-
公开(公告)号：CN113918722B
公开(公告)日：2024-08-02
申请号：CN202111343981.6
申请日：2021-11-14
Applicant: 北京工业大学
IPC: G06F16/35 , G06F18/2136 , G06F18/23213 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了面向引文网络数据的基于稀疏图学习的图卷积聚类方法，该方法在图卷积网络的每个图卷积层前面嵌入了一个稀疏图结构学习层，挖掘高维数据中的低维结构从而构建更优的图结构。在模型优化时，交替更新图结构和节点表示，减少不准确的图结构对图卷积网络带来的负影响，最终对得到的节点表示执行K‑Means获得最终的聚类结果。相比于现有的固定图结构的图卷积深度聚类方法，不断更新的图结构对边攻击更加鲁棒。本发明从节点表示中学习自适应图来提高原始图结构的质量。所使用的持续更新的图结构可以有效地帮助生成更全面和更具有判别性的节点特征。最后，逐层交替的更新图结构和节点表示可以有效缓解图卷积网络中过平滑的问题。
-
公开(公告)号：CN118379374A
公开(公告)日：2024-07-23
申请号：CN202410292707.8
申请日：2024-03-14
Applicant: 北京工业大学
IPC: G06T11/00 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于光谱记忆增强网络的高光谱图像压缩成像方法及装置，对目标函数增加两个先验项来设计重建优化目标，采用半二次分裂的方法来求解优化目标，为局部非局部和低秩先验分别设计了创新的网络模块，充分利用高光谱数据的物理先验知识，以丰富网络的特征表示能力，同时构建基于光谱相关特性的光谱记忆增强网络以减轻不同网络阶段间特征信息的损失。
-
公开(公告)号：CN118368431A
公开(公告)日：2024-07-19
申请号：CN202410306940.7
申请日：2024-03-18
Applicant: 北京工业大学
IPC: H04N19/176 , H04N19/91 , H04N19/124 , H04N19/42 , G06T9/00
Abstract: 一种图稀疏掩膜窗口注意力的学习图像压缩方法及装置，能够关注图像空域像素相关性与窗口注意力机制之间的联系，更好地适用于图像压缩任务，在编码性能相当的情况下，本发明所得到的重建图像在结构相似性客观指标上表现更加出色，主观质量上得到的重建图像纹理细节重建的更好。方法包括：(1)以自然图像为输入，经分块操作后送入编码器，获得能量紧凑的隐变量表示；(2)通过量化和算术编码得到用于传输的比特流；(3)在解码端，比特流依据逐通道自回归熵模型重建得到隐变量表示；(4)该重建隐变量表示经解码器得到最终的重建图像。
-
公开(公告)号：CN114662748B
公开(公告)日：2024-06-25
申请号：CN202210250344.2
申请日：2022-03-07
Applicant: 北京工业大学
IPC: G06Q10/04 , G06Q50/20 , G06F18/214 , G06F18/2431 , G06F18/2413 , G06F18/23213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。
-
公开(公告)号：CN112116593B
公开(公告)日：2024-06-21
申请号：CN202010781502.8
申请日：2020-08-06
Applicant: 北京工业大学
IPC: G06T7/10 , G06N3/0464 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于基尼指数的领域自适应语义分割方法，利用基尼指数度量输出预测的不确定性，在输出层对目标域输出预测进行不确定性度量及约束，减小源域和目标域在类别分布上的差异，进行域间自适应；依据基尼指数对目标域预测的不确定性度量结果将目标域样本集划分为两个子集，对域内高置信度预测对应的样本利用伪标签作为弱监督信息训练域内自适应分割网络，对域内自适应分割网络两个子集的输出预测计算基尼指数图，对低置信度样本计算的基尼指数图进行约束，并利用判别器Dt判别基尼指数图属于哪个子集，基于对抗思想减小目标域域内的差异，提高语义标注精度。与现有技术相比较，本发明显著提高了目标域的语义标注准确率。
-
Patent Agency Ranking
公开(公告)号：CN113705679B
公开(公告)日：2024-05-28
申请号：CN202110999765.0
申请日：2021-08-30
Applicant: 北京工业大学
IPC: G06F18/2431 , G06F18/214 , G06F18/23 , G06N3/0464 , G06Q10/04 , G06Q50/20
