-
公开(公告)号：CN109446413B
公开(公告)日：2021-06-01
申请号：CN201811116273.7
申请日：2018-09-25
Applicant: 上海交通大学
IPC: G06F16/9535 , G06F17/16 , G06N3/08 , G06Q30/06
Abstract: 本发明提供一种基于物品关联关系的序列化推荐方法，从网络端获取用户与物品之间的交互数据；令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；令物品的关联性特征输入推荐模型进行训练；令推荐模型输出序列化推荐。能够对用户行为中隐含的物品关联性关系的挖掘，与序列化推荐模型联合训练，为用户的序列化推荐提供服务；利用用户与物品交互数据挖掘物品间的关联关系，并对关联关系进行了向量化的表示，直观而客观的展现每个物品的关联性特征，采用欧式距离对关联物品分析；以端到端的方式和序列化推荐模型协同训练，为用户提供最终的序列化推荐服务。
-
公开(公告)号：CN112651916A
公开(公告)日：2021-04-13
申请号：CN202011567684.5
申请日：2020-12-25
Applicant: 上海交通大学
Abstract: 本发明提供了一种自监督模型预训练方法、系统及介质，包括：对不同模态图像使用归一化方法进行预处理；对归一化图像使用非线性变换、局部扰动、内部填充和外部填充得到变换后的图像；对变换后的图像使用深度卷积神经网络提取图像的模态不变图像特征；对变换后的图像，使用密集连接模态判别网络提取图像特征，与模态不变图像特征进行对抗学习；对模态不变图像特征，使用多层次特征学习网络进行尺度预测；对模态不变特征图像特征使用图像恢复网络得到恢复图像；根据恢复图像和归一化图像实现自监督学习。本发明对不同模态图像提取模态不变的且有较强多层次判别力的特征，通过有效的自监督学习，提高了预训练模型的泛化能力，实现良好的通用性。
-
公开(公告)号：CN109543100B
公开(公告)日：2021-04-02
申请号：CN201811287804.9
申请日：2018-10-31
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本发明提供了一种基于协同学习的用户兴趣建模方法和系统，利用用户的历史交互行为数据和辅助信息数据，协同地对用户兴趣进行建模，给用户推荐符合心理的物品。在训练阶段中，利用两个变分自编码器(VAE)对两种信息分别进行编码，得到两个表征用户兴趣的变分分布，同时提出利用协同学习机制对两个变分分布进行相互约束。在预测阶段中，根据新用户的历史交互行为数据或者辅助信息数据为其推荐新的物品。采用变分分布来表征用户兴趣爱好，在两个变分自编码器之间设计了基于相对熵的协同学习训练，使得两个变分自编码器利用两种数据能够相互增强，从而使变分分布能够更加准确的表征用户兴趣，进而为用户推荐出更加符合心理的物品。
-
公开(公告)号：CN111652083A
公开(公告)日：2020-09-11
申请号：CN202010403823.4
申请日：2020-05-13
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于自适应采样的弱监督时序动作检测方法及系统，包括：根据输入的视频提取视频特征图；将视频特征图映射成均匀分布类别激活序列；根据均匀分布类别激活序列产生伯努利数列作为自适应重采样位置索引；对视频特征图进行特征重采样；将视频重采样特征图映射成非均匀分布类别激活序列；对均匀和非均匀分布类别激活序列使用分类网络预测视频为各个类别的概率；对非均匀分布类别激活序列进行分布均匀化，从而和均匀分布类别激活序列在时间分布上对齐；选择对齐后的均匀或非均匀分布类别激活序列使用阈值法得到视频的检测结果。本发明对输入视频提取两种相互补充、互相监督的类别激活映射序列，实现更精确的弱监督的视频时序动作检测。
-
公开(公告)号：CN111199216A
公开(公告)日：2020-05-26
申请号：CN202010014577.3
申请日：2020-01-07
Applicant: 上海交通大学
Abstract: 本发明提供了一种面向人体骨架的运动预测方法及系统，包括：数据获取步骤：获取人体骨架数据；人体多尺度图构建步骤：根据人体骨架数据构建多尺度人体，并基于多尺度人体构建以身体部位为点，以部位之间关系为边的人体多尺度图；人体运动特征提取步骤：将人体多尺度图引入由空间多尺度图卷积构成的深度模型中，提取多尺度人体的综合动作语义信息；动作分析与预测步骤：根据综合动作语义信息，实现动作预测。本发明利用自适应的、动态的图结构和DMGNN，可以提取动作的高层语义信息，利用高层语义信息实现了动作的预测。
-
