CN113822228A - 一种基于持续学习的用户表情识别方法和系统 - Google Patents

一种基于持续学习的用户表情识别方法和系统 Download PDF

Info

Publication number
CN113822228A
CN113822228A CN202111253733.2A CN202111253733A CN113822228A CN 113822228 A CN113822228 A CN 113822228A CN 202111253733 A CN202111253733 A CN 202111253733A CN 113822228 A CN113822228 A CN 113822228A
Authority
CN
China
Prior art keywords
expression
user
old
new
expression data
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.)
Granted
Application number
CN202111253733.2A
Other languages
English (en)
Other versions
CN113822228B (zh
Inventor
叶翰嘉
周大蔚
詹德川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202111253733.2A priority Critical patent/CN113822228B/zh
Publication of CN113822228A publication Critical patent/CN113822228A/zh
Application granted granted Critical
Publication of CN113822228B publication Critical patent/CN113822228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于持续学习的用户表情识别方法和系统，包括数据采集步骤，持续学习步骤和用户表情测试步骤；首先收集不同种类的用户表情，包括特征数据和特征的标记数据；然后利用当前用户表情种类训练一个模型；在学习用户新种类表情时采用最优输运技术建立以往表情和新类表情的映射关系，以重用以往的模型；最后利用新收集到的用户表情更新已有模型。本发明可以解决用户新旧表情无法同时获得，以及只能利用已有模型和新的用户表情建立一个新模型的难点，并且本发明实施过程中占用资源少，适用性强。

