CN112183631B - 一种意图分类模型建立的方法和终端 - Google Patents
一种意图分类模型建立的方法和终端 Download PDFInfo
- Publication number
- CN112183631B CN112183631B CN202011045793.0A CN202011045793A CN112183631B CN 112183631 B CN112183631 B CN 112183631B CN 202011045793 A CN202011045793 A CN 202011045793A CN 112183631 B CN112183631 B CN 112183631B
- Authority
- CN
- China
- Prior art keywords
- data
- word vector
- loss
- vector matrix
- grad
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013145 classification model Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提出了一种意图分类模型建立的方法和终端,方法包括:获取训练数据,将所述噪音数据的第一独热向量的所有维度的值全部设置为预设值,得到第二独热向量;基于输入数据进行前向计算,得到预测结果;所述输入数据由所述训练数据组成的第一词向量矩阵与所述第二独热向量组成;基于所述输入数据及所述预测结果进行损失计算,得到损失结果;基于所述损失结果对所述第一词向量矩阵进行求导得到梯度;基于所述第一词向量矩阵、所述梯度与求符号函数得到变换后的第二词向量矩阵;基于所述第二词向量矩阵与所述第二独热向量得到意图分类模型。本方案增加模型对于噪音数据的泛化能力,使得模型对于未知的噪音数据的识别能力加强。
Description
技术领域
本发明涉及人工智能的用户意图识别技术领域,特别涉及一种意图分类模型建立的方法和终端。
背景技术
现有的针对某些用户客户定制对话系统中的场景中,一般并不会对噪音数据进行特殊处理。而是将噪音数据作为普通的该场景下的一个噪音意图,与用户意图数据一起进行训练。
在此类场景下,用户意图数据相对比较少。一般在意图识别的任务的训练数据中,正面的意图数据和负面的噪音数据是需要维持一定的比例的,比如,1:3或者1:5。因此在进行训练数据的整理时,噪音数据也不能太多。因为噪音数据的语言空间相对较大,因此小数量的训练数据覆盖面是不够的。但是,现有的技术并没有对于负面的噪音数据做一些额外的特殊处理。因此,目前的意图识别技术对于这类不理解或噪音数据,识别效果比较差。会出现噪音数据大量被识别为正面数据的情况。
由此,目前需要有一种更好的方案来解决该技术问题。
发明内容
针对现有技术中的缺陷,本发明提出了一种意图分类模型建立的方法和终端,增加了模型对于噪音数据的泛化能力,使得模型对于未知的噪音数据的识别能力加强,此外,对于词向量矩阵进行变换,可以提高意图识别算法的鲁棒性,同时对于用户意图的识别能力又不会有影响。
具体的,本发明提出了以下具体的实施例:
本发明实施例提出了一种意图分类模型建立的方法,包括:
获取训练数据,其中所述训练数据包括用户的意图数据和噪音数据;
将所述噪音数据的第一独热向量的所有维度的值全部设置为预设值,得到第二独热向量;
基于输入数据进行前向计算,得到预测结果;所述输入数据由所述训练数据组成的第一词向量矩阵与所述第二独热向量组成;
基于所述输入数据及所述预测结果进行损失计算,得到损失结果;
基于所述损失结果对所述第一词向量矩阵进行求导得到梯度;
基于所述第一词向量矩阵、所述梯度与求符号函数得到变换后的第二词向量矩阵;
基于所述第二词向量矩阵与所述第二独热向量输入预设的意图分类网络中进行训练,得到训练后的意图分类模型。
在一个具体的实施例中,所述第一独热向量为所述第一词向量矩阵的类别标签意图的独热向量。
在一个具体的实施例中,所述前向计算是基于下列公式来进行计算的:
其中,θ表示意图分类网络的参数,f(θ,x)表示意图分类网络对输入x进行前向处理,得到预测结果ypred。
在一个具体的实施例中,所述损失计算是基于下列公式来进行计算的:
为输入数据,ypred为预测结果,loss为损失结果;/>为进行损失计算的损失函数。
在一个具体的实施例中,所述梯度是基于下列公式来进行计算的:
grad为梯度、loss为损失结果,为对输入数据中的x进行求导。
在一个具体的实施例中,所述第二词向量矩阵是基于下列公式来进行计算的:
∈为0-1之间的一个参数。sign(grad)为求符号函数,当grad大于0时,sign(grad)=1;当grad小于0时,sign(grad)=-1;为第二词向量矩阵。
