CN115018472A - 一种基于可解释机制的交互式增量化情报分析系统 - Google Patents
一种基于可解释机制的交互式增量化情报分析系统 Download PDFInfo
- Publication number
- CN115018472A CN115018472A CN202210924147.4A CN202210924147A CN115018472A CN 115018472 A CN115018472 A CN 115018472A CN 202210924147 A CN202210924147 A CN 202210924147A CN 115018472 A CN115018472 A CN 115018472A
- Authority
- CN
- China
- Prior art keywords
- sample
- model
- zero
- intelligence
- learner
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于可解释机制的交互式增量化情报分析系统,属于情报数据分析服务领域,该系统包括深度神经网络学习器、模型解释器、人机交互器、样本增强生成器、增量学习器和零小样本处置器,其中,多源情报数据输入深度神经网络学习器进行训练;先后通过模型解释器、人机交互器、样本增强生成器和增量学习器,实现足量样本情况下的情报分析透明化、可交互化、增量化地提升;并通过模型解释器、人机交互器以及零小样本处置器实现情报数据分析中新情况、新事件的零小样本学习与分析处理。本发明可有效克服基于深度神经网络等“黑盒”模型技术的传统情报分析处理机制盲目甚至无效学习的瓶颈问题。
Description
技术领域
本发明属于情报数据分析服务领域,特别涉及一种基于可解释机制的交互式增量化情报分析系统,用于实现情报数据分析服务领域深度学习模型的可解释性和精准性。
背景技术
随着人工智能技术在情报数据分析服务领域的不断推进,现已初步实现了有无人协同甚至无人化的智能情报生成与应用能力,在一定程度上提升了各级情报研判人员的工作效能。然而面向未来多模态、海量化、高精度、高时效的情报数据服务需求,现有情报数据智能处理受限于智能化认知不足、专家知识应用不足等问题导致现有情报智能数据分析仍存在较大缺陷。因此,如何提升情报数据分析中所用到智能化方法的可解释性、可认知性,并将专家知识更好地融入模型训练,将现有情报分析系统的盲目、无效学习模式向透明式增量化学习模式转变,是有效提升情报应用系统服务化转型、信息服务精准分析等能力的关键环节。
面向情报数据分析服务领域,各级情报研判及指挥决策人员对智能情报分析模型内部学习过程可认知、产出结果可溯因以及与机器灵活交互的迫切需求,需要研究一种基于可解释机制的交互式增量化情报分析系统,以实现现有情报分析服务系统的升级改造。
发明内容
本发明的目的在于解决传统情报数据分析系统在专家知识融合、零小样本处理、增量化学习等方面的不足,突破盲目甚至无效学习的瓶颈问题,提出一种基于可解释机制的交互式增量化情报分析系统,借助可解释及增量学习机制实现人机融合的情报综合判读、推理及认知,保障基于深度学习模型的智能化情报分析的精准性、灵活性。
为了实现上述目的,本发明采用的技术方案如下:
一种基于可解释机制的交互式增量化情报分析系统,包括深度神经网络学习器、模型解释器、人机交互器、样本增强生成器、增量学习器和零小样本处置器;
深度神经网络学习器用于接收多源情报数据样本,进行包括目标智能监测识别、文本智能处理、轨迹融合和轨迹预测功能用到的深度神经网络模型的训练,将训练好的模型和多源情报数据样本输出至模型解释器;还用于在模型修正后得到目标智能监测识别、文本智能处理、轨迹融合和轨迹预测的处理结果;其中多源情报数据样本为足量样本或零小样本;
模型解释器用于对训练好的模型进行透明化和可理解化,将模型的解释结果输出至人机交互器和零小样本处置器,并将多源情报数据样本输出至人机交互器;其中模型的解释结果包含模型内部结构的解释以及产生结果的溯因;
人机交互器用于在多源情报数据样本为足量样本时借助模型解释器对模型内部结构的解释以及产生结果的溯因,依靠人为经验知识对多源情报数据样本进行正向干预,将干预后的多源情报数据样本输出至样本增强生成器,在多源情报数据样本为零小样本时将人为经验知识输出至零小样本处置器;其中正向干预包括对多源情报数据样本进行修正与关键样本筛选;
样本增强生成器用于将干预后的多源情报数据样本进行增强生成,将增强生成后的数据样本输出至增量学习器;
增量学习器用于基于回放的增量学习机制,利用增强生成后的数据样本对深度神经网络学习器训练的模型进行修正;
零小样本处置器用于将模型的解释结果与人为经验知识进行匹配,实现新事件和新情况下的零小样本学习,得到零样本和小样本的识别或分析结果。
进一步地,模型解释器对训练好的模型进行透明化和可理解化的具体实现过程为:
从浅层特征和深层语义两个角度分别采用基于特征空间以及基于隐语义的可解释方法,从模型内部结构以及模型结果与输入关联关系方面对模型进行解释,得出深度神经网络结构中神经元激活状态与高阶语义的映射关系,以及输入样本中典型特征与输出结果的关联关系,并以文本以及图谱化的形式进行可视化展示。
进一步地,人机交互器对多源情报数据样本进行正向干预的具体实现过程为:
以模型解释器的输出解释结果为基础,借助情报研判人员的经验及对场景的理解,采用情报研判人员直接对输入多源情报数据样本进行筛选与修改的方式,对关键样本进行挑选并对样本标签进行标注与修改。
进一步地,零小样本处置器的具体实现过程为:
零小样本处置器依托模型解释器得出的深度神经网络结构中神经元激活状态与高阶语义的映射关系,得到零小样本在现有深度神经网络学习器中神经元激活状态向量,并将人为经验知识所认知的高级语义转化为表征相应神经元激活状态的向量形式,计算零小样本所对应的神经元激活状态向量与人为经验知识所对应的神经元激活状态向量的相似程度,按照匹配程度最高的原则得到零小样本的识别或分析结果。
本发明与背景技术相比具有如下优点:
1. 本发明提出的一种基于可解释机制的交互式增量化情报分析系统,是以可解释机制为突破点,以解释结果可视化呈现为依托,以人机交互为媒介的透明增量式学习框架,能够实现专家知识与深度模型的双向相互,解决现有情报数据分析系统盲目、无效学习及无法处理新事件、新情况的问题,提升情报数据分析的精准性、灵活性。
2. 本发明提出的一种基于可解释机制的交互式增量化情报分析系统,以可解释深度模型为支撑实现模型结构、学习过程以及输出结果向情报分析人员的友好呈现,以可视化操作的方式提供情报分析人员正向干预模型训练的接口,可有效弥补现有方法框架专家知识难以用于情报分析模型性能提升的不足,提升情报数据分析服务对专家经验知识的有效利用率。
3. 本发明提出的一种基于可解释机制的交互式增量化情报分析系统,基于可解释器的输出结果与专家知识的向量化转化,通过零小样本处置器为情报分析所面临的新事件、新情况的处理提供了新的解决思路,有效解决了现有情报数据分析系统对零小样本处理准确率低的问题。
附图说明
图1是本发明基于可解释机制的交互式增量化情报分析系统的原理框架图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明一种基于可解释机制的交互式增量化情报分析系统具体实施下的原理框架图。
在本实施例中,如图1所示一种基于可解释机制的交互式增量化情报分析系统,包括深度神经网络学习器、模型解释器、人机交互器、样本增强生成器、增量学习器和零小样本处置器;
深度神经网络学习器用于接收多源情报数据样本,进行包括目标智能监测识别、文本智能处理、轨迹融合和轨迹预测功能用到的深度神经网络模型的训练,将训练好的模型和多源情报数据样本输出至模型解释器;还用于在模型修正后得到目标智能监测识别、文本智能处理、轨迹融合和轨迹预测的处理结果;其中多源情报数据样本为足量样本或零小样本;
模型解释器用于对训练好的模型进行透明化和可理解化,将模型的解释结果输出至人机交互器和零小样本处置器,并将多源情报数据样本输出至人机交互器;其中模型的解释结果包含模型内部结构的解释以及产生结果的溯因;其中,模型解释器对训练好的模型进行透明化和可理解化的具体实现过程为:
从浅层特征和深层语义两个角度分别采用基于特征空间以及基于隐语义的可解释方法,从模型内部结构以及模型结果与输入关联关系方面对模型进行解释,得出深度神经网络结构中神经元激活状态与高阶语义的映射关系,以及输入样本中典型特征与输出结果的关联关系,并以文本以及图谱化的形式进行可视化展示;
人机交互器用于在多源情报数据样本为足量样本时借助模型解释器对模型内部结构的解释以及产生结果的溯因,依靠人为经验知识对多源情报数据样本进行正向干预,将干预后的多源情报数据样本输出至样本增强生成器,在多源情报数据样本为零小样本时将人为经验知识输出至零小样本处置器;其中正向干预包括对多源情报数据样本进行修正与关键样本筛选;人机交互器对多源情报数据样本进行正向干预的具体实现过程为:
以模型解释器的输出解释结果为基础,借助情报研判人员的经验及对场景的理解,采用情报研判人员直接对输入多源情报数据样本进行筛选与修改的方式,对关键样本进行挑选并对样本标签进行标注与修改;
样本增强生成器用于将干预后的多源情报数据样本进行增强生成,将增强生成后的数据样本输出至增量学习器;
增量学习器用于基于回放的增量学习机制,利用增强生成后的数据样本对深度神经网络学习器训练的模型进行修正;
零小样本处置器用于将模型的解释结果与人为经验知识进行匹配,实现新事件和新情况下的零小样本学习,得到零样本和小样本的识别或分析结果;具体实现过程为:
零小样本处置器依托模型解释器得出的深度神经网络结构中神经元激活状态与高阶语义的映射关系,得到零小样本在现有深度神经网络学习器中神经元激活状态向量,并将人为经验知识所认知的高级语义转化为表征相应神经元激活状态的向量形式,计算零小样本所对应的神经元激活状态向量与人为经验知识所对应的神经元激活状态向量的相似程度,按照匹配程度最高的原则得到零小样本的识别或分析结果。