Description

一种基于持续学习的用户表情识别方法和系统
技术领域
本发明涉及开放动态环境下随时间演进用户表情种类发生变化情况下的表情识别方法，具体是一种基于持续学习的跨移动设备用户表情识别方法和系统。
背景技术
移动设备应用常依赖用户表情识别，比如对于依赖用户情感的应用，可以针对用户不同的表情状态为用户自适应地推荐商品和服务，从而达到提高推荐成功率，提升用户体验的目的。然而，显示环境多是开放动态的，不同时间内采集到的用户表情数据往往会出现较大的差异，用户的表情种类往往也会随着时间变化增多，变得更加细粒度可分。因此，在一段时间后只能收集到新种类的用户表情数据，那么如何只利用新收集到的用户表情辅助当前已有的用户表情识别模型，建立一个囊括所有用户表情的分类模型则是本项发明要解决的重要问题。
模型重用技术和持续学习技术有一定相似之处，但是模型重用技术侧重于利用以往模型适配新数据，而持续学习不仅囊括了新数据类别的学习，同时要保证模型不会遗忘之前已经学得的类别信息。因此遗忘的模型重用技术多局限于模型适配数据的应用场景，不适用于用户表情类别发生变化的开放动态环境，尤其是像移动设备用户表情种类增加的应用场景。因此，在移动设备用户表情识别的应用场景中需要一种持续学习方法。
发明内容
发明目的：以往的持续学习技术用于用户表情识别多关注于模型线性层标准化和校准，忽略了用户新旧表情之间的语义信息。然而，考虑到现实环境的动态开放性，本发明提供一种借助于用户表情间语义信息，利用以往模型辅助新任务的用户表情识别方法和系统。具体来说，首先收集用户的旧表情，并建立分类模型。一段时间后收集用户新出现的表情数据，并采用最优输运技术完成模型线性层复用，生成适用新种类用户表情的线性分类层。最后在新表情数据上利用知识蒸馏技术和交叉熵损失训练模型，从而完成仅利用用户新表情数据和以往模型，持续学得一个囊括所有用户表情类别的表情识别模型。
技术方案：一种基于持续学习的用户表情识别方法，包括如下内容：
数据收集：收集用户表情信息的特征数据和对应表情标记。
持续学习：采用知识蒸馏技术和最优输运技术完成模型持续学习。
用户表情识别预测：在用户新收集到的表情数据上建立一个新的模型；利用建立好的模型对用户表情进行分类。
所述数据收集的实现包括如下步骤：
步骤100，收集设备中当前存储的用户表情数据，记为目前已有的旧类别表情数据；
步骤101，收集设备中用户的旧表情数据的对应标记；
步骤102，在与步骤100中的用户表情数据的不同场景下，收集设备中用户在这个新场景下的表情数据，记为新类别表情数据；
步骤103，收集设备中用户在新场景下的新类别表情数据的对应标记。
所述设备指的是移动设备。
持续学习的实现包括如下步骤：
步骤200，利用旧类别表情的样本训练一个分类模型M0，分类模型M0输入是旧类别表情数据，输出是表情种类分类；
步骤201，通过新类别表情数据和旧类别表情数据间的匹配信息表示得到新类别表情数据和旧类别表情数据之间的输运距离矩阵，其中匹配信息指代新类别表情数据和旧类别表情数据之间的相似或不相似关系，使用每个类别的类别中心表示。新类别表情数据的特征之间和旧类别表情数据的特征之间采用均匀分布，新类别表情数据的特征简称新特征，旧类别表情数据的特征称为旧特征，利用最优输运算法，学习一个从新特征到旧特征的最优输运矩阵T；
步骤202，使用最优输运矩阵T对分类模型M0进行转换得到适用于新场景下的先验模型M1，假设分类模型M0的参数为[Wa]，其中[Wa]是旧类别表情数据对应的特有特征的权重，使用转换矩阵得到先验模型M1全连接层的参数为[Wa,TWa]，TWa表示T和Wa的矩阵乘法；
步骤203，基于知识蒸馏损失函数和交叉熵损失函数，仅利用新采集到的用户新类别表情图片数据更新分类器先验模型M1；
步骤204，由于先验模型M1已经更新，基于此更新后的模型M1，重新计算从新特征到旧特征的最优输运矩阵T，利用知识蒸馏损失函数建立用户的旧表情识别用分类模型M0到新表情识别用先验模型M1和新表情识别用先验模型M1到旧表情识别用分类模型M0的映射关系。使用步骤202和步骤204中的最优传输矩阵作为用户表情类别间的监督信息，从而达到了模型知识前后迁移的目的。
用户表情识别预测的步骤具体为：
步骤300，收集用户包含新类别表情数据和旧类别表情数据的测试数据；
步骤301，利用步骤204中持续训练好的表情识别用先验模型M1对包含用户新旧类别表情的测试数据进行预测，即可对用户的新类别表情数据和旧类别表情数据进行分类。
一种基于持续学习的用户表情识别系统，包括：
数据收集模块：收集用户表情信息的特征数据和对应表情标记；
持续学习模块：采用知识蒸馏技术和最优输运技术完成模型持续学习；
用户表情识别预测模块：在用户新收集到的表情数据上建立一个新的模型；利用建立好的模型对用户表情进行分类。
一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如上所述的基于持续学习的用户表情识别系统方法。
一种计算机可读存储介质，该计算机可读存储介质存储有执行如上所述的基于持续学习的用户表情识别系统方法的计算机程序。
本发明方法适用于在不同的时间段内收集到的用户表情种类会发生变化的场景，即用户表情种类随时间推移而增多。
在持续学习的实现步骤中使用了最优输运技术获得了特征/模型的最优输运矩阵，从而可以将旧用户表情的异构模型转换为适应所有表情类别的一个先验模型。
在利用最优输运技术获得模型先验之后，还需要基于交叉熵损失和知识蒸馏损失建立模型输出匹配关系，以辅助模型在学习新类别表情数据时不遗忘旧类别表情数据。
有益效果：与现有技术相比，本发明所提供的一种基于持续学习的用户表情识别方法和系统，可以解决用户表情识别中用户表情持续增加的情况，并且实施过程中占用资源少，适用性强。
附图说明
