CN116992396B 冗余自适应的多模态鲁棒融合学习方法及系统 （上海交通大学）_第1页
CN116992396B 冗余自适应的多模态鲁棒融合学习方法及系统 （上海交通大学）_第2页
CN116992396B 冗余自适应的多模态鲁棒融合学习方法及系统 （上海交通大学）_第3页
CN116992396B 冗余自适应的多模态鲁棒融合学习方法及系统 （上海交通大学）_第4页
CN116992396B 冗余自适应的多模态鲁棒融合学习方法及系统 （上海交通大学）_第5页
已阅读5页，还剩24页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

冗余自适应的多模态鲁棒融合学习方法及本发明提供了一种冗余自适应的多模态鲁2单模态特征提取步骤：对单模态特征提取网络进行预训练单模态特征编码步骤：使用不同的单模态特征编码网络单模态特征稀疏化步骤：根据得到的各单模态的均值和方差动态权重分配步骤：对比得到的各单模态的方差向量，单模态概率分布采样步骤：对由不同均值和方差组合构所述单模态特征提取步骤包括：固定各种预训练好的单模态特征提取模态特征稀疏化步骤包括：根据得到的各单模态的均值向量μ1,μ2,…,μM、方差向量σ1,3m7.根据权利要求5或6所述的冗余自适应的多单模态特征提取模块：对单模态特征提取网络进行预训练4单模态特征编码模块：使用不同的单模态特征编码网络动态权重分配模块：对比得到的各单模态的方差向量，单模态概率分布采样模块：对由不同均值、方差组合构所述单模态特征提取模块包括：固定各种预训练好单模态特征提取网络的5所述动态权重分配模块包括：对比得到的各单模态的方差向量，按m6提出的多模态学习算法则研究如何利用数据间的关联关系对多模态信息进行综合有效地提取和筛选以获取性能更优越的多模态深度学[0003]传统的多模态模型通过聚合不同模态提供的互补任务线索，来提高算法的效7[0019]优选的，所述单模态特征稀疏化步骤包括：根据得到的各单模态的均值向量μ1,8m[0031]其中，zm~N(0,I)。及多模态特征向量h输入同一个由多层感知机构成的类别预测网络，得到相应特征的概率9[0045]所述单模态特征模块包括：使用不同的单模态特征编码网络，分别对提取的x1,x2,…,xM进行编码，然后经过两个线性映射模块分别产生D维的对应单模态均值向量μ1,(·)是模态m的单模态特征编码器；和分别是计算均值和方态特征向量h输入同一个由多层感知机构成的类别预测网络，得到相应特征的概率预测分[0066](1)本发明在潜在空间中采用概率建模的形式来表示每种模态，这种概率建模的[0067](2)本发明通过同时优化各单模态独立的分类损失，以及施加在各单模态特征分[0068](3)本发明通过对比各单模态概率分布的方差来为每个模态分配元素尺度的权[0069]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、入模态数据提取预设维度的单模态初始特征。其中，文本数据采用Bert_lagre模型提取(·)是模态m的单模态特征编码器，和分别是计算均值和方[0087]具体地，所述单模态特征稀疏化步骤包括：根据得到的各单模态的均值向量μ1,m及多模态特征向量h输入同一个由多层感知机构成的类别预测网络，得到相应特征的概率入模态数据提取预设维度的单模态初始特征；其中，文本数据采用Bert_lagre模型提取[0117]具体地，所述单模态特征稀疏化模块包括：根据得到的各单模态的均值向量μ1,m及多模态特征向量h输入同一个由多层感知机构成的类别预测网络，得到相应特征的概率[0134]本领域技术人员知道

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论