-
公开(公告)号:CN111738303B
公开(公告)日:2023-05-23
申请号:CN202010465621.2
申请日:2020-05-28
Applicant: 华南理工大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于层次学习的长尾分布图像识别方法,包括步骤:1)使用预训练模型提取长尾分布图像数据中每个对象的视觉特征;2)依据视觉特征构建类与类之间的层次超类树关系;3)依据层次超类树关系搭建层次超类树神经网络模型;4)使用基于层次学习的方式训练层次超类树神经网络模型;5)用训练好的层次超类树神经网络模型对长尾分布图像数据进行识别。本发明首次将长尾图像识别问题转变成由易到难的层次超类学习问题,可有效缓解长尾分布中类别分布不平衡以及少数类识别准确率低的问题。此外,本发明在其它不同不平衡程度的数据环境中也有优秀的分类识别性能,因而本发明具有实际应用价值,值得推广。
-
公开(公告)号:CN112380374B
公开(公告)日:2022-11-18
申请号:CN202011149508.X
申请日:2020-10-23
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/82 , G06V20/70 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于语义扩充的零样本图像分类方法,用于计算机识别无标签的图像,为其分配对应的类标签,包括S1构建已见类的潜在扩充语义信息;S2构建未见类的潜在扩充语义信息;S3构建生成对抗网络模型模式坍塌约束规则;S4构建基于语义扩充的零样本图像分类模型,合成视觉特征,利用合成的视觉特征构建特征分类器。本发明通过扩充语义信息,合成了更具多样性和判别性的视觉特征,进一步提高了网络的泛化性能。
-
公开(公告)号:CN111738303A
公开(公告)日:2020-10-02
申请号:CN202010465621.2
申请日:2020-05-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于层次学习的长尾分布图像识别方法,包括步骤:1)使用预训练模型提取长尾分布图像数据中每个对象的视觉特征;2)依据视觉特征构建类与类之间的层次超类树关系;3)依据层次超类树关系搭建层次超类树神经网络模型;4)使用基于层次学习的方式训练层次超类树神经网络模型;5)用训练好的层次超类树神经网络模型对长尾分布图像数据进行识别。本发明首次将长尾图像识别问题转变成由易到难的层次超类学习问题,可有效缓解长尾分布中类别分布不平衡以及少数类识别准确率低的问题。此外,本发明在其它不同不平衡程度的数据环境中也有优秀的分类识别性能,因而本发明具有实际应用价值,值得推广。
-
公开(公告)号:CN111738301B
公开(公告)日:2023-06-20
申请号:CN202010465433.X
申请日:2020-05-28
Applicant: 华南理工大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于双通道学习的长尾分布图像数据识别方法,包括步骤:1)构建不平衡学习和小样本学习相结合的双通道学习模型;2)利用双通道学习总损失,反向传播更新双通道学习模型中的所有参数,保存最优的双通道学习模型参数;3)输入测试集的图像数据到最优的双通道学习模型,获取图像的预测标签。本发明将不平衡学习和小样本学习相结合用于解决长尾分布图像数据识别问题,不平衡学习通道能够提升对不平衡数据集的识别准确率,小样本学习通道能够改善模型学习的特征表示,双通道总损失使模型在训练前期侧重于不平衡学习通道,训练后期侧重于小样本学习通道,从而在整体上提升长尾分布图像数据的识别准确率。
-
公开(公告)号:CN113076437B
公开(公告)日:2023-02-14
申请号:CN202110392522.0
申请日:2021-04-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于标签重分配的小样本图像分类方法及系统,包括将小样本数据集划分成基类数据集与新类数据集,在基类数据集上预训练网络模型,在新类数据集上构建包含支撑集样本和查询集样本的小样本任务;利用预训练网络为支撑集样本和查询集样本提取特征,然后对提取的查询集样本特征进行聚簇,最后使用标签重分配方法为簇里的查询集样本重新分配标签;输出查询集样本的标签。本方法能够提高小样本分类的准确率。
-
公开(公告)号:CN108985342A
公开(公告)日:2018-12-11
申请号:CN201810652374.X
申请日:2018-06-22
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度增强学习的不平衡分类方法,包括步骤:1)构建智能体的分类任务与交互规则;2)构建智能体的动作空间;3)构建外部环境;4)构建深度神经网络模型;5)训练基于深度增强学习的不平衡分类模型,即用深度神经网络模型学习Q函数。本发明将深度增强学习用于有监督学习中的不平衡分类问题,通过回报函数对少数类样本分类动作给予更高的奖惩值来提高少数类样本特征在分类建模中的作用,使智能体在不同类型的数据环境和不同不平衡程度的数据中学会正确的分类策略,在不平衡二分类和多分类问题中均适用,因而本发明具有实际应用价值,值得推广。
-
公开(公告)号:CN108305167A
公开(公告)日:2018-07-20
申请号:CN201810030006.1
申请日:2018-01-12
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度增强学习算法的外汇交易方法及系统,包括步骤:1)对外汇交易场景建立增强学习Double-DQN模型;2)构建深度神经网络模型并训练增强学习Double-DQN模型,学习Q函数;3)加载训练好的模型参数,使用不同特征的训练数据集,重复步骤2)进行叠加训练和参数微调,根据各自需要调整模型更新的周期,定期在不同特征的训练数据集上叠加训练,不断使用新特征的数据集训练模型,使模型拥有更好的扩展性和鲁棒性。本发明使模型能够在不同的数据环境下做出有效的外汇交易动作,并利用不同的训练集对模型进行叠加训练,使模型能在复杂外汇数据流的环境下,更加健壮和鲁棒。
-
公开(公告)号:CN118229971A
公开(公告)日:2024-06-21
申请号:CN202410265106.8
申请日:2024-03-08
Applicant: 华南理工大学 , 广州超越通信科技有限公司
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/776 , G06V10/774 , G06V10/74 , G06V10/82 , G06F40/12 , G06N3/08
Abstract: 本发明公开了一种基于词向量嵌入‑信息自补的广义小样本语义分割方法,包括:基类学习阶段:使用基类标签样本训练骨干网络、语义词向量嵌入模块及基类分类器,生成基类原型;新类更新阶段:使用一张或五张新类标签样本训练新类分类器,生成新类原型;评估阶段:将基类学习阶段得到的基类原型和新类更新阶段得到新类原型输入到自补模块中,自补模块使用基类原型和新类原型对查询图像进行初始预测生成伪标签,然后通过伪标签在查询图像中提取查询原型,计算查询原型与查询图像间的余弦相似度从而生成辅助预测;最后,对辅助预测和初始预测进行加权得到最后预测结果。本发明增加了模型的类间距离并挖掘更多信息,进一步提升了模型的分割性能。
-
公开(公告)号:CN113920127B
公开(公告)日:2024-04-23
申请号:CN202111253132.1
申请日:2021-10-27
Applicant: 华南理工大学
IPC: G06T7/10 , G06V10/764 , G06V10/74 , G06V10/774 , G06N3/094 , G06N3/0464 , G06N3/0475 , G06N3/045
Abstract: 本发明公开了一种训练数据集独立的单样本图像分割方法和系统,包括建立训练数据和测试数据,两个数据来自不同的数据集,训练数据和测试数据均划分为支持集和查询集;构建分割分支网络模型和分布对齐分支网络模型;训练分割分支网络模型及分布对齐分支网络模型;利用训练好的分割分支网络模型对测试数据类别进行预测。本方法训练的深度网络能解决单样本图像分割中训练数据集和测试数据集分布差异大的情况,并且进一步提升分割性能。
-
公开(公告)号:CN112380374A
公开(公告)日:2021-02-19
申请号:CN202011149508.X
申请日:2020-10-23
Applicant: 华南理工大学
IPC: G06F16/55 , G06F16/583 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于语义扩充的零样本图像分类方法,用于计算机识别无标签的图像,为其分配对应的类标签,包括S1构建已见类的潜在扩充语义信息;S2构建未见类的潜在扩充语义信息;S3构建生成对抗网络模型模式坍塌约束规则;S4构建基于语义扩充的零样本图像分类模型,合成视觉特征,利用合成的视觉特征构建特征分类器。本发明通过扩充语义信息,合成了更具多样性和判别性的视觉特征,进一步提高了网络的泛化性能。
-
-
-
-
-
-
-
-
-