图1为本发明实施例的用户表情特征数据收集流程图；
图2为本发明实施例的持续学习流程图；
图3为本发明实施例的用户表情预测流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
下面的实施例以手机基于用户表情分类进行应用推荐为具体例子进行阐述，分别定义用户在一段时间后收集到的更加细粒度/新种类的表情数据为新类别表情数据，收集到的较早时间内的用户表情数据为旧类别表情数据。用户的表情分类主要包括喜悦，痛苦，厌恶，伤心等等，随着对用户收集的数据增多，表情分类也将不断增加；用户表情识别的目的是能够建立一个分类器不断地学习用户表情数据，能够对任何一种(旧类别或新类别)用户的表情都给出准确的预测结果。这里的分类器就是一个分类模型，输入是系统相机拍摄的用户照片，输出是用户的表情类别。由于收集到的数据来自于开放环境，在早些时刻利用用户的旧类别表情数据已经建立了一个很好的囊括所有旧类别的分类模型M0，但是由于时间的演进，用户产生了新的更加细粒度的表情种类，由于隐私保护需求和存储限制，此时用户的旧类别数据已经无法得到；另一方面，训练模型需要消耗大量时间，如果把旧类别数据存储下来并重新训练一个模型，需要消耗更多的额外资源。因此只能利用已有的分类器模型M0和新类别的用户表情数据来训练一个涵盖所有旧类别和新类别表情数据的识别模型。
如图1所示，是用户的表情数据收集过程，首先，开始收集数据(步骤10)，数据收集主要包括新类别表情数据收集和旧类别表情数据收集两部分：
步骤11，收集设备中当前存储的用户表情数据，记为目前已有的旧类别表情数据；
步骤12，收集手机设备中用户的旧表情数据的对应标记；
步骤13，在与步骤11中的用户表情数据的不同场景下，收集手机设备中用户在这个新场景下的表情数据，记为新类别表情数据；
步骤14，收集手机设备中用户在新场景下的新类别表情数据的对应标记。
对于旧类别表情数据的收集，需要首先收集用户的表情图片，之后由人工标注过程为表情数据进行标注，得到对应的标记。接着，收集一段时间后的用户新类别表情数据。同样地，需要先利用移动设备相机采集用户表情图片，之后借助人工标注，得到用户的新类别标记。最后输出收集的用户的新旧类别表情的图片数据和对应的标记信息。
如图2所示，持续学习步骤为：首先，开始持续学习(步骤20)，然后准备好收集到的用户的表情数据(步骤21)。先判断对于用户旧类别表情数据的识别模型是否存在(步骤22)，如果存在，直接使用其作为模型M0(步骤24)；否则，利用用户旧类别表情数据训练一个对旧类别表情数据的表情类别进行识别的分类模型(步骤23)，继而得到对用户旧类别表情分类的分类模型M0(步骤24)。之后，利用从用户的新类别表情到用户的旧类别表情数据之间类别中心的相似和不相似关系，利用Sinkhorn算法，学习一个最优输运的矩阵(步骤25)，将其记为矩阵T。然后利用最优输运矩阵T将部署在旧类别表情数据上的分类模型M0转换为能够同时涵盖旧类别和新类别表情数据的先验模型M1(步骤26)，其步骤为，以分类器M0作为分类器M1的初始化，并使用最优输运矩阵T与部署在旧类别表情数据上的分类模型M0的分类器全连接层Wa作矩阵乘法，得到TWa，用于替换模型M1的分类器全连接层。在这个先验模型M1的基础上，利用交叉熵损失和知识蒸馏损失在用户新类别表情数据上训练分类模型，得到更新后的分类器模型，使更新后的分类器模型的输出结果能够同时对用户的旧类别表情数据和新类别表情数据进行预测(步骤27)。之后，将完成更新后的分类器模型记为M1，并认为此时的模型M1是能够同时在所有类别表情数据上输出较好性能的分类器(步骤28)。最后，输出这个分类器M1，结束持续学习阶段(步骤29)。
如图3所示，用户表情识别的测试流程为：首先，开始准备预测来自用户的新旧类别表情数据(步骤30)，之后利用移动设备相机，收集待预测的用户表情数据(步骤31)，之后，利用上一阶段已经训练好的更新后的分类器模型M1对收集到的用户表情数据进行预测(步骤32)，并输出数据对应的表情类别，以此输出结束用户表情识别的测试过程(步骤34)。
一种基于持续学习的用户表情识别系统，包括：
数据收集模块：收集用户表情信息的特征数据和对应表情标记；
持续学习模块：采用知识蒸馏技术和最优输运技术完成模型持续学习；
用户表情识别预测模块：在用户新收集到的表情数据上建立一个新的模型；利用建立好的模型对用户表情进行分类。
持续学习模块：利用旧类别表情的样本训练一个分类模型M0，分类模型M0输入是旧类别表情数据，输出是表情种类分类；通过新类别表情数据和旧类别表情数据间的匹配信息表示得到新类别表情数据和旧类别表情数据之间的输运距离矩阵，新类别表情数据的特征之间和旧类别表情数据的特征之间采用均匀分布，新类别表情数据的特征简称新特征，旧类别表情数据的特征称为旧特征，利用最优输运算法，学习一个从新特征到旧特征的最优输运矩阵T；使用最优输运矩阵T对分类模型M0进行转换得到适用于新场景下的先验模型M1，设分类模型M0的参数为[Wa]，其中[Wa]是旧类别表情数据对应的特有特征的权重，使用转换矩阵得到先验模型M1全连接层的参数为[Wa,TWa]，TWa表示T和Wa的矩阵乘法；基于知识蒸馏损失函数和交叉熵损失函数，仅利用新采集到的用户表情信息更新分类器先验模型M1；重新计算从新特征到旧特征的最优输运矩阵T，利用知识蒸馏损失函数建立用户的旧表情识别用分类模型M0到新表情识别用先验模型M1和新表情识别用先验模型M1到旧表情识别用分类模型M0的映射关系。
显然，本领域的技术人员应该明白，上述的本发明实施例的基于持续学习的用户表情识别方法各步骤或基于持续学习的用户表情识别系统各模块可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

