公开(公告)号：CN118710951A

公开(公告)日：2024-09-27

申请号：CN202410712908.9

申请日：2024-06-04

Applicant: 安徽大学

Inventor： 王姗姗 ,  胡敏彬 ,  冯子英 ,  杨勋 ,  张兴义

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/774 ,  G06V10/776 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06N3/084 ,  G06N3/088 ,  G06N3/048

Abstract: 本发明公开了一种基于数据增强的领域混合无监督域自适应图像分类方法，包括：1对源域和目标域的数据进行预处理，以确保数据质量并为后续处理提供一致性基础；2.建立一种利用数据增强技术的领域混合自适应模型，该模型旨在通过增强技术提高模型对不同领域数据的泛化能力；3.将经过预处理的源域和目标域数据输入到构建的模型中，进行训练以优化模型参数；4.利用训练完成的模型对图像进行分类，实现准确的图像识别和分类效果。本发明在样本级别上实施领域混合，通过结合源域和目标域的样本，构建出两个新的中间领域，从而显著减少了源域样本和目标域样本的随机性，从而拉近了两者之间的距离完成高效的图像分类。

公开(公告)号：CN118657981A

公开(公告)日：2024-09-17

申请号：CN202410681090.9

申请日：2024-05-29

Applicant: 安徽大学

Inventor： 王姗姗 ,  何厚蒙 ,  杨勋 ,  张兴义

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/42 ,  G06V10/80 ,  G06V10/44 ,  G06V10/82 ,  G06V40/10

Abstract: 本发明公开了一种基于多视图挖掘不变信息的领域泛化图像识别方法，包括：1、定义具有c个类别的领域泛化图像数据集；2、构建基于多视图挖掘不变信息的领域泛化网络模型；3、使用多视图对抗挖掘策略和困难样本加权策略训练构建的网络模型；4、构建两阶段的损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索图像特征的不同视图来挖掘丰富的判别性信息，然后自适应的计算样本权重以增加对困难样本的关注度，从而能实现对目标域图像类别的精准识别。

公开(公告)号：CN118628813A

公开(公告)日：2024-09-10

申请号：CN202410750577.8

申请日：2024-06-12

Applicant: 安徽大学

Inventor： 王姗姗 ,  周浩 ,  肖倩 ,  杨勋 ,  张兴义

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06V20/70 ,  G06V10/74 ,  G06V10/762 ,  G06N3/096 ,  G06N3/0895 ,  G06N3/042 ,  G06N3/084 ,  G06N3/047 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/045

Abstract: 本发明公开了一种基于可迁移语义知识的无源领域自适应图像识别方法，其步骤包括：1、定义具有c个类别的领域自适应图像数据集；2、构建基于可迁移语义知识的无源领域自适应网络模型；3、选取目标域置信样本集后构建多粒度对比学习训练构建的网络模型；4、构建整体损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索源模型中的可迁移语义知识来辅助目标域图像训练，然后通过领域间粗粒度和细粒度语义对齐以减少领域间差异，从而能实现目标域图像类别的精准识别。

公开(公告)号：CN118447551A

公开(公告)日：2024-08-06

申请号：CN202410538925.5

申请日：2024-04-30

Applicant: 安徽大学

Inventor： 王姗姗 ,  郑勇 ,  杨勋 ,  张兴义

IPC: G06V40/16 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种基于细粒度时空网络的视频人脸专注度识别方法，包括：1、对包含具有N类专注度视频的数据库进行预处理；2、构建用于专注度识别的细粒度时空网络模型；3、训练构建好的网络模型；4、利用构建好的网络模型对待测人脸视频进行预测，实现视频人脸专注度的分类识别。本发明通过从时间和空间两个视角学习细粒度特征，从而能提升视频人脸专注度的分类效果。

公开(公告)号：CN118747820A

公开(公告)日：2024-10-08

申请号：CN202410897088.5

申请日：2024-07-05

Applicant: 安徽大学

Inventor： 王姗姗 ,  阿鲁斯 ,  杨勋 ,  许柯 ,  张兴义

IPC: G06V10/764 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/048 ,  G06N3/0895

Abstract: 本发明公开了一种基于特征解耦的特征增广领域泛化图像识别方法，其步骤包括：1、获取具有c个类别k个领域的领域泛化图像数据集；2、构建特征解耦网络模型并利用损失函数优化模型参数；3、基于特征解耦网络构建增广特征并利用对比学习损失函数进一步优化模型参数；4、得到泛化能力最优的图像分类模型。本发明通过同时学习域不变特征和因果相关特征来提升模型的泛化能力，且通过特征增广策略进一步提升模型对困难样本的泛化能力，从而实现对未知目标域图像类别的精准识别。

