-
公开(公告)号：CN118537687A
公开(公告)日：2024-08-23
申请号：CN202410622850.9
申请日：2024-05-20
Applicant: 南京大学
IPC: G06V10/776 , G06V10/74 , G06F16/532 , G06F16/583 , G06F16/538
Abstract: 本发明公开一种面向大规模图像检索的Top‑K召回率优化方法，适用于类别数量较多的图像检索任务。首先，用一个阈值函数来近似表示与查询输入的相似度排名为K+1的候选图像的相似度得分，并让各候选图像的得分与该函数值作比较以判断其与查询输入的相似度是否排进前K名，以此构建直接优化Top‑K召回率的损失函数。同时，采用该损失函数训练图像检索模型时，使用隐式梯度、函数值估计量以及移动平均量来构建该损失函数的梯度估计值，并使用梯度下降法来更新模型。与现有技术相比，本发明能以更低的误差来近似Top‑K召回率，可在对近似误差敏感的图像检索任务中取得更优表现。
-
公开(公告)号：CN114860973A
公开(公告)日：2022-08-05
申请号：CN202210336881.9
申请日：2022-03-31
Applicant: 南京大学
Abstract: 本发明公开一种面向小样本场景的深度图像检索方法,尤其是在可获得的学习样本较为稀疏的情况下，使用本发明通过结合对比学习，从少量样本中挖掘获得更多语义信息，以提升深度哈希模型的表征与编码能力。首先，从数据库中采样得到训练样本，并随机增强生成正负样本副本。然后使用哈希深度网络生成连续特征，以保留更多的语义信息，最后映射生成二进制码。同时，利用训练样本间以及训练样本与数据库间的相似度矩阵维护数据库样本的二进制码。训练阶段结束模型收敛后，对于外来样本，可以使用深度哈希网络计算其二进制码，再根据数据库的二进制码直接进行检索。与现有技术相比，本发明能提升图像检索的效率和精度，在面对小样本场景时更为鲁棒。
-
公开(公告)号：CN108959655A
公开(公告)日：2018-12-07
申请号：CN201810889330.9
申请日：2018-08-07
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明公开一种面向动态环境的自适应在线推荐方法，通过将推荐任务建模成一个在线多分类问题，然后使用自适应在线分类方法进行推荐。首先，获取应用场景的历史数据集。接着，选择分类器和损失函数，并计算出分类器在历史数据集上的最优参数作为初始值。然后，在每个回合根据分类器的预测决定推荐项目，并通过一个自适应方法更新分类器参数。该自适应方法包含一个元方法和多个专家方法。与现有技术相比，本发明能自适应地进行在线推荐，适用于变化速度和幅度无法事先预测的动态环境。
-
公开(公告)号：CN111754313A
公开(公告)日：2020-10-09
申请号：CN202010635904.7
申请日：2020-07-03
Applicant: 南京大学
IPC: G06Q30/06 , G06F16/906 , G06F16/903 , G06Q10/04 , H04L12/24
Abstract: 本发明公开一种通讯高效无需投影的分布式数据在线分类方法，以分布式网络的形式协调多个工作节点，对在线分布式数据进行分类。首先，将多个工作节点按照一定拓扑结构连接，组成一个分布式网络。然后，在每个回合中，每个工作节点先判断当前回合是否需要进行模型更新，如果需要，则与邻居节点交换历史信息并利用无投影的方式更新模型。最后，利用最新的模型对本地数据进行分类预测，并记录本地梯度信息。与现有技术相比，本发明不需要进行计算昂贵的投影操作，仅在部分回合进行通讯，能够有效降低计算开销和通讯开销。
-
公开(公告)号：CN114861093B
公开(公告)日：2024-12-13
申请号：CN202210337150.6
申请日：2022-03-31
Applicant: 南京大学
IPC: G06F16/9538 , G06F16/9535 , G06Q30/0601 , G06N5/02
Abstract: 本发明公开一种面向动态环境的自适应在线排序方法和系统，通过将在线排序学习任务建模成一个多摇臂决斗赌博机问题，使用自适应在线排序方法对查询结果进行排序。首先，确定排序模型，设置相关参数。接着，使用一个自适应在线排序方法更新排序模型的参数，利用更新后的排序模型对查询结果进行排序。其中，自适应在线排序方法包含一个元方法和多个专家方法。本发明能够自适应地对查询结果进行在线排序，适用于用户查询偏好随时间变化而不断改变的动态环境。
-
Patent Agency Ranking
公开(公告)号：CN116229186A
公开(公告)日：2023-06-06
申请号：CN202310349182.2
申请日：2023-04-03
Applicant: 南京大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/084 , G06N3/096
Abstract: 本发明公开一种基于不平衡建模的类别增量图像分类方法，适用于类别持续增加、分布剧烈变化等不利影响下的图像分类任务。首先，利用一个容量受限的样本池保留旧类别的分布，并根据每个类别的先验概率估计去矫正模型的分类损失，以得到更加平衡的分类边界。然后保存一个旧模型镜像，通过输出的分类模型维持更新旧模型镜像，并利用知识蒸馏技术来缓解灾难性遗忘现象。最后，动态地调整模型训练的正则化因子，以适应数据类别的持续扩增。本发明能够自适应地矫准特征提取器的参数以应对不平衡训练数据，并通过知识蒸馏技术使其提升延续到后续任务，解决了在上述不利情况下图像分类精度剧烈下降、分类精度有新类别偏置的问题。
-
公开(公告)号：CN116229185A
公开(公告)日：2023-06-06
申请号：CN202310347097.2
申请日：2023-04-03
Applicant: 南京大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82
Abstract: 本发明公开一种面对开放性环境的持续学习图像分类方法，首先获取图像分类任务的多任务模型、新增数据集及历史数据集。接着，使用域外样本检测，将新增数据集划分为域内数据集及域外数据集，并生成域内数据集的子任务标记。然后，对域外数据集进行域内样本检测，生成域外数据集的子任务标记。随后，将新增数据集与子任务标记合并成为标记数据集，并将标记数据集和历史数据集合并为训练数据集。最终，将训练数据集输入模型进行增量训练，并使用回放策略保存部分数据。预测时，为图像生成子任务标记，模型根据图像及子任务标记进行分类。与现有技术相比，本发明充分考虑了开放环境中数据的多样性和未知性，提升了持续学习场景下的图像分类性能。
-
公开(公告)号：CN114723990B
公开(公告)日：2025-03-07
申请号：CN202210336808.1
申请日：2022-03-31
Applicant: 南京大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开一种基于度量学习的图像分类鲁棒性提升方法。针对深度学习图像分类任务，获取图像分类任务对应的原数据集，以投影梯度下降的方法针对获取到的原数据集生成对抗样本数据集，将原数据集与生成的对抗样本合并成为新数据集，再将新数据集输入分类器进行模型训练，训练至模型收敛后输出。其中，在分类器模型训练阶段，原有分类器上增加了样本分布约束模块，样本分布约束模块应用度量学习的总损失函数来更新分类器的参数。考虑了正常样本和对抗样本本身的分布约束和空间特征，解决了传统对抗训练融合对抗样本却不考虑样本分布之间的联系的问题，因而提升深度学习图像分类器的鲁棒性，在应对传统白盒对抗样本攻击的情况下有更好的表现。
-
公开(公告)号：CN118644310A
公开(公告)日：2024-09-13
申请号：CN202410626708.1
申请日：2024-05-20
Applicant: 南京大学
IPC: G06Q30/0601 , G06F16/9536 , G06N7/01
Abstract: 本发明公开一种针对重尾奖励的鲁棒在线社交推荐方法，利用无向图对社交网络中的用户进行建模，推荐系统依次将商品推荐给用户，获得用户该商品的反馈情况和其好友对该商品的倾向。利用随机图摇臂机模型来应对这个任务，将每个用户视为一个摇臂，社交网络视为摇臂的反馈图，通过鲁棒的均值估计器来估计每个摇臂的点击反馈，并构造依赖于反馈图结构的上置信界来选择摇臂。调整鲁棒均值估计器的类别，以适应不同类型的重尾奖励。本发明利用鲁棒均值估计器来估计社交网络中用户的奖励均值，并通过构造依赖于反馈图结构的上置信界来选择商品的目标用户，解决了在社交网络推荐任务中点击反馈估计不准、利用和探索不能平衡、反馈图信息利用不充分的问题。
-
公开(公告)号：CN114861093A
公开(公告)日：2022-08-05
申请号：CN202210337150.6
申请日：2022-03-31
Applicant: 南京大学
IPC: G06F16/9538 , G06F16/9535 , G06Q30/06 , G06N5/02
Abstract: 本发明公开一种面向动态环境的自适应在线排序方法和系统，通过将在线排序学习任务建模成一个多摇臂决斗赌博机问题，使用自适应在线排序方法对查询结果进行排序。首先，确定排序模型，设置相关参数。接着，使用一个自适应在线排序方法更新排序模型的参数，利用更新后的排序模型对查询结果进行排序。其中，自适应在线排序方法包含一个元方法和多个专家方法。本发明能够自适应地对查询结果进行在线排序，适用于用户查询偏好随时间变化而不断改变的动态环境。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
