-
公开(公告)号：CN110321801A
公开(公告)日：2019-10-11
申请号：CN201910496351.9
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自编码网络的换衣行人重识别方法及系统，其中，方法包括：(1)对行人图片中行人的衣服部分生成掩膜；(2)利用衣服特征编码器EA获取衣服特征表示向量；(3)根据掩膜去掉行人图片中的衣服部分，利用换衣图片生成器G生成换衣图片；(4)构建衣服无关特征学习网络，包含特征提取器F以及图片生成器R；(5)将真实行人图片以及生成的换衣图片两两配对，对特征提取器F进行训练；(6)训练收敛后，输入真实、有标记的行人图片，使用交叉熵损失函数对特征提取器F进行微调；(7)利用最终得到的特征提取器F进行行人重识别的应用。利用本发明，使得在行人外貌变化丰富的场景下，能够学习得到鲁棒的判别性特征。
-
公开(公告)号：CN110164150A
公开(公告)日：2019-08-23
申请号：CN201910496635.8
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于时间分配和强化学习的交通信号灯控制方法，包括：(1)配置仿真路口环境以及车流数据到交通模拟器，搭建智能体网络；(2)智能体网络根据路况状态产生下一信号周期的动作，并交由交通模拟器仿真一个信号周期；(3)把上一信号周期的经验存到重演缓存；(4)从重演缓存中采样经验训练智能体网络，并判断仿真的步数是否达到预设值，如果没有达到，则返回步骤(2)，否则执行下一步；(5)重置交通模拟器并对智能体网络进行测试，完成测试后进行交通信号灯控制的应用。利用本发明，可以显著提升交通效率，能更容易地应用到实际道路上。
-
公开(公告)号：CN110163117A
公开(公告)日：2019-08-23
申请号：CN201910348620.7
申请日：2019-04-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自激励判别性特征学习的行人重识别方法，包括：(1)选取一个行人重识别网络，在该原始网络上添加一个负分支；(2)在训练阶段，原始网络产生分类损失函数，原始网络和负分支之间产生对抗损失函数和互斥响应项，一起构成目标函数，并利用随机梯度下降方法对整个网络进行优化；(3)在测试阶段，移除负分支，只保留原始网络在分类器之前的部分，作为训练好的网络模型，并输入行人图片进行抽取特征向量测试；(4)在行人检索阶段，利用训练好的网络模型抽取图片库中每张图片的特征向量，选择与待查询行人图片的特征向量相似度最高的图片的身份作为最终识别结果。利用本发明，可以提升现有行人重识别网络的效果。
-
公开(公告)号：CN109992657A
公开(公告)日：2019-07-09
申请号：CN201910267076.3
申请日：2019-04-03
Applicant: 浙江大学
IPC: G06F16/332 , G06N3/04
Abstract: 一种基于强化动态推理的对话式问题生成方法，包括：(1)在给定文章中利用规则方法找出一段参考文本；(2)构建包含编码器和解码器的问题生成模型，输入对话历史和参考文本，利用编码器对对话历史和参考文本进行编码，得到表达矩阵；(3)将得到的表达矩阵进行动态推理，得到推理矩阵；(4)将步骤(3)得到的推理矩阵作为解码器中长短时记忆网络隐藏单元的初始参数，使用解码器逐字输出问题句的单词；(5)训练一个机器阅读理解模型，根据问题句生成答案，并以答案的正确率为奖励函数，用强化学习来微调以上问题生成模型。利用本发明，可以大大提升在大规模数据集上进行对话式问题生成的质量。
-
公开(公告)号：CN108363724A
公开(公告)日：2018-08-03
申请号：CN201810008875.4
申请日：2018-01-04
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种利用图像正则化及数据重建解决特征提取任务的方法。主要包括如下步骤：1)针对于一组数据点，构建其权重矩阵及对应的拉普拉斯矩阵。2)随机初始化特征提取矩阵与重建系数矩阵，迭代更新特征提取矩阵与重建系数矩阵，得到最终收敛的特征提取矩阵作为特征提取的依据。相比于一般的项目推荐解决方案，本发明使用了图像正则化与数据重建相结合的方法，则能够提取出更有效的数据特征。本发明在数据特征提取问题中所取得的效果相比于传统的方法更好。
-
Patent Agency Ranking
公开(公告)号：CN108038080A
公开(公告)日：2018-05-15
申请号：CN201711230589.4
申请日：2017-11-29
Applicant: 浙江大学
Abstract: 本发明公开了一种利用适应性相似结构规则化进行局部多模态稀疏编码补全的方法。主要包括如下步骤：1)针对于已有的局部多模态数据结合概率邻居矩阵的方法得到利用适应性相似结构规则化进行局部多模态稀疏编码补全的最终目标函数。2)针对于获得的目标函数，利用相应的优化算法学习概率邻居P、统一稀疏编码α与多模态基向量词典D，从而获得最终的稀疏编码。相比于一般的稀疏编码解决方案，本发明能够合理利用局部多模态数据，并产生更加符合相似性要求的稀疏编码。本发明在稀疏编码问题中所取得的效果相比于传统的方法更好。
-
公开(公告)号：CN107909427A
公开(公告)日：2018-04-13
申请号：CN201711014934.0
申请日：2017-10-25
Applicant: 浙江大学
CPC classification number: G06Q30/0631 , G06F17/30867 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种提升推荐模型时序数据挖掘能力的循环神经网络方法。该方法的步骤包括：步骤1，对传统神经网络进行基于时间门的网络改造；步骤2，将添加交互间隔时间的时序数据输入模型中；步骤3，计算得到模型在序列每一项上的预测值；步骤4，计算模型的损失值，若损失值低于预设值并趋于平稳则执行步骤6，否则执行步骤5；步骤5，根据损失值计算各个参数的梯度，并对参数进行更新，返回步骤3；步骤6，根据当前模型预测用户的兴趣。利用本发明能够提高神经网络在推荐领域对时间信息的挖掘能力，使模型更易于处理长期数据中所包含的长期的一般特征和短期的临时特征，在个性化推荐系统中尤为明显。
-
公开(公告)号：CN107807919A
公开(公告)日：2018-03-16
申请号：CN201711131318.3
申请日：2017-11-15
Applicant: 浙江大学
Abstract: 本发明公开了一种利用循环随机游走网络进行微博情感分类预测的方法。主要包括如下步骤：1)针对于一组用户及微博博文数据集，构建用户之间及用户与微博博文之间相互关系的网络。并且针对于形成的网络，利用循环随机游走网络形成用户微博情感分类预测函数。2)对于得到的用户微博情感分类预测函数，产生对于用户微博情感的分类预测。相比于一般的用户微博情感分类解决方案，本发明能够同时利用微博博文的信息与用户之间的社交关系。本发明在微博情感分类预测问题中所取得的效果相比于传统的方法更好。
-
公开(公告)号：CN105931231A
公开(公告)日：2016-09-07
申请号：CN201610239547.6
申请日：2016-04-15
Applicant: 浙江大学
IPC: G06T7/00
CPC classification number: G06T2207/10012 , G06T2207/20032 , G06T2207/20228
Abstract: 本发明公开了一种基于全连接随机场联合能量最小化的双目立体匹配方法，包括如下步骤：计算目标图像中每个像素点相对于匹配图像的匹配误差向量，所述匹配误差向量的维数等于预设的视差级别总数；根据匹配误差向量基于全连接随机场联合能量构建图像视差值的随机场模型；以随机场模型的能量最小作为求解目标，使用平均场近似算法迭代求解所述的随机场模型得到目标图像中所有像素点的分类概率向量以构建视差图。本发明的随机场模型同时包括全局能量和局部能量，在平坦的区域通过全局能量项得到更加平滑的结果，在精细的区域通过局部能量项保留了更多细节；利用平均场近似求解的方法保证了一定的求解速度。
-
公开(公告)号：CN105550368A
公开(公告)日：2016-05-04
申请号：CN201610045628.2
申请日：2016-01-22
Applicant: 浙江大学
IPC: G06F17/30
CPC classification number: G06F16/90335 , G06F16/9027
Abstract: 本发明公开一种高维数据的近似最近邻检索方法及检索系统，其中，方法包括：步骤1，建立初始化索引，以及高维数据库点集的最近邻表；步骤2，根据初始化索引，获得待检索数据点若干个最邻近点构成的初始候选点集；步骤3，构造临时点集，在最近邻表中查询初始候选点集中各数据点的若干个近邻点，并添加至临时点集中；步骤4，将临时点集中距离待检索数据点距离最小的若干个数据点作为新的候选点集；步骤5，将新的候选点集作为初始候选点集；重复步骤3～步骤5，直至候选点集中的数据点不再更新或者迭代次数达到预定值。利用本发明可以大大提高精度，候选最邻近点集具有指数级收敛速度，大大加快了检索速度，提高了高维数据最近邻点的检索效率。
-
-
-
-
-
-
-
-
-
Search Results
149
records
(took 0.024 seconds)
