-
公开(公告)号：CN115063832B
公开(公告)日：2024-11-08
申请号：CN202210493056.X
申请日：2022-05-07
Applicant: 南京邮电大学
IPC: G06V40/10 , G06V20/52 , G06V10/82 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于全局与局部特征的对抗学习跨模态行人重识别方法，包括：将选定的可见光图像样本集Xv和红外图像样本集Xt作为训练数据；将可见光图像样本和红外图像样本输入所构建的具有注意力机制的特征提取网络获取特征；将从具有注意力机制的特征提取网络获得的可见光特征fiv、红外特征fit输入局部特征学习模块进行操作；将从具有注意力机制的特征提取网络获得的可见光特征fiv、红外特征fit输入预测一致性模块进行操作；将可见光拼接特征fiv′和红外拼接特征fit′输入对抗学习模块进行处理。本发明可有效减小可见光和红外特征的模态差异，大大提高了跨模态行人重识别的检索率。
-
公开(公告)号：CN116911379A
公开(公告)日：2023-10-20
申请号：CN202310741144.1
申请日：2023-06-21
Applicant: 南京邮电大学
IPC: G06N3/098 , G06N3/0464 , G06F18/15
Abstract: 本发明涉及一种基于自步学习与邻接矩阵的标签噪声鲁棒联邦学习方法，基于客户端‑服务器模式的横向联邦学习框架，进行分布式训练，包括以下步骤：步骤S1，选取可信客户端；步骤S2，根据可信客户端计算所有客户端样本的近邻关系：根据步骤S1中获得的可信客户端进行联邦学习，得到全局联邦模型，使用所述全局联邦模型为所有客户端样本计算近邻关系；步骤S3，自步更新样本近邻关系以及标签评估与矫正；步骤S4，离群样本处理。本发明提供一种安全可靠的基于自步学习与邻接矩阵的标签噪声鲁棒联邦学习方法，能够有效地减少噪声数据对模型的干扰，并提高模型收敛速度。
-
公开(公告)号：CN116775798A
公开(公告)日：2023-09-19
申请号：CN202310529537.6
申请日：2023-05-11
Applicant: 南京邮电大学
IPC: G06F16/31 , G06F16/583 , G06F18/214 , G06N3/0464 , G06F18/25
Abstract: 本发明公开了一种基于图网络与模态间特征融合的跨模态哈希方法包括，通过获取跨模态检索数据集；对训练数据集里文本和图像分别进行特征提取，通过孪生图卷积神经网络学习图像和文本模态的图表示；通过模态间特征融合模块生产层图像和文本模态的哈希码；引入余弦三元组损失，根据模态间鉴别损失函数、模态内鉴别损失函数、引导损失函数和量化损失函数训练网络；通过网络收敛，利用测试集的样本进行跨模态检索。本方法有效的联合利用图像和文本模态的深层特征，从而有效地减少模态差异，同时保持邻里关系，解决了过去跨模态哈希方法占存储空间大和检索速度慢的问题。
-
公开(公告)号：CN112528087B
公开(公告)日：2023-06-20
申请号：CN202011400390.3
申请日：2020-12-01
Applicant: 南京邮电大学
IPC: G06F16/901
Abstract: 本发明公开了一种网络系统中基于大同步模型的图顶点并行重编码方法，包括：各任务将输入图的顶点Id发送给出度顶点，并统计各自的输入顶点数量写入总同步目录；各任务根据总同步目录记录的各任务输入顶点数量，顺序递增更新原顶点Id，同时建立新旧Id映射，然后根据接收消息建立各顶点的输入顶点集合，最后以新Id作为消息值，根据输入顶点集合进行反向发送；各顶点根据新旧顶点Id映射，将收到的新顶点Id汇总为新的输出边集合。本发明能够避免顶点不规则编码带来的存储资源浪费和低效计算等问题，同时不影响原图的结构关系，在图计算技术领域具有广泛的实用价值和应用前景。
-
公开(公告)号：CN112800292B
公开(公告)日：2022-10-11
申请号：CN202110053038.5
申请日：2021-01-15
Applicant: 南京邮电大学
IPC: G06F16/9032 , G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于模态特定和共享特征学习的跨模态检索方法，包括：步骤S1、获取跨模态检索数据集，划分为训练集和测试集；步骤S2、对文本和图像分别进行特征提取；步骤S3、提取模态特定特征和模态共享特征；步骤S4、通过哈希网络生成对应模态样本的哈希码；步骤S5、联合对抗自编码器网络的损失函数以及哈希网络的损失函数训练网络；步骤S6、利用步骤S5中训练完成的网络对测试集中的样本进行跨模态检索。本发明设计了一个哈希网络，将图像通道的编码特征和文本通道编码特征以及模态共享特征投影到汉明空间中，并且利用标签信息、模态特定和共享特征进行建模，使得输出的哈希码在模态间和模态内具有更好的语义区分性。
-
Patent Agency Ranking
公开(公告)号：CN113064959B
公开(公告)日：2022-09-23