本发明实现一种基于可解释机制的交互式增量化情报分析系统,该系统包括深度神经网络学习器、模型解释器、人机交互器、样本增强生成器、增量学习器和零小样本处置器,其中,多源情报数据输入深度神经网络学习器进行训练;先后通过模型解释器、人机交互器、样本增强生成器和增量学习器,实现足量样本情况下的情报分析透明化、可交互化、增量化地提升;并通过模型解释器、人机交互器以及零小样本处置器实现情报数据分析中新情况、新事件的零小样本学习与分析处理。本发明可有效克服基于深度神经网络等“黑盒”模型技术的传统情报分析处理机制盲目甚至无效学习的瓶颈问题。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于可解释机制的交互式增量化情报分析系统,其特征在于,包括深度神经网络学习器、模型解释器、人机交互器、样本增强生成器、增量学习器和零小样本处置器;
深度神经网络学习器用于接收多源情报数据样本,进行包括目标智能监测识别、文本智能处理、轨迹融合和轨迹预测功能用到的深度神经网络模型的训练,将训练好的模型和多源情报数据样本输出至模型解释器;还用于在模型修正后得到目标智能监测识别、文本智能处理、轨迹融合和轨迹预测的处理结果;其中多源情报数据样本为足量样本或零小样本;
模型解释器用于对训练好的模型进行透明化和可理解化,将模型的解释结果输出至人机交互器和零小样本处置器,并将多源情报数据样本输出至人机交互器;其中模型的解释结果包含模型内部结构的解释以及产生结果的溯因;
人机交互器用于在多源情报数据样本为足量样本时借助模型解释器对模型内部结构的解释以及产生结果的溯因,依靠人为经验知识对多源情报数据样本进行正向干预,将干预后的多源情报数据样本输出至样本增强生成器,在多源情报数据样本为零小样本时将人为经验知识输出至零小样本处置器;其中正向干预包括对多源情报数据样本进行修正与关键样本筛选;
样本增强生成器用于将干预后的多源情报数据样本进行增强生成,将增强生成后的数据样本输出至增量学习器;
增量学习器用于基于回放的增量学习机制,利用增强生成后的数据样本对深度神经网络学习器训练的模型进行修正;
零小样本处置器用于将模型的解释结果与人为经验知识进行匹配,实现新事件和新情况下的零小样本学习,得到零样本和小样本的识别或分析结果。
2.根据权利要求1所述的一种基于可解释机制的交互式增量化情报分析系统,其特征在于,模型解释器对训练好的模型进行透明化和可理解化的具体实现过程为:
从浅层特征和深层语义两个角度分别采用基于特征空间以及基于隐语义的可解释方法,从模型内部结构以及模型结果与输入关联关系方面对模型进行解释,得出深度神经网络结构中神经元激活状态与高阶语义的映射关系,以及输入样本中典型特征与输出结果的关联关系,并以文本以及图谱化的形式进行可视化展示。
3.根据权利要求1所述的一种基于可解释机制的交互式增量化情报分析系统,其特征在于,人机交互器对多源情报数据样本进行正向干预的具体实现过程为:
以模型解释器的输出解释结果为基础,借助情报研判人员的经验及对场景的理解,采用情报研判人员直接对输入多源情报数据样本进行筛选与修改的方式,对关键样本进行挑选并对样本标签进行标注与修改。
4.根据权利要求1所述的一种基于可解释机制的交互式增量化情报分析系统,其特征在于,零小样本处置器的具体实现过程为:
零小样本处置器依托模型解释器得出的深度神经网络结构中神经元激活状态与高阶语义的映射关系,得到零小样本在现有深度神经网络学习器中神经元激活状态向量,并将人为经验知识所认知的高级语义转化为表征相应神经元激活状态的向量形式,计算零小样本所对应的神经元激活状态向量与人为经验知识所对应的神经元激活状态向量的相似程度,按照匹配程度最高的原则得到零小样本的识别或分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924147.4A CN115018472B (zh) | 2022-08-03 | 2022-08-03 | 一种基于可解释机制的交互式增量化情报分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924147.4A CN115018472B (zh) | 2022-08-03 | 2022-08-03 | 一种基于可解释机制的交互式增量化情报分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018472A true CN115018472A (zh) | 2022-09-06 |
CN115018472B CN115018472B (zh) | 2022-11-11 |
Family
ID=83065279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924147.4A Active CN115018472B (zh) | 2022-08-03 | 2022-08-03 | 一种基于可解释机制的交互式增量化情报分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018472B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199971A (zh) * | 2014-09-23 | 2014-12-10 | 朱凯锋 | 基于标准知识框架的可视化情报分析方法及系统 |