在一个具体的实施例中,所述意图分类网络包括:卷积神经网络或循环神经网络。
在一个具体的实施例中,所述预设值为0。
在一个具体的实施例中,还包括:
对输入所述意图分类模型的数据依次进行梯度预处理与前向推理,得到所述意图分类模型进行预测的模型结果。
本发明实施例还提出了一种终端,包括用于执行上述方法的处理器。
以此,本发明实施例提出了一种意图分类模型建立的方法和终端,该方法包括:获取训练数据,其中所述训练数据包括用户的意图数据和噪音数据;将所述噪音数据的第一独热向量的所有维度的值全部设置为预设值,得到第二独热向量;基于输入数据进行前向计算,得到预测结果;所述输入数据由所述训练数据组成的第一词向量矩阵与所述第二独热向量组成;基于所述输入数据及所述预测结果进行损失计算,得到损失结果;基于所述损失结果对所述第一词向量矩阵进行求导得到梯度;基于所述第一词向量矩阵、所述梯度与求符号函数得到变换后的第二词向量矩阵;基于所述第二词向量矩阵与所述第二独热向量输入预设的意图分类网络中进行训练,得到训练后的意图分类模型。本方案对于噪音标签进行了特殊处理。使用将独热标签全部设置为预设值的方法,可以增加模型对于噪音数据的泛化能力,使得模型对于未知的噪音数据的识别能力加强。对于词向量矩阵进行变换,可以提高意图识别算法的鲁棒性,同时对于用户意图的识别能力又不会有影响。该算法提高了场景下的意图识别能力,提高了用户的实际体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提出的一种意图分类模型建立的方法的流程示意图;
图2为本发明实施例提出的一种意图分类模型建立的方法的流程示意图;
图3为本发明实施例提出的一种终端的结构示意图。
具体实施方式
在下文中,将更全面地描述本公开的各种实施例。本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图,而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
实施例1
本发明实施例公开了一种意图分类模型建立的方法,如图1所示,包括以下步骤:
步骤101、获取训练数据,其中所述训练数据包括用户的意图数据和噪音数据;
步骤102、将所述噪音数据的第一独热向量的所有维度的值全部设置为预设值,得到第二独热向量;
具体的,在一个具体的实施例中,所述第一独热向量为所述第一词向量矩阵的类别标签意图的独热向量。此外,基于标识简单以及体现区别的左右,可以将所述预设值设置为为0。以此,具体的,将训练数据中的噪音数据的标签独热向量的所有维度的值全部设置为0。转换后的独热向量为
步骤103、基于输入数据进行前向计算,得到预测结果;所述输入数据由所述训练数据组成的第一词向量矩阵与所述第二独热向量组成;
具体的,所述前向计算是基于下列公式来进行计算的:
其中,θ表示意图分类网络的参数,f(θ,x)表示意图分类网络对输入x进行前向处理,得到预测结果ypred。
具体的,前向计算对输入数据进行的前向计算。
步骤104、基于所述输入数据及所述预测结果进行损失计算,得到损失结果;
所述损失计算是基于下列公式来进行计算的:
为输入数据,ypred为预测结果,loss为损失结果;/>为进行损失计算的损失函数。该公式表示针对输入数据/>以及对应的预测结果ypred,求得的损失loss。
步骤105、基于所述损失结果对所述第一词向量矩阵进行求导得到梯度;
具体的,所述梯度是基于下列公式来进行计算的:
grad为梯度、loss为损失结果,为对输入数据中的x进行求导。
该公式表示loss对输入数据中的x求导求得到的梯度grad。
步骤106、基于所述第一词向量矩阵、所述梯度与求符号函数得到变换后的第二词向量矩阵;
具体的,所述第二词向量矩阵是基于下列公式来进行计算的:
∈为0-1之间的一个参数。sign(grad)为求符号函数,当grad大于0时,sign(grad)=1;当grad小于0时,sign(grad)=1;为第二词向量矩阵。
基于此,得到变换后的
步骤107、基于所述第二词向量矩阵与所述第二独热向量输入预设的意图分类网络中进行训练,得到训练后的意图分类模型。
所述意图分类网络包括:卷积神经网络或循环神经网络。
进一步的,如图2所示,该方法还包括:
步骤108、对输入所述意图分类模型的数据依次进行梯度预处理与前向推理,得到所述意图分类模型进行预测的模型结果。
具体的,在后续的模型测试或者模型上线进行前向推理时,均需要将输入数据x进行梯度预处理,得到然后再通过模型的前向推理,得到模型的预测结果。
本方法对于噪音标签进行了特殊处理。使用将独热标签全部设置为0的方法,可以增加模型对于噪音数据的泛化能力,使得模型对于未知的噪音数据的识别能力加强。对于词向量矩阵进行变换,可以提高意图识别算法的鲁棒性,同时对于用户意图的识别能力又不会有影响。该算法提高了场景下的意图识别能力,提高了用户的实际体验。同时,这两个方案可以嵌套在多个任何类型的深度学习分类算法中,使用范围较为广泛。