申请号：CN202010001846.2
申请日：2020-01-02
Applicant: 南京邮电大学
IPC: G06F16/31 , G06F16/953 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度自监督排序哈希的跨模态检索方法。包括以下步骤：首先学习一个标签网络用来保留语义特征与其对应的哈希码之间的相似关系。该标签网络可以有效地利用多标签信息来桥接不同模态之间的语义相关性。然后分别对图像和文本设计一个端到端的特征学习网络，进行特征学习。一方面，可以保持标签网络和图像文本网络之间的语义相关性。另一方面，可以使学习到的特征与特定的跨模态检索任务完美兼容。为了解决使用二进制分区函数编码对分区阈值十分敏感的问题，采用基于排序的编码函数。每个维度的相对排序不变，哈希编码的值就不变，这使得哈希函数不会对某些阈值非常敏感，进而获取的哈希编码鲁棒性更好。
-
公开(公告)号：CN115063832A
公开(公告)日：2022-09-16
申请号：CN202210493056.X
申请日：2022-05-07
Applicant: 南京邮电大学
IPC: G06V40/10 , G06V20/52 , G06V10/82 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于全局与局部特征的对抗学习跨模态行人重识别方法，包括：将选定的可见光图像样本集Xv和红外图像样本集Xt作为训练数据；将可见光图像样本和红外图像样本输入所构建的具有注意力机制的特征提取网络获取特征；将从具有注意力机制的特征提取网络获得的可见光特征fiv、红外特征fit输入局部特征学习模块进行操作；将从具有注意力机制的特征提取网络获得的可见光特征fiv、红外特征fit输入预测一致性模块进行操作；将可见光拼接特征fiv′和红外拼接特征fit′输入对抗学习模块进行处理。本发明可有效减小可见光和红外特征的模态差异，大大提高了跨模态行人重识别的检索率。
-
公开(公告)号：CN114911981A
公开(公告)日：2022-08-16
申请号：CN202210554348.X
申请日：2022-05-19
Applicant: 南京邮电大学
IPC: G06F16/901 , G06F16/904 , G06F16/906
Abstract: 本发明公开了一种复杂网络中基于聚类系数的并行图摘要算法，包括：将图的原始顶点集合划分为不同的分区；将分区子图的原始顶点集和边集作为图摘要的初始顶点集合和边集合，对各分区顶点，根据顶点选择策略确定初始点，计算该点聚类系数，并合并该顶点与所有一跳邻居顶点生成新摘要顶点；更新图摘要的顶点集，同时根据聚类系数生成修正边集合，并更新图摘要的边集合；继续选择下一个待合并顶点，重复执行上述合并过程，直至各分区摘要图中顶点总数小于阈值时停止，最终合并输出总的摘要图和修正边集合。本发明能够根据复杂网络中顶点的聚类系数进行并行摘要，避免了传统图摘要算法计算效率慢、压缩率低等缺陷，在图压缩、复杂网络顶点重要性排序等领域有较好的应用价值。
-
公开(公告)号：CN108446711B
公开(公告)日：2022-04-22
申请号：CN201810101265.9
申请日：2018-02-01
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于迁移学习的软件缺陷预测方法，该方法利用降维迁移学习的思想，综合考虑不同项目数据样本之间概率分布以及条件概率分布，在源项目和目标项目之间建立一个新的特征表示，在一个新的空间中最小化二者之间的差异，训练出一个新的分类器，进而实现迁移学习。算法首先采用了一种不同分布之间的距离度量方式，最大均方差异来量化源数据和目标数据之间的分布差异和条件分布差异，通过最小化这种度量来获得一个模型，通过这个模型映射过后的训练数据和测试数据几乎具有相同的概率分布和条件概率分布；然后就可以采用传统的机器学习算法对测试数据进行分类。
-
公开(公告)号：CN108399421B
公开(公告)日：2022-04-01
申请号：CN201810095061.9
申请日：2018-01-31
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种基于词嵌入的深度零样本分类方法，在学习阶段未出现的类别，依然可以在预测阶段被识别。本发明提出了基于词嵌入和深度特征提取的零样本图像学习模型，该方法通过强大的深度神经网络学习一个图像特征和语义特征联合嵌入的子空间，利用词向量的语义能力，达到图像的零样本学习目的。本发明不仅提出了深度学习方法与零样本学习结合的模型，同时还针对其结合部分嵌入空间做了大量改进，为图像零样本，亦或者其他模态的零样本学习提供参考和指导，克服传统零样本学习中样本属性定义不明确、人工特征提取等等缺点。本发明广泛用于端到端的类别预测任务中，特别适合训练样本不足甚至是缺少某一类训练样本的类别预测任务。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.021 seconds)