Claims (8)

1.一种基于持续学习的用户表情识别方法，其特征在于，包括如下内容：
数据收集：收集用户表情信息的特征数据和对应表情标记；
持续学习：采用知识蒸馏技术和最优输运技术完成模型持续学习；
用户表情识别预测：在用户新收集到的表情数据上建立一个新的模型；利用建立好的模型对用户表情进行分类。
2.根据权利要求1所述的基于持续学习的用户表情识别方法，其特征在于，所述数据收集的实现包括如下步骤：
步骤100，收集设备中当前存储的用户表情数据，记为目前已有的旧类别表情数据；
步骤101，收集设备中用户的旧表情数据的对应标记；
步骤102，在与步骤100中的用户表情数据的不同场景下，收集设备中用户在这个新场景下的表情数据，记为新类别表情数据；
步骤103，收集设备中用户在新场景下的新类别表情数据的对应标记。
3.根据权利要求1所述的基于持续学习的用户表情识别方法，其特征在于，所述持续学习的实现包括如下步骤：
步骤200，利用旧类别表情的样本训练一个分类模型M0，分类模型M0输入是旧类别表情数据，输出是表情种类分类；
步骤201，通过新类别表情数据和旧类别表情数据间的匹配信息表示得到新类别表情数据和旧类别表情数据之间的输运距离矩阵，新类别表情数据的特征之间和旧类别表情数据的特征之间采用均匀分布，新类别表情数据的特征简称新特征，旧类别表情数据的特征称为旧特征，利用最优输运算法，学习一个从新特征到旧特征的最优输运矩阵T；
步骤202，使用最优输运矩阵T对分类模型M0进行转换得到适用于新场景下的先验模型M1，设分类模型M0的参数为[Wa]，其中[Wa]是旧类别表情数据对应的特有特征的权重，使用转换矩阵得到先验模型M1全连接层的参数为[Wa,TWa]，TWa表示T和Wa的矩阵乘法；
步骤203，基于知识蒸馏损失函数和交叉熵损失函数，仅利用新采集到的用户表情信息更新分类器先验模型M1；
步骤204，重新计算从新特征到旧特征的最优输运矩阵T，利用知识蒸馏损失函数建立用户的旧表情识别用分类模型M0到新表情识别用先验模型M1和新表情识别用先验模型M1到旧表情识别用分类模型M0的映射关系。
4.根据权利要求1所述的基于持续学习的用户表情识别方法，其特征在于，用户表情识别预测的步骤具体为：
步骤300，收集用户包含新类别表情数据和旧类别表情数据的测试数据；
步骤301，利用训练好的表情识别用先验模型M1对包含用户新旧类别表情的测试数据进行预测，即可对用户的新类别表情数据和旧类别表情数据进行分类。
5.一种基于持续学习的用户表情识别系统，其特征在于，包括：
数据收集模块：收集用户表情信息的特征数据和对应表情标记；
持续学习模块：采用知识蒸馏技术和最优输运技术完成模型持续学习；
用户表情识别预测模块：在用户新收集到的表情数据上建立一个新的模型；利用建立好的模型对用户表情进行分类。
6.根据权利要求5所述的基于持续学习的用户表情识别系统，其特征在于，所述持续学习模块：利用旧类别表情的样本训练一个分类模型M0，分类模型M0输入是旧类别表情数据，输出是表情种类分类；通过新类别表情数据和旧类别表情数据间的匹配信息表示得到新类别表情数据和旧类别表情数据之间的输运距离矩阵，新类别表情数据的特征之间和旧类别表情数据的特征之间采用均匀分布，新类别表情数据的特征简称新特征，旧类别表情数据的特征称为旧特征，利用最优输运算法，学习一个从新特征到旧特征的最优输运矩阵T；使用最优输运矩阵T对分类模型M0进行转换得到适用于新场景下的先验模型M1，设分类模型M0的参数为[Wa]，其中[Wa]是旧类别表情数据对应的特有特征的权重，使用转换矩阵得到先验模型M1全连接层的参数为[Wa,TWa]，TWa表示T和Wa的矩阵乘法；基于知识蒸馏损失函数和交叉熵损失函数，仅利用新采集到的用户表情信息更新分类器先验模型M1；重新计算从新特征到旧特征的最优输运矩阵T，利用知识蒸馏损失函数建立用户的旧表情识别用分类模型M0到新表情识别用先验模型M1和新表情识别用先验模型M1到旧表情识别用分类模型M0的映射关系。
7.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-7中任一项所述的基于持续学习的用户表情识别方法。
8.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的基于持续学习的用户表情识别方法的计算机程序。
CN202111253733.2A 2021-10-27 2021-10-27 一种基于持续学习的用户表情识别方法和系统 Active CN113822228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111253733.2A CN113822228B (zh) 2021-10-27 2021-10-27 一种基于持续学习的用户表情识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111253733.2A CN113822228B (zh) 2021-10-27 2021-10-27 一种基于持续学习的用户表情识别方法和系统