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN107861942A (zh) * | 2017-10-11 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于深度学习的电力疑似投诉工单识别方法 |
CN110046707A (zh) * | 2019-04-15 | 2019-07-23 | 清华大学深圳研究生院 | 一种神经网络模型的评估优化方法和系统 |
CN111461067A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 基于先验知识映射及修正的零样本遥感影像场景识别方法 |
CN111651998A (zh) * | 2020-05-07 | 2020-09-11 | 中国科学技术大学 | 虚拟现实与增强现实场景下弱监督深度学习语义解析方法 |
CN112132179A (zh) * | 2020-08-20 | 2020-12-25 | 中国人民解放军战略支援部队信息工程大学 | 基于少量标注样本的增量学习方法及系统 |
CN112488316A (zh) * | 2020-12-11 | 2021-03-12 | 合肥讯飞数码科技有限公司 | 事件意图推理方法、装置、设备及存储介质 |
CN112861933A (zh) * | 2021-01-22 | 2021-05-28 | 中国科学院信息工程研究所 | 一种深度神经网络模型可视化解释方法及系统 |
CN112884021A (zh) * | 2021-01-29 | 2021-06-01 | 之江实验室 | 一种面向深度神经网络可解释性的可视分析系统 |
CN114091621A (zh) * | 2021-12-01 | 2022-02-25 | 上海市第六人民医院 | 一种bppv眼震信号的标注方法 |
US20220147876A1 (en) * | 2020-11-12 | 2022-05-12 | UMNAI Limited | Architecture for explainable reinforcement learning |
-
2022
- 2022-08-03 CN CN202210924147.4A patent/CN115018472B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199971A (zh) * | 2014-09-23 | 2014-12-10 | 朱凯锋 | 基于标准知识框架的可视化情报分析方法及系统 |
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN107861942A (zh) * | 2017-10-11 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于深度学习的电力疑似投诉工单识别方法 |
CN110046707A (zh) * | 2019-04-15 | 2019-07-23 | 清华大学深圳研究生院 | 一种神经网络模型的评估优化方法和系统 |
CN111461067A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 基于先验知识映射及修正的零样本遥感影像场景识别方法 |
CN111651998A (zh) * | 2020-05-07 | 2020-09-11 | 中国科学技术大学 | 虚拟现实与增强现实场景下弱监督深度学习语义解析方法 |
CN112132179A (zh) * | 2020-08-20 | 2020-12-25 | 中国人民解放军战略支援部队信息工程大学 | 基于少量标注样本的增量学习方法及系统 |
US20220147876A1 (en) * | 2020-11-12 | 2022-05-12 | UMNAI Limited | Architecture for explainable reinforcement learning |
CN112488316A (zh) * | 2020-12-11 | 2021-03-12 | 合肥讯飞数码科技有限公司 | 事件意图推理方法、装置、设备及存储介质 |
CN112861933A (zh) * | 2021-01-22 | 2021-05-28 | 中国科学院信息工程研究所 | 一种深度神经网络模型可视化解释方法及系统 |
CN112884021A (zh) * | 2021-01-29 | 2021-06-01 | 之江实验室 | 一种面向深度神经网络可解释性的可视分析系统 |
CN114091621A (zh) * | 2021-12-01 | 2022-02-25 | 上海市第六人民医院 | 一种bppv眼震信号的标注方法 |
Non-Patent Citations (2)
Title |
---|
DAVID BAU,BOLEI ZHOU,ADITYA KHOSLA,AUDE OLIVA: "Network Dissection:Quantifying Interpretability of Deep Visual Representations", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
郭璇,吴文辉,肖治庭,袁宏国: "基于深度学习和公开来源信息的反恐情报挖掘", 《信息系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115018472B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046671A (zh) | 一种基于胶囊网络的文本分类方法 | |
EP4053735A1 (en) | Method for structuring pedestrian information, device, apparatus and storage medium | |
CN112101045B (zh) | 一种多模态语义完整性识别方法、装置及电子设备 | |
CN111510688A (zh) | 一种带无人巡检功能的变电站智能辅控方法 | |
US20240046067A1 (en) | Data processing method and related device | |
Chen et al. | Research on YOLOv7-based defect detection method for automotive running lights | |
Asri et al. | A real time Malaysian sign language detection algorithm based on YOLOv3 | |
CN110321803A (zh) | 一种基于srcnn的交通标志识别方法 | |
CN116108215A (zh) | 基于深度融合的跨模态大数据检索方法及系统 | |
CN115018472B (zh) | 一种基于可解释机制的交互式增量化情报分析系统 | |
Qing et al. | GPT-aided diagnosis on agricultural image based on a new light YOLOPC | |
CN113280820B (zh) | 基于神经网络的果园视觉导航路径提取方法与系统 | |
CN114241606A (zh) | 一种基于自适应集学习预测的人物交互检测方法 | |
CN116954113B (zh) | 智能机器人驱动传感智能控制系统及其方法 | |
CN116912660A (zh) | 一种层级门控交叉Transformer红外弱小目标检测方法 | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN116994573A (zh) | 一种基于脉冲神经网络的端到端语音识别方法与系统 | |
US20230237344A1 (en) | Method, electronic device, and computer program product for managing training data | |
Wang et al. | An approach based on 1D fully convolutional network for continuous sign language recognition and labeling | |
CN114388108A (zh) | 一种基于多任务学习的用户反馈分析方法 | |
Akbulut et al. | Smart Arms Detection System Using YOLO Algorithm and OpenCV Libraries | |
CN117741070B (zh) | 基于深度学习的气体安全智能检测方法 | |
Gedara Chaminda Bandara et al. | DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection | |
Singh et al. | Comprehensive Approach to Road Sign Detection and Recognition for Autonomous Driving Systems and Road Safety | |
CN117854089A (zh) | 基于少样本条件下的招投标视觉语言模型的训练方法、处理方法及装置 |
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 |