实施例2
为了对本申请方案进行进一步的说明,本发明实施例2还公开了一种具体应用场景下的意图分类模型建立的方法,具体的该方法包括如下内容:
第1步:准备训练数据。训练数据包括了用户的意图数据和噪音数据。
第2步:选定意图分类算法。比如,卷积神经网络(CNN)或者循环神经网络(RNN)。
第3步:一般的在使用tensorflow等开源的深度学习框架时。模型的输入为(x,y)。输入x为训练数据组成的词向量矩阵,输入y为输入x的类别标签意图的独热(one-hot)向量。在该向量y中,只有一个维度为1,表示该数据的正确意图,其余维度均为0。在本方案中,需要将训练数据中的噪音数据的标签独热向量的所有维度的值全部设置为0。转换后的独热向量为
第4步:对模型的输入进行前向计算。
其中,θ表示模型的参数,f(θ,x)表示模型对输入x进行前向处理,得到结果ypred。
该公式表示针对输入数据/>以及对应的预测结果ypred,求得的损失loss。
该公式表示loss对输入数据/>中的x求导求得到的梯度grad。
其中,∈为0-1之间的一个参数。sign(grad)函数为求符号函数。当grad大于0时,sign(grad)=1;当grad小于0时,sign(grad)=1。得到变换后的/>
第5步:将作为模型的输入进行训练。最终得到模型。
第6步:在后续的模型测试或者模型上线进行前向推理时,均需要将输入数据x进行梯度预处理,得到然后再通过模型的前向推理,得到模型的预测结果。
实施例3
本发明实施例2还提出了一种终端,如图3所示,包括用于执行实施例1中任意一项所述方法的处理器。
具体的,本发明实施例2中的终端还可以包括存储器,处理器在执行存储器中的应用程序或代码时,执行实施例1中任意一项所述的方法。
具体的,本发明实施例还公开有其他相关的特征,具体的其他相关的特征请参见实施例1中的记载,出于简要的目的,在此不再进行赘述。
以此,本发明实施例提出了一种意图分类模型建立的方法和终端,该方法包括:获取训练数据,其中所述训练数据包括用户的意图数据和噪音数据;将所述噪音数据的第一独热向量的所有维度的值全部设置为预设值,得到第二独热向量;基于输入数据进行前向计算,得到预测结果;所述输入数据由所述训练数据组成的第一词向量矩阵与所述第二独热向量组成;基于所述输入数据及所述预测结果进行损失计算,得到损失结果;基于所述损失结果对所述第一词向量矩阵进行求导得到梯度;基于所述第一词向量矩阵、所述梯度与求符号函数得到变换后的第二词向量矩阵;基于所述第二词向量矩阵与所述第二独热向量输入预设的意图分类网络中进行训练,得到训练后的意图分类模型。本方案对于噪音标签进行了特殊处理。使用将独热标签全部设置为预设值的方法,可以增加模型对于噪音数据的泛化能力,使得模型对于未知的噪音数据的识别能力加强。对于词向量矩阵进行变换,可以提高意图识别算法的鲁棒性,同时对于用户意图的识别能力又不会有影响。该算法提高了场景下的意图识别能力,提高了用户的实际体验。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种意图分类模型建立的方法,其特征在于,包括:
获取训练数据,其中所述训练数据包括用户的意图数据和噪音数据;
将所述噪音数据的第一独热向量的所有维度的值全部设置为预设值,得到第二独热向量;
基于输入数据进行前向计算,得到预测结果;所述输入数据由所述训练数据组成的第一词向量矩阵与所述第二独热向量组成;
基于所述输入数据及所述预测结果进行损失计算,得到损失结果;
基于所述损失结果对所述第一词向量矩阵进行求导得到梯度;
基于所述第一词向量矩阵、所述梯度与求符号函数得到变换后的第二词向量矩阵;
基于所述第二词向量矩阵与所述第二独热向量输入预设的意图分类网络中进行训练,得到训练后的意图分类模型;
所述第二词向量矩阵是基于下列公式来进行计算的:
∈为0-1之间的一个参数;sign(grad)为求符号函数,当grad大于0时,sign(grad)=1;当grad小于0时,sign(grad)=-1;为第二词向量矩阵;grad为梯度;x为第一词向量矩阵。
2.如权利要求1所述的方法,其特征在于,所述第一独热向量为所述第一词向量矩阵的类别标签意图的独热向量。
3.如权利要求1所述的方法,其特征在于,所述前向计算是基于下列公式来进行计算的:
其中,θ表示意图分类网络的参数,f(θ,x)表示意图分类网络对输入进行前向处理,得到预测结果ypred;x表示第一词向量矩阵;/>表示第二独热向量。
4.如权利要求1所述的方法,其特征在于,所述损失计算是基于下列公式来进行计算的:
为输入数据,ypred为预测结果,loss为损失结果;
为进行损失计算的损失函数。
5.如权利要求1所述的方法,其特征在于,所述梯度是基于下列公式来进行计算的:
grad为梯度、loss为损失结果,为对输入数据中的x进行求导。
6.如权利要求1所述的方法,其特征在于,所述意图分类网络包括:卷积神经网络或循环神经网络。
7.如权利要求1所述的方法,其特征在于,所述预设值为0。
8.如权利要求1所述的方法,其特征在于,还包括:
对输入所述意图分类模型的数据依次进行梯度预处理与前向推理,得到所述意图分类模型进行预测的模型结果。
9.一种终端,其特征在于,包括用于执行权利要求1-8中任意一项所述方法的处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011045793.0A CN112183631B (zh) | 2020-09-28 | 2020-09-28 | 一种意图分类模型建立的方法和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011045793.0A CN112183631B (zh) | 2020-09-28 | 2020-09-28 | 一种意图分类模型建立的方法和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183631A CN112183631A (zh) | 2021-01-05 |
CN112183631B true CN112183631B (zh) | 2024-01-12 |
Family
ID=73945702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011045793.0A Active CN112183631B (zh) | 2020-09-28 | 2020-09-28 | 一种意图分类模型建立的方法和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183631B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860870B (zh) * | 2021-03-16 | 2024-03-12 | 云知声智能科技股份有限公司 | 一种噪音数据的识别方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920147A (zh) * | 2017-02-28 | 2017-07-04 | 华中科技大学 | 一种基于词向量数据驱动的商品智能推荐方法 |
CN108920622A (zh) * | 2018-06-29 | 2018-11-30 | 北京奇艺世纪科技有限公司 | 一种意图识别的训练方法、训练装置和识别装置 |
CN109492108A (zh) * | 2018-11-22 | 2019-03-19 | 上海唯识律简信息科技有限公司 | 基于深度学习的多级融合文档分类方法和系统 |
CN111611797A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 基于Albert模型的预测数据标注的方法、装置及设备 |
CN111626063A (zh) * | 2020-07-28 | 2020-09-04 | 浙江大学 | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9786270B2 (en) * | 2015-07-09 | 2017-10-10 | Google Inc. | Generating acoustic models |
US10268679B2 (en) * | 2016-12-02 | 2019-04-23 | Microsoft Technology Licensing, Llc | Joint language understanding and dialogue management using binary classification based on forward and backward recurrent neural network |
-
2020
- 2020-09-28 CN CN202011045793.0A patent/CN112183631B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920147A (zh) * | 2017-02-28 | 2017-07-04 | 华中科技大学 | 一种基于词向量数据驱动的商品智能推荐方法 |