Publications (2)

Publication Number Publication Date
CN113822228A true CN113822228A (zh) 2021-12-21
CN113822228B CN113822228B (zh) 2024-03-22

Family

ID=78917457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111253733.2A Active CN113822228B (zh) 2021-10-27 2021-10-27 一种基于持续学习的用户表情识别方法和系统

Country Status (1)

Country Link
CN (1) CN113822228B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604382A (zh) * 2009-06-26 2009-12-16 华中师范大学 一种基于面部表情识别的学习疲劳识别干预方法
CN107657812A (zh) * 2017-08-29 2018-02-02 陈飞 一种根据交通流量预测进行动态规划停车位的方法
CN110505098A (zh) * 2019-08-28 2019-11-26 南京大学 一种基于异构模型重用的跨区域通信流量预测方法
CN111027215A (zh) * 2019-12-11 2020-04-17 中国人民解放军陆军工程大学 针对虚拟人的性格训练系统及其方法
CN111325354A (zh) * 2020-03-13 2020-06-23 腾讯科技（深圳）有限公司 机器学习模型压缩方法、装置、计算机设备和存储介质
US20200208114A1 (en) * 2018-12-10 2020-07-02 The Broad Institute, Inc. Taxonomy and use of bone marrow stromal cell
WO2020159638A1 (en) * 2019-01-30 2020-08-06 Hrl Laboratories, Llc System and method for unsupervised domain adaptation via sliced-wasserstein distance
CN112036458A (zh) * 2020-08-21 2020-12-04 上海电机学院 一种滚动轴承故障诊断方法
CN112232252A (zh) * 2020-10-23 2021-01-15 湖南科技大学 基于最优输运的传动链无监督域适应故障诊断方法
US20210064925A1 (en) * 2019-09-03 2021-03-04 Nvidia Corporation Video prediction using one or more neural networks
US20210150252A1 (en) * 2019-11-14 2021-05-20 Magic Leap, Inc. Systems and methods for virtual and augmented reality
WO2021116800A1 (en) * 2019-12-09 2021-06-17 King Abdullah University Of Science And Technology System and method for using a neural network to formulate an optimization problem
US20210192363A1 (en) * 2019-12-23 2021-06-24 Hrl Laboratories, Llc Systems and methods for unsupervised continual learning

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604382A (zh) * 2009-06-26 2009-12-16 华中师范大学 一种基于面部表情识别的学习疲劳识别干预方法
CN107657812A (zh) * 2017-08-29 2018-02-02 陈飞 一种根据交通流量预测进行动态规划停车位的方法
US20200208114A1 (en) * 2018-12-10 2020-07-02 The Broad Institute, Inc. Taxonomy and use of bone marrow stromal cell
WO2020159638A1 (en) * 2019-01-30 2020-08-06 Hrl Laboratories, Llc System and method for unsupervised domain adaptation via sliced-wasserstein distance
CN110505098A (zh) * 2019-08-28 2019-11-26 南京大学 一种基于异构模型重用的跨区域通信流量预测方法
US20210064925A1 (en) * 2019-09-03 2021-03-04 Nvidia Corporation Video prediction using one or more neural networks
US20210150252A1 (en) * 2019-11-14 2021-05-20 Magic Leap, Inc. Systems and methods for virtual and augmented reality
WO2021116800A1 (en) * 2019-12-09 2021-06-17 King Abdullah University Of Science And Technology System and method for using a neural network to formulate an optimization problem
CN111027215A (zh) * 2019-12-11 2020-04-17 中国人民解放军陆军工程大学 针对虚拟人的性格训练系统及其方法
US20210192363A1 (en) * 2019-12-23 2021-06-24 Hrl Laboratories, Llc Systems and methods for unsupervised continual learning
CN111325354A (zh) * 2020-03-13 2020-06-23 腾讯科技（深圳）有限公司 机器学习模型压缩方法、装置、计算机设备和存储介质
CN112036458A (zh) * 2020-08-21 2020-12-04 上海电机学院 一种滚动轴承故障诊断方法
CN112232252A (zh) * 2020-10-23 2021-01-15 湖南科技大学 基于最优输运的传动链无监督域适应故障诊断方法

