公开(公告)号：CN113743474B

公开(公告)日：2023-09-26

申请号：CN202110911462.9

申请日：2021-08-10

Applicant: 扬州大学

Inventor： 徐晓华 ,  李好 ,  何萍 ,  仁祥

IPC: G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/0895 ,  G06V10/82

Abstract: 本发明公开了一种基于协同半监督卷积神经网络的数字图片分类方法与系统，首先将原始的数字图片数据集分为有标记数据和无标记数据，然后来训练模型的网络参数，并通过在学生‑教师模型的基础上添加一个独立的学生模型来参与教师模型的参数更新过程以弱化单个学生和教师的强耦合性，将数据输入到两个学生模型中根据不同的类别输出标签，构造损失函数，然后通过学生网络参数更新计算教师模型的网络参数，增加学生和教师模型的一致性损失，来更新学生模型的权重，并引入评价标准来调整两个学生模型对教师模型参数的贡献比重。本发明可解决数字图像数据进行图片分类时因为数据耦合性高的原因而影响最后准确性的问题，提高数字图像数据分类的准确性。

公开(公告)号：CN113743474A

公开(公告)日：2021-12-03

申请号：CN202110911462.9

申请日：2021-08-10

Applicant: 扬州大学

Inventor： 徐晓华 ,  李好 ,  何萍 ,  仁祥

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于协同半监督卷积神经网络的数字图片分类方法与系统，首先将原始的数字图片数据集分为有标记数据和无标记数据，然后来训练模型的网络参数，并通过在学生‑教师模型的基础上添加一个独立的学生模型来参与教师模型的参数更新过程以弱化单个学生和教师的强耦合性，将数据输入到两个学生模型中根据不同的类别输出标签，构造损失函数，然后通过学生网络参数更新计算教师模型的网络参数，增加学生和教师模型的一致性损失，来更新学生模型的权重，并引入评价标准来调整两个学生模型对教师模型参数的贡献比重。本发明可解决数字图像数据进行图片分类时因为数据耦合性高的原因而影响最后准确性的问题，提高数字图像数据分类的准确性。

公开(公告)号：CN116702012A

公开(公告)日：2023-09-05

申请号：CN202310843930.2

申请日：2023-07-11

Applicant: 扬州大学

Inventor： 徐晓华 ,  郑斯丹 ,  何萍 ,  徐天祺 ,  李好

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/0895 ,  G06Q50/00

Abstract: 本发明公开了一种插值对比半监督社交网络节点分类方法与系统。本发明首先为社交网络数据学习有意义的半监督对比学习的潜在特征；其次采用插值混合算法通过将不同的样本混合来创建新的训练样本从而增加数据集的大小；然后使用插值一致性训练方法从两个方面提取社交网络特征，生成对比损失来训练模型；最后在标记样本数据集和未标记样本数据集上训练半监督网络模型。本发明有效解决了在社交网络节点分类方法中因数据增强的正样本构造导致的语义信息丢失问题，能够引导样本之间的嵌入向量线性变化，从而扩大边缘决策边界，提高社交网络节点分类方法的准确性。本发明能够取得更好的性能表现，即使在监督数据非常有限的情况下也能有效发挥作用。

公开(公告)号：CN115410026A

公开(公告)日：2022-11-29

申请号：CN202210825399.1

申请日：2022-07-14

Applicant: 扬州大学

Inventor： 徐晓华 ,  李好 ,  何萍

IPC: G06V10/764 ,  G06V10/74 ,  G06N3/08

Abstract: 本发明公开了一种基于标签传播对比半监督学习的图像分类方法与系统，本发明首先为图像数据学习有意义的自监督对比学习的潜在特征。其次采用标签传播算法在无监督特征上传播已知标签，以自动方式有效地标记整个图像数据集。然后使用相似对齐方法选择匹配图像样本并构成可靠图像样本数据集。最后在匹配可靠图像样本数据集上训练半监督网络模型。在不匹配的图像样本进行无监督对比学习提取特征预测标签进行分类。本发明可在极低的监督设置下提高半监督图像分类的性能，可解决图像数据在进行图像分类时因为图像数据分布不平衡导致数据在标记时不匹配引起的模型性能严重下降的问题，提高图像数据分类的准确性，同时有效减少人工注释的工作。