CN108920622A (zh) * | 2018-06-29 | 2018-11-30 | 北京奇艺世纪科技有限公司 | 一种意图识别的训练方法、训练装置和识别装置 |
CN109492108A (zh) * | 2018-11-22 | 2019-03-19 | 上海唯识律简信息科技有限公司 | 基于深度学习的多级融合文档分类方法和系统 |
CN111611797A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 基于Albert模型的预测数据标注的方法、装置及设备 |
CN111626063A (zh) * | 2020-07-28 | 2020-09-04 | 浙江大学 | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于语义的用户意图领域多分类算法分析;姜超;《中国优秀硕士学位论文全文数据库信息科技辑》(第12期);第1-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183631A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sinitsin et al. | Editable neural networks | |
US10719780B2 (en) | Efficient machine learning method | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
US20230222353A1 (en) | Method and system for training a neural network model using adversarial learning and knowledge distillation | |
CN111598182B (zh) | 训练神经网络及图像识别的方法、装置、设备及介质 | |
CN111767400A (zh) | 文本分类模型的训练方法、装置、计算机设备和存储介质 | |
JP2020061173A (ja) | 回答学習装置、回答学習方法、回答生成装置、回答生成方法、及びプログラム | |
CN113010683B (zh) | 基于改进图注意力网络的实体关系识别方法及系统 | |
CN112149825A (zh) | 神经网络模型的训练方法及装置、电子设备、存储介质 | |
JP7331937B2 (ja) | ロバスト学習装置、ロバスト学習方法、プログラム及び記憶装置 | |
CN112183631B (zh) | 一种意图分类模型建立的方法和终端 | |
CN114299304A (zh) | 一种图像处理方法及相关设备 | |
CN111104831A (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
Chen et al. | Label-retrieval-augmented diffusion models for learning from noisy labels | |
CN113806501A (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
CN112766351A (zh) | 一种图像质量的评估方法、系统、计算机设备和存储介质 | |
CN107993311B (zh) | 一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法 | |
Liu et al. | Class incremental learning with self-supervised pre-training and prototype learning | |
CN111626098B (zh) | 模型的参数值更新方法、装置、设备及介质 | |
CN113283388A (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN116721441B (zh) | 基于区块链的门禁安全管理方法与系统 | |
CN116912921B (zh) | 表情识别方法、装置、电子设备及可读存储介质 | |
Tang et al. | Progressive Source-Aware Transformer for Generalized Source-Free Domain Adaptation | |
CN115565051B (zh) | 轻量级人脸属性识别模型训练方法、识别方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |