中的样本进行标记，得到带有标记的第二子样本集，将第二子样本集加入所述有标记样本集，得到更新后的有标记样本集；若所述有标记样本集与更新后的有标记样本集的相似度满足预设要求，则基于更新后的有标记样本集进行软测量。本方案，迭代更新速度快，稳定性高，应用于复杂化工过程建模，可大大降低主动学习的运算成本，并减少人工标记代价，更有效地实现过程质量变量的软测量。
基于极限学习机样本处理方法系统

[发明专利]语言模型训练方法、文本处理方法、装置及设备-CN202210616364.7在审
发明人：张珍茹;谭传奇;黄松芳 -专利权人：阿里巴巴（中国）有限公司
申请日： 2022-06-01 - 公布日： 2022-09-06 - 主分类号： G06F16/35 文献下载
摘要：训练方法包括：获取包含已标记训练样本的标记样本集和多个未标记训练样本；基于预设的模板词和已标记训练样本构造已标记提示样本；基于模板词和各未标记训练样本构造未标记提示样本；已标记提示样本和未标记提示样本中均包含待预测的掩码；基于已标记提示样本和未标记提示样本，通过掩码语言建模任务，对预训练语言模型进行半监督学习得到训练完成的语言模型。
语言模型训练方法文本处理装置设备

[发明专利]一种小样本条件下的两阶段人脸图像分类方法及系统-CN201610598570.4有效
发明人：张化祥;董晓;王强 -专利权人：山东师范大学
申请日： 2016-07-26 - 公布日： 2018-09-14 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种小样本条件下的两阶段人脸图像分类方法及系统，其中方法包括：样本扩充阶段，通过半监督的方式使人脸图像未标记样本对标记样本进行协同表示，获得协同表示系数；获取最大协同表示系数所对应的未标记样本；将最大协同表示系数所对应的未标记样本加入到标记子集中，对标记样本进行扩充，把扩充后的标记子集作为训练样本；同时将剩余的未标记样本作为新的未标记样本；人脸图像分类阶段，基于协同表示分类器使用扩充后的标记子集对样本扩充阶段得到的新的未标记样本进行分类本发明提高了监督分类方法的正确率，同时充分利用未标记样本的判定信息，使用样本扩充方式将半监督学习问题转化为监督学习问题。
一种样本条件下阶段图像分类方法系统

[发明专利]用于气体传感器漂移校正的自适应置信度主动学习方法-CN201910511847.9有效
发明人：刘涛;李东琦;陈艳兵;杨桃;曹建华 -专利权人：重庆大学
申请日： 2019-06-13 - 公布日： 2023-10-13 - 主分类号： G06F18/24 文献下载
摘要：本发明涉及电子鼻的气味识别领域，具体涉及用于气体传感器漂移校正的自适应置信度主动学习方法，包括以下步骤：输入训练样本集和测试样本；计算测试样本中样本的信息熵；选取信息熵最大或最小的样本作为标记样本；预测标记样本的类型，并对其初次标记；将初次标记的样本加入训练样本集；更新分类器；使用更新后的分类器再次预测标记样本的类型，并对其进行再次标记；判断初次标记和再次标记是否相同，不同，返回样本选取步骤中选取测试样本集中信息熵最大的样本作为标记样本，相同，返回样本选取步骤中则选取测试样本集中信息熵最小的样本作为标记样本，以此解决漂移校正精度不高的问题，本发明主要用于气体传感器漂移校正。
用于气体传感器漂移校正自适应置信主动学习方法

[发明专利]一种图转导半监督分类方法-CN201710670472.1有效
发明人：王娜;王小凤;耿国华;宋倩楠 -专利权人：西北大学
申请日： 2017-08-08 - 公布日： 2020-08-04 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种图转导半监督分类方法，包括以下步骤：步骤一、获取视频图像信息；步骤二、选取视频图像上的已标记点；步骤三、在未标记样本点中选取预选样本点；步骤四、对预选样本点进行分类；步骤五、对未标记样本点进行分类本发明对未标记样本点进行预选取，然后通过计算样本相似度对预选样本点进行分类，减少预选样本点之间的虚假连接，进而缩减了构图的时间，利用已标记样本点的样本类别和已标记样本点与未标记样本点的样本相似度得出未标记样本点的分类结果，解决了对已标记样本集的依赖性问题，提高分类的精度。
一种转导监督分类方法

[发明专利]基于主动学习的葡萄糖浓度预测方法及相关设备-CN202210432583.X在审
发明人：张笑宇;荆伟;闵钰春;丁淳悦;徐鹤;季一木;刘尚东;郭栋 -专利权人：江苏跃凯生物技术有限公司;南京邮电大学
申请日： 2022-04-22 - 公布日： 2022-08-12 - 主分类号： G16H50/30 文献下载
摘要：本申请提供一种基于主动学习的葡萄糖浓度预测方法及相关设备，所述方法包括获取样本训练集；根据标记样本集对支持向量机模型进行训练，得到葡萄糖浓度预测模型；根据未标记样本集中构建待查询样本集；计算标记样本与待查询样本和未标记样本之间的巴氏距离，并结合目标函数确定未标记样本集中的目标样本并进行标记；将标记后的目标样本加入至标记样本集中，并利用新的标记样本集对葡萄糖浓度预测模型进行训练，得到训练好的葡萄糖浓度预测模型；将待测样本数据输入至训练好的葡萄糖浓度预测模型本申请的方法能够以小样本训练预测精度较高的模型，大大减少了样本的标记成本。
基于主动学习葡萄糖浓度预测方法相关设备

[发明专利]存在标签噪声情况下的鲁棒训练-CN202080065860.7在审
发明人：张子钊;赛尔坎·奥默·阿里克;托马斯·乔恩·菲斯特;张晗 -专利权人：谷歌有限责任公司
申请日： 2020-09-19 - 公布日： 2022-04-29 - 主分类号： G06N3/04 文献下载
摘要：一种用于训练模型(150)的方法(500)包括，获得标记训练样本(112G)的集合，每个标记训练样本(112G)与给定标签(116G)相关联。对于每个标记训练样本，该方法包括，生成伪标签(116P)以及估计指示给定标签的精确度的标记训练样本的权重(132)。该方法还包括，确定标记训练样本的权重是否满足权重阈值(142)。当标记训练样本的权重满足权重阈值时，该方法包括，将标记训练样本添加到干净标记训练样本(112C)的集合。否则，该方法包括，将标记训练样本添加到错误标记训练样本(112M)的集合。该方法包括，使用对应的给定标签的干净标记训练样本的集合和使用对应的伪标签的错误标记训练样本的集合来训练模型。
存在标签噪声情况训练

[发明专利]异常链路检测方法、装置及存储介质-CN202010981945.1在审
发明人：苏婵菲;文勇;刘宝华;潘璐伽 -专利权人：华为技术服务有限公司
申请日： 2020-09-17 - 公布日： 2022-03-18 - 主分类号： H04L41/14 文献下载
摘要：本申请实施例提供一种异常链路检测方法，包括：接收通信链路中至少一个网络节点的网络数据；获取网络数据对应的网络特征；将网络特征输入至第一模型，得到通信链路是否为异常链路的检测结果，第一模型是根据第一样本集中的已标记样本、K个已标记样本和M个未标记样本，对上一次训练得到的第二模型进行训练，在训练满足预设条件时得到的模型，K个已标记样本是对第一样本集中的K个未标记样本分别进行标记得到的，M个未标记样本是从第一样本集中选出来的作为负样本的未标记样本，第一样本集包括选取K个未标记样本和M个未标记样本之前，预先存储的已标记样本和未标记样本。
异常检测方法装置存储介质

[发明专利]一种模型训练的方法、装置、设备及存储介质-CN202310117049.4在审
发明人：张静;曹美林;陆陈昊;王一张;周沧琦 -专利权人：之江实验室;南京理工大学
申请日： 2023-02-14 - 公布日： 2023-04-28 - 主分类号： G06F40/295 文献下载
摘要：本说明书公开了一种模型训练的方法、装置、设备及存储介质，可以先通过预测模型对各待标记样本集进行标记，并将标记结果为指定标记结果的各待标记样本集中的各待标记样本筛选出来，交由标记人员进行人工标记。这里的指定标记结果是指预先设置的预测模型容易出现识别错误的一类样本的标记结果。从而可以根据标记人员针对预测模型容易出现识别错误的一类样本的标记结果，对用于训练预测模型的待标记样本集进行拆分、重新聚合得到新的样本集，并使用新的样本集对预测模型进行训练，进而可以在减少需要人工标记的样本的数量以降低预测模型的训练成本的同时
一种模型训练方法装置设备存储介质

[发明专利]一种数据处理方法及其相关产品-CN202211397865.7在审
发明人：聂玲;尹将伯;刘梓田;杨洋;余泽豪 -专利权人：北京中电普华信息技术有限公司
申请日： 2022-11-09 - 公布日： 2023-01-03 - 主分类号： G06F18/2413 文献下载
摘要：该方法包括：从未标记数据集中确定信息量最大的结构化数据作为目标样本，并进行标记；未标记数据集中包括多个未被标记的结构化数据；对已标记的目标样本进行分析处理，生成与已标记的目标样本具有相同标记信息的新的样本；以新的样本更新用于训练结构化数据检测模型的已标记数据集；已标记数据集中包括多个已标记的结构化数据。如此，通过选取信息量最大的结构化数据作为目标样本进行标记，而非对未标记数据集中的所有样本均进行标记，可以节约标记数据的资源。并且，新的样本与目标样本具有相同标记信息，以新的样本扩充已标记数据集，可以进一步减少标记数据的计算资源和人力资源。
一种数据处理方法及其相关产品

[发明专利]图像的新类别识别方法及装置-CN202111358275.9有效
发明人：张凯;何润东;韩忠义;杨光远 -专利权人：山东力聚机器人科技股份有限公司
申请日： 2021-11-17 - 公布日： 2022-03-25 - 主分类号： G06V10/764 文献下载
摘要：本发明是关于一种图像的新类别识别方法和装置，方法包括：根据有标记样本图像生成第一有标记样本图像集和第二有标记样本图像集；根据第一有标记样本图像集进行训练，得到第一图像识别模型；根据第二有标记样本图像集进行训练，得到第二图像识别模型；将所有的无标记样本图像分别输入第一图像识别模型和第二图像识别模型，以得到每个无标记样本图像的第一置信度和第二置信度；根据每个无标记样本图像的第一置信度和第二置信度进行样本图像的挑选，并为挑选出的目标无标记样本图像确定伪标记；根据所有带有伪标记的目标无标记样本图像和有标记样本图像进行模型训练，以得到目标图像识别模型。
图像类别识别方法装置

[发明专利]一种面向层次标记样本的隐多标记分类方法-CN202110655504.7在审
发明人：张敏灵;於泽邦 -专利权人：东南大学
申请日： 2021-06-11 - 公布日： 2021-09-03 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种面向层次标记样本的隐多标记分类方法，该方法包括以下步骤：（1）用户从存储设备中选择训练样本；（2）根据训练样本，提取特征集合，标注层次标记集合；（3）根据编码规则，将训练样本的层次标记集合编码为隐多标记集合；（4）根据训练样本的特征集合与隐多标记集合，学习隐多标记分类器；（5）使用隐多标记分类器对测试样本进行分类；（6）根据解码规则，将测试样本的隐多标记集合解码为层次标记集合；（7）若用户对分类结果满意，则过程结束；否则，从存储设备中选择更多训练样本，转到步骤（2）。本发明适用于对以标记树中的标记路径作为标记集合的样本进行分类。
一种面向层次标记样本分类方法

[发明专利]一种结合混合像元分解与主动学习的半监督分类方法-CN201510690946.X有效
发明人：张霞;张立福;刘佳;王树东;孙艳丽 -专利权人：中国科学院遥感与数字地球研究所
申请日： 2015-10-22 - 公布日： 2018-07-17 - 主分类号： G06K9/62 文献下载
摘要：该方法包括：在待分类的影像样本中，选取已知类别样本为已标记样本，形成已标记样本集；对影像中未标记样本进行混合像元分解得到样本丰度信息；根据已标记样本以及未标记样本的丰度信息，构建主动学习样本集；将主动学习样本集的样本合并到已标记样本集中，利用合并后的已标记样本集对影像进行分类，得到分类结果。通过结合混合像元分解以及主动学习的方式对影像进行的分类，可以在样本较少的情况下提高分类的精度，有效减轻样本标记的工作量，减少分类器训练所需时间。
标记样本主动学习混合像元分解分类样本影像半监督样本集丰度高光谱遥感技术分类器训练分类结果类别样本样本标记影像样本合并构建工作量

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条