-
公开(公告)号：CN114882531B
公开(公告)日：2025-04-01
申请号：CN202210554612.X
申请日：2022-05-19
Applicant: 重庆大学
IPC: G06V40/10 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/084
Abstract: 本发明涉及一种基于深度学习的跨域行人再识别方法，包括如下步骤：选用公开数据集作为源域和目标域；选用ResNet‑50模型M并进行初始化其参数得到M′；将源域和目标域作为初始化模型M′的输入并计算相应损失对模型M′进行训练，达到最大训练次数后停止训练，得到训练好的模型M″；将待预测行人图像输入训练好的模型M″中，得到行人的检索结果。使用本发明方法可以更准确的检测识别特定行人。
-
公开(公告)号：CN118504656A
公开(公告)日：2024-08-16
申请号：CN202410694396.8
申请日：2024-05-31
Applicant: 重庆大学
IPC: G06N3/096 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种对比扩散零样本学习方法，主要由语义引导的扩散对抗网络模型，对比嵌入模型E以及条件化去噪CD构成。其中S‑DDGAN作为本发明方法的核心，专门设计来解决GZSL中样本质量、模式覆盖及计算成本的均衡问题。在E部分，提出了一种创新架构以应对GZSL中合成视觉特征与语义信息不匹配的挑战。该模型通过在新的嵌入空间内实施对比学习策略，有效提升了分类性能。通过CD环节，利用分类器优化扩散生成器，确保了生成特征的有效性，从而提高判别性分类器的训练效果。
-
公开(公告)号：CN114237621B
公开(公告)日：2024-06-25
申请号：CN202111563221.6
申请日：2021-12-20
Applicant: 重庆大学
IPC: G06F8/41
Abstract: 本发明涉及一种基于细粒度共注意机制的语义代码搜索方法，包括如下步骤：首先，将代码特征(即方法名、API序列、令牌和语句树序列)和查询特征(即令牌序列)输入到一个注意力机制中，来获得代码/查询特征矩阵；然后，将获得的代码/查询特征矩阵分别输入四种细粒度的共注意机制中，得到每个代码特征与查询之间的细粒度相关性；最后，相互依赖的特征向量分别融合成最终的代码/查询向量，并计算两个代表性向量之间的余弦相似性，将余弦相似性降序排列，得到最终推荐的N个查询结果。使用本方法可以增强对代码/查询特征向量的信息使用效率，提高代码查询最终结果的准确性。
-
公开(公告)号：CN114821669B
公开(公告)日：2024-05-31
申请号：CN202210597200.4
申请日：2022-05-26
Applicant: 重庆大学
IPC: G06V40/10 , G06V40/20 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的细粒度行为识别方法，包括如下步骤：选用公开数据集，构建细粒度行为识别模型M，该模型包括基础行为识别模型TSN/TSM和行为扩展模型DFLM两部分；通过M中的基础行为识别模型对公开数据集中的视频进行特征提取，然后根据特征及相应标签构建得到三条支流结构；通过行为扩展模型DFLM执行自底向上和自顶向下两个阶段得到元素级和集合级的新特征；构建损失函数并通过损失函数对模型M进行训练，得到训练好的细粒度行为识别模型；通过将元素级和集合级的新特征输入到现有的分类器模型中，得到最终的细粒度行为识别结果。本发明方法能够对实际中行为间的差异性引起的更为复杂多变的更细粒度行为进行准确的识别。
-
公开(公告)号：CN112465009B
公开(公告)日：2023-10-31
申请号：CN202011340593.8
申请日：2020-11-25
Applicant: 重庆大学
IPC: G06F18/2431 , G06F18/214 , G06F11/36
Abstract: 本发明公开了一种软件崩溃故障位置定位方法，该方法基于谱聚类的算法将崩溃实例的原始特征集划分为若干个簇，基于最大信息系数方法计算每个簇中的特征和标签之间的相关性，然后每个簇只保留最大信息系数值最大的特征作为最终的特征子集的成员，最后基于简化的深度森林构建分类模型，对新的软件崩溃实例的位置进行预测，给出实例位置在堆栈迹中的概率值，从而识别出崩溃故障的位置。利用新颖的混合特征选择方法和简化的深度森林构建分类模型来识别崩溃故障的位置，可以运用至实际的软件测试场景，提高崩溃故障位置识别的效果，为提高软件的质量和加速测试效率做出贡献。
-
Patent Agency Ranking
公开(公告)号：CN116486159A
公开(公告)日：2023-07-25
申请号：CN202310457562.8
申请日：2023-04-26