Patent Agency Ranking
公开(公告)号：CN111179284A
公开(公告)日：2020-05-19
申请号：CN201911405917.9
申请日：2019-12-30
Applicant: 上海交通大学
Abstract: 本发明提供了一种交互式图像分割方法、系统及终端，所述方法包括：S1,获取图像的初始分割结果；S2,根据当前图像分割结果选择至少一个错误区域，对每个错误区域的中心点进行标记，作为交互提示点；S3,计算图像上各点与每个所述交互提示点之间的距离生成提示图；S4,根据当前图像分割结果和所述提示图，利用深度增强学习全卷积神经网络调整分割概率，对当前图像分割结果进行改善，得到图像分割改善结果；S5,对所述图像分割改善结果进行评价，若满意则作为最终图像分割结果，若不满意则重新回到S2，进行迭代更新。本发明能辅助专家进行图像分割标注，减轻了专家的标注负担，提高了标注的性能和效率。
-
公开(公告)号：CN110660480A
公开(公告)日：2020-01-07
申请号：CN201910912803.7
申请日：2019-09-25
Applicant: 上海交通大学
Abstract: 本发明提供了一种脊骨脱位辅助诊断方法及系统，所述方法包括：粗分割网络训练步骤：通过少量标注了脊骨椎体四个顶点的数据训练粗略的分割网络；滑窗提取步骤：对输入图像按照其中脊骨椎体的大小提取滑窗进行数据增广；特征提取步骤：对于输入的医疗影像通过深度神经网络提取高层语义特征；类别激活图生成步骤：利用分类网络中已有的参数生成类别激活图；专家知识引导步骤：利用分割网络得到粗略分割结果定位前后边缘的大致位置，并以此约束神经网络类别激活图中的概率分布。本发明对于脊骨脱位诊断的准确率和可解释性，并且在数据量较小时能保持很好的性能。
-
公开(公告)号：CN108664967A
公开(公告)日：2018-10-16
申请号：CN201810343404.9
申请日：2018-04-17
Applicant: 上海交通大学
Abstract: 本发明提供一种多媒体页面显著性预测方法和系统，所述系统包括：元素特征网络：提取多媒体页面不同元素的表征；先验学习网络：用来对人眼视觉偏好导致的位置先验信息进行建模；预测网络：用来生成最终的显著性图。上述所述的元素特征网络包含三个分支，一个整体的特征提取分支，一个多决定性区域检测分支和一个文本区域检测分支。上述先验学习网络利用基于变分自编码器的位置先验学习算法来自动学习人类视觉行为中的位置偏好信息。整个系统是一个可以端到端训练的深度生成模型。本发明能预测更为准确的针对任意多媒体页面的人眼视觉显著性图。
-
公开(公告)号：CN107767328A
公开(公告)日：2018-03-06
申请号：CN201710957685.2
申请日：2017-10-13
Applicant: 上海交通大学
CPC classification number: G06T3/0012 , G06N3/0454 , G06N3/08
Abstract: 本发明提供一种基于少量样本生成的任意风格和内容的迁移方法和系统，包括：风格特征提取步骤：对风格参考图像，使用深度卷积神经网络提取图像的风格特征；内容特征提取步骤：对内容参考图像，使用深度卷积神经网络提取图像的内容特征；风格和内容特征结合步骤：将提取的风格特征和内容特征通过双线性模型相结合，得到目标图像的特征；目标图像生成步骤：对目标图像的特征经过反卷积神经网络生成目标图像。本发明将风格和内容分离开，实现任意目标风格任意目标内容的图像生成，能够迁移到没见过的风格和没见过的内容上，提取没见过的风格和内容的特征。本发明只需少量的参考图像，风格特征和内容特征可从少量数据中学得。
-
公开(公告)号：CN107622071A
公开(公告)日：2018-01-23
申请号：CN201610561407.0
申请日：2016-07-15
Applicant: 上海交通大学
IPC: G06F17/30
Abstract: 本发明提供一种通过间接相关反馈在无查源下的衣服图像检索系统及方法，所述方法为：获取大量衣服图片并按照种类和颜色聚类；对每张从衣服图片收集模块收集的图片，按照所在种类所选的多个特征，用深度神经网络提取固定长度的向量，并根据每一个特征计算图片之间的相似度；根据衣服图片特征提取及相似度计算步骤得到的图片间相似度，通过贝叶斯相关反馈结构算法，在用户每次点击和目标图片最相似的图片后，对所选特征的权值进行调整，再返回给用户推荐的衣服图片，通过迭代找到用户的目标图片。本发明解决了用户在无查源衣服图片而只能给出基本的种类和颜色的情况下，找到目标衣服图片的问题。
-
-
-
-
-
-
-
-
-
Search Results
123
records
(took 0.047 seconds)