公开(公告)号：CN118503912A

公开(公告)日：2024-08-16

申请号：CN202410645293.2

申请日：2024-05-23

Applicant: 安徽大学

Inventor： 王姗姗 ,  袁方正 ,  杨勋 ,  张兴义

IPC: G06F18/25 ,  G06Q50/20 ,  G06Q10/04 ,  G06N3/0442 ,  G06N3/084 ,  G06N3/098

Abstract: 本发明公开了一种基于情绪融合的双状态个性化知识追踪方法，包括以下步骤：1.定义基本概念；2.构建LSTM变体的知识状态拟合网络获取情绪增强的知识状态；3.设计一个情绪状态追踪网络来监测学生在每次学习答题时的个性化情绪状态；4.基于个性化情绪状态显式地预测学生的情绪并利用预测出的情绪信息去增强最后的响应预测过程。本发明通过融合学生学习过程中的情绪，实现了更加个性化的知识追踪。

公开(公告)号：CN118193920A

公开(公告)日：2024-06-14

申请号：CN202410422144.X

申请日：2024-04-09

Applicant: 安徽大学

Inventor： 王姗姗 ,  胡迎 ,  杨勋 ,  张兴义

IPC: G06F17/16 ,  G06F18/22 ,  G06N20/00 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084 ,  G06Q50/20

Abstract: 本发明公开了一种基于概念驱动的个性化遗忘机制的知识追踪方法，包括：1.根据习题与知识概念之间的关联关系以及知识概念之间层次关系，构建习题‑知识概念关联矩阵、知识概念前驱后继关系矩阵；2.根据学生历史交互表现，计算个性化能力，建立多层网络模型，包括学习层、遗忘层和预测层；3.通过将习题向量融合到学习增益，全面理解知识，通过考虑知识概念之间的前驱后继关系以及历史交互与当前习题的交互相似性，计算遗忘权重；最后，区分学生能力，量化知识增益与遗忘程度；4.利用网络模型预测学生习题准确率。本发明通过通过建模概念关系和个性化能力，实现精细遗忘建模和个性化学习，提高学生未来表现的预测精度。

公开(公告)号：CN118379168A

公开(公告)日：2024-07-23

申请号：CN202410589445.1

申请日：2024-05-13

Applicant: 安徽大学

Inventor： 王姗姗 ,  张雪莹 ,  杨勋 ,  张兴义

IPC: G06Q50/20 ,  G06F18/23213 ,  G06F18/22 ,  G06N5/022 ,  G06N3/0464

Abstract: 本发明公开了一种基于学习状态增强的知识追踪方法，包括：1、基于项目反应理论，建模习题嵌入来模拟习题之间的真实差异；2、设计学习状态增强的知识状态提取网络架构，通过学习状态的引导，得到更细致的学生知识状态；3、根据学生的知识状态与学习状态共同决定其下一时刻的表现预测。本发明通过关注习题间存在的细微差异与在学习过程中学生状态的变化来模拟更真实的知识获取过程，在提高知识追踪精度的同时保留了一定的可解释性。

公开(公告)号：CN117636051A

公开(公告)日：2024-03-01

申请号：CN202311687521.4

申请日：2023-12-11

Applicant: 安徽大学

Inventor： 王姗姗 ,  胡敏彬 ,  杨勋 ,  张兴义

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/77 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0985 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/088 ,  G06N3/048

Abstract: 本发明引入了一种基于自训练对比学习无监督领域自适应的图像分类方法，包括：1.对源域目标域图像预处理；2构建基于自训练对比学习框架的领域自适应模型；3.将处理好的图像作为输入，以无监督的方式训练构建好的网络模型；4.利用训练好的网络模型进项跨域图像分类。本发明利用源域和目标域之间的内在分布差异，采用不同的策略来学习域不变特征，并引入了对抗性机制，以调整两个领域之间的分布差异，以促进从源域到目标领域的有效知识转移，从而能准确高效地完成图像分类。

公开(公告)号：CN116912575A

公开(公告)日：2023-10-20

申请号：CN202310866261.0

申请日：2023-07-14

Applicant: 安徽大学 ,  合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)

Inventor： 王姗姗 ,  杨勋 ,  胡敏彬 ,  张兴义 ,  许柯 ,  刘淳

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/088 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明公开了一种特征解纠缠的无监督领域自适应图像分类方法，包括：1.对源域目标域图像预处理；2.构建基于特征解耦的领域自适应模型；3.将处理好的图像作为输入，以无监督的方式训练构建好的网络模型并利用训练好的网络模型进项跨域图像分类。本发明通过将语义相关特征与不同的领域相关特征相结合，可以在不改变其内在类别信息的情况下将特征转移到其他领域，从而完成图像高效高准确率的分类。