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明提出一种基于掩码的数字病理图像分类方法，MHIM‑MIL框架在训练阶段采用Siamese结构即孪生结构。该框架的主要组成部分是一个基于通用注意力的MIL模型，称为学生模型S(·)。学生模型被用于聚合实例特征。为了增加学生模型的判别能力并强制其关注难分类的实例，本框架引入了一个动量教师模型T(·)。教师模型主要用于挖掘困难实例，利用基于掩码操作的困难实例挖掘策略遮盖简单的实例，同时保留困难实例作为学生模型的输入。Siamese结构能够使得模型训练更加稳定和高效，并且具有较少的训练参数。在挖掘出困难实例后，所有被挖掘的实例特征都被输入到学生模型中，用于推断出包标签。
-
公开(公告)号：CN110796080B
公开(公告)日：2023-06-16
申请号：CN201911036294.2
申请日：2019-10-29
Applicant: 重庆大学
IPC: G06V40/10 , G06V10/774 , G06V10/764 , G06T3/00 , G06N3/0464 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种基于生成对抗网络的多姿态行人图像合成算法，包括以下步骤：S1：通过行人重识别任务数据集Market‑1501中获取训练数据集和测试数据集；S2：根据预设方法通过训练数据集构建生成对抗网络模型；S3：采用预设方法向生成对抗网络模型输入中加入姿态信息潜码；S4：基于姿态信息潜码构建生成对抗网络模型的目标函数，并利用带有目标函数的生成对抗网络模型合成多姿态的行人图像；S5：根据合成的多姿态行人图像进行实验结果分析。有益效果：本发明有效地缩小了生成器的解空间，使得生成对抗网络训练更加平稳，从而可以生成高质量的多姿态行人图片。
-
公开(公告)号：CN110569353B
公开(公告)日：2023-04-07
申请号：CN201910593644.9
申请日：2019-07-03
Applicant: 重庆大学
IPC: G06F16/35 , G06F16/335 , G06F40/186 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的Bi‑LSTM的标签推荐方法，该基于注意力机制的Bi‑LSTM的标签推荐方法包括以下步骤：采集实验数据集；从实验数据集中解析出特定的文本数据；对文本数据进行预处理；从预处理后的问题文本描述中提取语义特征；构建多标签分类模型；通过构建的多标签分类模型为新问题推荐合适的标签；对标签推荐的结果进行评估与分析。本发明的有益效果为：通过基于注意力机制的Bi‑LSTM模型主要将标签推荐任务转化为多标签分类问题，根据问题的文本描述内容自动推荐标签，提高标签推荐的准确性。
-
公开(公告)号：CN111274494B
公开(公告)日：2022-09-23
申请号：CN202010062726.3
申请日：2020-01-20
Applicant: 重庆大学
IPC: G06F16/9536 , G06F16/9538 , G06F16/955 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明涉及结合深度学习和协同过滤技术的复合标签推荐方法，包括如下步骤：从目标软件信息站点收集历史软件项目，进行预处理得到规范化描述的矩阵；建立TagDC‑DL模型和TagDC‑CF模型，将所有规范化描述的矩阵作为输入，分别得到所有标签的多标签可信度列表和基于相似度的置信概率列表，利用线性加权模块得到每个标签的最终置信概率列表；给定新的软件项目，先进行预处理再输入上述两个模型，计算新的软件项目中每个标签的最终置信概率列表，通过得到的最终置信概率列表中的概率值进行排序，概率值最大的N个标签则为推荐标签。该方法利用软件项目之间的语义相似性及其自身的深层语义特征可获得更准确的标签推荐。
-
公开(公告)号：CN114237621A
公开(公告)日：2022-03-25
申请号：CN202111563221.6
申请日：2021-12-20
Applicant: 重庆大学
IPC: G06F8/41
Abstract: 本发明涉及一种基于细粒度共注意机制的语义代码搜索方法，包括如下步骤：首先，将代码特征(即方法名、API序列、令牌和语句树序列)和查询特征(即令牌序列)输入到一个注意力机制中，来获得代码/查询特征矩阵；然后，将获得的代码/查询特征矩阵分别输入四种细粒度的共注意机制中，得到每个代码特征与查询之间的细粒度相关性；最后，相互依赖的特征向量分别融合成最终的代码/查询向量，并计算两个代表性向量之间的余弦相似性，将余弦相似性降序排列，得到最终推荐的N个查询结果。使用本方法可以增强对代码/查询特征向量的信息使用效率，提高代码查询最终结果的准确性。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.041 seconds)
