-
公开(公告)号：CN113239741A
公开(公告)日：2021-08-10
申请号：CN202110440960.X
申请日：2021-04-23
Applicant: 中国计量大学
Abstract: 本发明请求保护一种基于存储体非负矩阵分解的人脸识别方法。该方法主要包括:(1)从人脸数据库中随机抽取一定数量的人脸图像样本构成训练样本集X；(2)随机初始化非负基矩阵Z和系数矩阵H，并设置最大迭代次数N和非负特征维数k；(3)利用启发式初始化方法得到分别计算类内散度矩阵Dw和类间散度矩阵Db，并保存至存储体T；(4)利用迭代优化策略更新基矩阵Z和系数矩阵H；(5)利用优化后的基矩阵得到测试人脸图像的标签。本发明通过将低维矩阵和系数矩阵H的判别信息存储至T，每一轮迭代从存储体T中读取判别信息，并利用迭代优化策略使当前迭代的非负特征类间差更大而类内差更小，从而使样本数据的判别信息得以充分利用；同时又引入了基矩阵的正交化约束条件，使得非负矩阵分解的图像表征更加具有鲁棒性。本发明有效地提高了人脸特征的判别性和识别精度。
-
公开(公告)号：CN111652177A
公开(公告)日：2020-09-11
申请号：CN202010533429.2
申请日：2020-06-12
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习的信号特征提取方法，包括如下步骤：1)对原始稀疏频谱信号进行压缩，使之成为时序频谱信号，在压缩后完成去噪处理，获得重构后的时序频谱信号，作为训练数据；2)用半监督学习方法对训练数据中没有被标记的时序频谱信号进行标记；对各组时序频谱信号进行模拟，并利用遗传算法对时序频谱信号之间的相关性进行度量；3)利用已经标记好的训练数据，利用深度学习方法对各组时序频谱信号进行分类及预测。本发明通过多方法融合提高了模型训练效率并实现无标记标签自动添加标签，预测结果更准确。
-
公开(公告)号：CN111626379A
公开(公告)日：2020-09-04
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN111626379B
公开(公告)日：2024-01-05
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN119544313A
公开(公告)日：2025-02-28
申请号：CN202411710245.3
申请日：2024-11-27
Applicant: 中国计量大学
Abstract: 本发明涉及社交网络隐私保护技术领域，特别是涉及基于非冗余社区结构学习的社区网络攻击方法，包括：获取目标社区网络的邻接矩阵；根据所述邻接矩阵构建所述目标社区网络的原社区网络隶属度矩阵、攻击后社区网络隶属度矩阵、扰动矩阵，并通过对所述原社区网络隶属度矩阵、攻击后社区网络隶属度矩阵、扰动矩阵进行迭代优化，获取优化后的扰动矩阵；将所述优化后的扰动矩阵施加到所述邻接矩阵中，获取攻击后的邻接矩阵，完成对所述目标社区网络的攻击。本发明能够显著降低网络中社区结构的相似性，还能在保证网络整体结构的情况下，实现对社区检测结果的有效干扰。
-
Patent Agency Ranking
公开(公告)号：CN115270870A
公开(公告)日：2022-11-01
申请号：CN202210883729.2
申请日：2022-07-26
Applicant: 中国计量大学
Abstract: 本发明公开一种基于对抗图表征学习的无向受损脑网络的群体发现方法，包括：(1)提取静息状态脑电图数据的各个脑区节点的频谱特征X，根据K‑means聚类方法，确定特征选择后的频谱特征F，计算节点间的皮尔逊相关系数，构建脑网络拓扑结构G；(2)通过提取G的二值化信息，得到无向脑网络的邻接矩阵A，并对A进行矩阵分解的10次迭代更新策略，得到初始化的图表征数据H；(3)根据初始化的H，生成脑网络的初始化极端扰动P，并施加到A上得到扰动网络的邻接矩阵；(4)设置迭代次数T，通过图表征数据H和极端扰动P对抗学习的迭代更新策略，同时进行图表征学习和极端扰动学习；(5)迭代结束后，对优化后的H各列进行极大值寻址处理，得到最终的群体划分结果。
-
公开(公告)号：CN112233016B
公开(公告)日：2022-09-09
申请号：CN202011129985.X
申请日：2020-10-21
Applicant: 中国计量大学
Inventor： 朱文杰
Abstract: 本发明公开一种基于自组织图约束直推式非负矩阵分解的图像特征迁移方法。主要解决跨领域未见图像非负特征迁移的问题。其实现步骤为：(1)分别从辅助领域Ds和目标领域Dt选取若干图像样本构成训练样本集；(2)分别采用随机非负数的方式和非负逻辑回归方法，初始化辅助领域和目标领域的基矩阵A和特征矩阵S；(3)根据训练样本集Y，分别利用训练样本集Y的行间K近邻关系和列间K近邻关系，计算基矩阵图GA和特征矩阵图GS；(4)设置迭代次数T，使用迭代策略进行优化，得到最终的基矩阵A和特征矩阵S；采用特征自组织的图约束，并引入特征回归参数，增强未见图像的特征迁移鲁棒性，可用于图像非负特征迁移问题。(5)通过基矩阵A，计算测试图像的标签。本发明
-
公开(公告)号：CN113434815A
公开(公告)日：2021-09-24
申请号：CN202110748637.9
申请日：2021-07-02
Applicant: 中国计量大学
IPC: G06F17/16 , G06F17/18 , G06F30/20 , G06F111/04
Abstract: 本发明请求保护一种基于相似与相异约束半监督非负矩阵分解的社区检测方法。该方法主要包括：1)将社区复杂网络的边连接数据转化为邻接矩阵A；2)按比率随机抽取链接信息获得先验子集，然后分别构造Must‑link矩阵M和Cannot‑link矩阵C；3)设置最大迭代次数maxiter和非负特征维数k，并随机初始化基矩阵W和系数矩阵G；4)根据更新后的系数矩阵G得出社区的类别标签。本发明提出了一种基于非负矩阵分解的半监督社区检测算法，并引入必须链接(Must‑link)和不能链接(Cannot‑link)的先验信息，分别构建数据样本之间的相似性约束和相异性约束，提高社区网络节点的表征能力，通过真实社区网络数据集的实验验证与分析，本发明有效地提高了社区检测的精度。
-
公开(公告)号：CN112233016A
公开(公告)日：2021-01-15
申请号：CN202011129985.X
申请日：2020-10-21
Applicant: 中国计量大学
Inventor： 朱文杰
Abstract: 本发明公开一种基于自组织图约束非负矩阵分解的图像特征迁移方法。主要解决跨领域未见图像非负特征迁移的问题。其实现步骤为：(1)分别从辅助领域Ds和目标领域Dt选取若干图像样本构成训练样本集；(2)初始化辅助领域和目标领域的基矩阵A和特征矩阵S；(3)计算基矩阵图GA和特征矩阵图GS；(4)设置迭代次数T，并使用迭代策略进行优化，得到最终的基矩阵A和特征矩阵S；(5)通过基矩阵A，计算测试图像的标签。本发明采用特征自组织的图约束，并引入特征回归参数，增强未见图像的特征迁移鲁棒性，可用于图像非负特征迁移问题。
-
公开(公告)号：CN119888292A
公开(公告)日：2025-04-25
申请号：CN202510377988.1
申请日：2025-03-28
Applicant: 中国计量大学
IPC: G06V10/762 , G06V10/74
Abstract: 本发明涉及一种基于形变图像相似性学习的聚类方法，S1.输入未对齐的图像数据矩阵#imgabs0#；S2.初始化谱特征矩阵#imgabs1#和旋转变换向量#imgabs2#，利用未对齐的图像数据矩阵，初始化关联矩阵#imgabs3#；S3.设置迭代次数t，利用初始化关联矩阵、谱特征矩阵和旋转变换向量，采用交替优化策略，依次迭代初始化后的关联矩阵、谱特征矩阵和旋转变换向量，直到迭代次数结束，获得优化后的谱特征矩阵；S4.离散化优化后的谱特征矩阵，得到最终的聚类结果。本发明通过设计一种高效形变图像聚类方法，实现对未对齐图像的精准聚类，可用于对形变图像的聚类研究。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