Abstract: 本发明提供了一种基于超图神经网络的学生成绩预测方法，用于解决现有技术无法对学生多源异构行为数据进行分析，进而无法准确预测学业成绩的问题。本方法首先根据学生多源异构数据提取多源行为特征，然后，对所有学生的多源行为特征进行敏感性分析得到每种行为的影响力特征，接下来，利用影响力特征构建多源行为超图；最后，将学生的多源超图H及由四种行为的影响力特征拼接而成的多元影响力特征X输入到深度网络，预测学生成绩。本发明提出的Ms‑HGNN方法，从群体的角度考虑了多源行为特征构建的行为模式对学生成绩的影响，灵活地表示了学生行为多元关联，在提高模型预测准确性的同时赋予了一定的可解释性。
-
公开(公告)号：CN111461257B
公开(公告)日：2024-05-28
申请号：CN202010337201.6
申请日：2020-04-24
Applicant: 北京工业大学
IPC: G06V10/762
Abstract: 本发明公开了一种基于乘积Grassmann流形的多视点视频数据的共享‑差异表示(PGM‑CER)聚类分析方法，用于解决传统多视聚类方法无法将多视数据中的共享和差异信息分离开来、不适用于具有复杂非线性结构的多维数据的问题。本方法中，聚类过程分为三部分，首先，用乘积Grassmann流形来表示多视点视频，再将共享‑差异表示从欧氏空间扩展到乘积Grassmann流形空间；然后，建立PGM‑CER模型，在全局约束下学习其共享‑差异信息；最终，实现多视点视频聚类。直接求解流形上的优化问题比较困难，本方法通过流形空间与欧氏空间的映射求解最优解，简化了学习过程，效果显著优于其他经典多视聚类方法。
-
公开(公告)号：CN113807393B
公开(公告)日：2024-04-26
申请号：CN202110911805.1
申请日：2021-08-10
Applicant: 北京工业大学
Abstract: 本发明公开了基于多属性非负矩阵分解的聚类方法，该方法将希尔伯特施密特准则和图正则化同时引入到单视图非负矩阵分解领域。对原始数据进行多属性分解，多方面理解数据，得到不同降维后的数据矩阵。利用希尔伯特施密特准则增加不同属性分解之间的多样性，减少冗余特征，每个低维表示都保持独立，并且对应数据特定的属性，以求能够得到更加准确的原始数据的低维表示。许多低维表示仅仅是对高维数据进行降维，但是原始的数据往往存在着某种几何结构，这对聚类有很大的帮助，也是极其重要的信息，利用图正则化项能够保持数据的局部几何结构。最后，在聚类阶段直接采取多视图下k‑means方法来整合不同属性的低维表示，充分利用了来自各个属性的信息。
-
公开(公告)号：CN112801404B
公开(公告)日：2024-03-22
申请号：CN202110186065.X
申请日：2021-02-14
Applicant: 北京工业大学
IPC: G06Q10/04 , G06Q50/40 , G06F18/214 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 一种基于自适应空间自注意力图卷积的交通预测方法属于交通领域和深度学习领域，提出一种自适应空间自注意力图卷积网络(ASSAGCN)用于交通预测。ASSAGCN的由2个残差块堆叠而成。每个残差块由一个图卷积模块(GCN)、一个多头空间自注意力模块(MHSSA)、一个门控融合模块(GF)和一个多感受野空洞因果卷积模块(MRDCC)构成。其中GCN基于连通性对路网的局部空间相关性进行建模；MHSSA用于捕获路网的隐含空间相关性，同时还能从全局聚合各个节点的信息；GF对GCN和MHSSA的输出进行融合；MRDCC用于建模时间相关性。输入层采用一个简单的全连接层将输入映射到一个高维空间提高模型的表达能力，输出层采用2个1×1的卷积层。本发明能够捕获到路网中潜在的空间相关性，适应路网结构的动态变化。
-
公开(公告)号：CN113780001B
公开(公告)日：2023-12-15
申请号：CN202110921609.2
申请日：2021-08-12
Applicant: 北京工业大学
Abstract: 本发明提出了一种面向学术论文同名消歧的可视化分析方法。在科学文献管理领域内，如何提高同名消歧的效率已成为一个亟待解决的热点问题。鲜有一种可交互的、直观的可视化工具，在结合机器学习算法的基础上，对同名作者之间的合作关系进行深入的分析和解释。本发明首先根据论文合著者存在的合作网络，生成合作关系图，用于揭示科研团队中作者的合作关系。为了展示不同作者研究方向之间的相关性，设计了合作关系图和发文期刊图之间的可视化联动。通过结合深度学习模型分别对论文和作者进行分类，实现从作者和团队任意主体出发的交叉分析与连贯推理。本发明基于真实论文数据集进行了案例研究，验证了本发明在解决论文同名消歧
-
-
-
-
-
-
-
-
-
Search Results
447
records
(took 0.026 seconds)