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
C. LI: ""Semantics-Assisted Wasserstein Learning for Topic and Word Embeddings"", 《2020 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》, pages 292 - 301 *
COURTY, NICOLAS等: ""Joint distribution optimal transportation for domain adaptation"", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》, vol. 2017, pages 3733 *
H. -J. YE: ""Heterogeneous Few-Shot Model Rectification With Semantic Mapping"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 43, no. 11, pages 3878 - 3891 *
NGUYEN, T.: ""Most: Multi-source domain adaptation via optimal transport for student-teacher learning"", 《UNCERTAINTY IN ARTIFICIAL INTELLIGENCE》, vol. 161, pages 225 - 235 *
S. H. KASAEI: ""OrthographicNet: A Deep Transfer Learning Approach for 3-D Object Recognition in Open-Ended Domains"", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》, vol. 26, no. 6, pages 2910 - 2921, XP011893538, DOI: 10.1109/TMECH.2020.3048433 *
叶翰嘉: ""开放环境下的度量学习研究"", 《中国博士学位论文全文数据库 信息科技辑》, no. 11 *
周大蔚等: ""基于深度学习的类别增量学习算法综述"", 《计算机学报》, vol. 46, no. 8, pages 1577 - 1605 *
姜慧明: ""基于生成对抗网络与知识蒸馏的人脸修复与表情识别"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 4 *
姜慧明: ""基于生成对抗网络与知识蒸馏的人脸修复与表情识别"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 8, pages 4 *
李军: ""生成神经网络（Generative Neural Networks）中的最优传输"", pages 1 - 4, Retrieved from the Internet <URL:《https://zhuanlan.zhihu.com/p/383528943》> *
车令夫等: ""基于最优输运的迁移学习"", 《模式识别与人工智能》, vol. 32, no. 6, pages 481 - 493 *

Also Published As

Publication number Publication date
CN113822228B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
JP6741357B2 (ja) マルチ関連ラベルを生成する方法及びシステム
CN108197664B (zh) 模型获取方法、装置、电子设备及计算机可读存储介质
CN109522450B (zh) 一种视频分类的方法以及服务器
CN112465840B (zh) 语义分割模型训练方法、语义分割方法及相关装置
CN111741330A (zh) 一种视频内容评估方法、装置、存储介质及计算机设备
US11429810B2 (en) Question answering method, terminal, and non-transitory computer readable storage medium
CN111914085A (zh) 文本细粒度情感分类方法、系统、装置及存储介质
CN112287994A (zh) 伪标签处理方法、装置、设备及计算机可读存储介质
CN113657425A (zh) 基于多尺度与跨模态注意力机制的多标签图像分类方法
CN108108743A (zh) 异常用户识别方法和用于识别异常用户的装置
CN110598869B (zh) 基于序列模型的分类方法、装置、电子设备
CN113657087B (zh) 信息的匹配方法及装置
CN110705490A (zh) 视觉情感识别方法
CN109993188B (zh) 数据标签识别方法、行为识别方法及装置
CN112270334B (zh) 一种基于异常点暴露的少样本图像分类方法及系统
CN116701637B (zh) 一种基于clip的零样本文本分类方法、系统及介质
CN116681128A (zh) 一种带噪多标签数据的神经网络模型训练方法和装置
CN113822228A (zh) 一种基于持续学习的用户表情识别方法和系统
CN113987188B (zh) 一种短文本分类方法、装置及电子设备
CN115687676A (zh) 信息检索方法、终端及计算机可读存储介质
CN115357220A (zh) 一种面向工业app开发的群智化需求获取方法
CN114332729A (zh) 一种视频场景检测标注方法及系统
Pan et al. A hybrid NN-Bayesian architecture for information fusion
CN115272780B (zh) 训练多标签分类模型的方法及相关产品
Chen et al. Active inference for retrieval in camera networks

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