公开(公告)号：CN118823400A

公开(公告)日：2024-10-22

申请号：CN202410791202.6

申请日：2024-06-19

Applicant: 扬州大学

Inventor： 何萍 ,  李泽正 ,  徐晓华 ,  汪雷达

IPC: G06V10/762 ,  G06V10/74 ,  G06V10/84

Abstract: 本发明公开了一种基于双层标签传播的增量半监督图像聚类方法与系统，主要用于解决静态半监督聚类方法在面对增量图像数据与增量成对约束时重复计算所导致的效率低下问题。本发明使用双层标签传播来处理图像数据和约束条件不断增加的聚类问题。在第一层标签传播中，在图像数据样本中传播并扩散成对约束信息，并结合上一时刻图像数据样本对组件的隶属度矩阵，增量计算当前时刻图像样本对组件的隶属度矩阵。在第二层标签传播中，利用上一时刻的聚类结果在组件中标记簇标签信息，并让已知的簇标签信息在组件结构中进行传播，然后通过图像样本对组件的隶属度关系，将簇标签信息逐渐扩展到整个图像数据集，从而实现对增量图像数据的有效半监督聚类。

公开(公告)号：CN114757271B

公开(公告)日：2024-04-23

申请号：CN202210353954.5

申请日：2022-04-06

Applicant: 扬州大学

Inventor： 徐晓华 ,  韩玉 ,  何萍 ,  夏应玺 ,  叶进

IPC: G06F18/2415 ,  G06F18/2413 ,  G06F18/22 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0464 ,  G06Q50/00

Abstract: 本发明公开了一种基于多通道图卷积网络的社交网络节点分类方法与系统。本发明首先根据社交网络数据集中的节点属性构造属性矩阵和邻接矩阵分别输入到两个图卷积网络通道，得到拓扑空间和特征空间对应的节点嵌入，同时通过参数共享的图卷积网络提取拓扑空间和特征空间的公共信息，并使用注意力机制来学习节点嵌入相对应的权重。为了能够增强不同输入在相同网络间得到的节点嵌入的共性，使用一致性对其进行约束，相对应地，为了确保能够从不同的网络中获取不同的节点信息，使用HSIC准则对相同输入在不同的网络得到的节点嵌入进行差异化约束。最后将约束和节点分类损失结合来构造目标函数并进行优化。本发明能够提高社交网络节点分类的准确性。

公开(公告)号：CN115410026A

公开(公告)日：2022-11-29

申请号：CN202210825399.1

申请日：2022-07-14

Applicant: 扬州大学

Inventor： 徐晓华 ,  李好 ,  何萍

IPC: G06V10/764 ,  G06V10/74 ,  G06N3/08

Abstract: 本发明公开了一种基于标签传播对比半监督学习的图像分类方法与系统，本发明首先为图像数据学习有意义的自监督对比学习的潜在特征。其次采用标签传播算法在无监督特征上传播已知标签，以自动方式有效地标记整个图像数据集。然后使用相似对齐方法选择匹配图像样本并构成可靠图像样本数据集。最后在匹配可靠图像样本数据集上训练半监督网络模型。在不匹配的图像样本进行无监督对比学习提取特征预测标签进行分类。本发明可在极低的监督设置下提高半监督图像分类的性能，可解决图像数据在进行图像分类时因为图像数据分布不平衡导致数据在标记时不匹配引起的模型性能严重下降的问题，提高图像数据分类的准确性，同时有效减少人工注释的工作。

公开(公告)号：CN108920887B

公开(公告)日：2021-10-15

申请号：CN201810585444.4

申请日：2018-06-08

Applicant: 扬州大学

Inventor： 何萍 ,  徐晓华 ,  常心成

IPC: G06K9/62

Abstract: 本发明公开了神经网络领域内的一种基于非负矩阵分解的时序结构脑网络分析方法，包括以下步骤：1）构建非负的时序结构脑网络，对应每个时间点构建一个网络表示不同脑区间的相关性；2）采用非负矩阵分解作为基本模型将时序结构脑网络分解成多个元网络，要求分解后的元网络和元网络的发育轨迹都满足非负约束；3）通过添加核范数正则项对真实的时序脑网络进行低偏置重建；4）对分解后的元网络所对应的发育轨迹施加时序平滑性正则项；5）对分解后的元网络施加正交约束，使得元网络之间相互不重叠，用于揭示不同的大脑子网络发育模式，即不同脑区集合间的协同发育模式，本发明为健康大脑网络的发育提供了一个基准，可用于大脑发育研究中。

公开(公告)号：CN113313153A

公开(公告)日：2021-08-27

申请号：CN202110551165.8

申请日：2021-05-20

Applicant: 扬州大学

Inventor： 徐晓华 ,  王珊珊 ,  何萍 ,  方威

IPC: G06K9/62

Abstract: 本发明公开了一种基于自适应图正则化的低秩NMF图像聚类方法与系统，首先对原始图像数据集应用RPCA算法，获得低秩图像集和噪声；然后对低秩图像集应用NMF，得到基图像集和对应的非负线性表达系数矩阵，再利用分解后的低维流形嵌入结构进行聚类，具体包括：对低秩图像集进行NMF，得到基图像集和非负线性表达系数矩阵；在基图像集上进行Tikhonov正则化，在非负线性表达系数矩阵上进行谱图正则化；对基图像集和非负线性表达系数矩阵分别进行迭代优化；最后，对迭代优化所得的非负线性表达系数矩阵进行聚类，获得图像聚类结果。本发明可解决图像数据进行聚类时不能考虑图像数据的有效结构信息隐藏在其低秩部分的问题，并提高图像数据聚类的准确性。