-
公开(公告)号：CN111275092B
公开(公告)日：2022-05-13
申请号：CN202010051470.6
申请日：2020-01-17
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开一种基于无监督域适应的图像分类方法，包括：选取有标签的源域图像数据集和无标签的目标域图像数据集，并进行数据增广；构造对抗迁移网络减少源域图像数据集和目标域图像数据集条件分布的差异性；构造时序集成网络正则化目标域图像数据集中图像标签的预测结果；将对抗迁移网络、时序集成网络进行联合，构造图像分类模型；将增广后的图像数据集做为训练集，采用元学习的方式对图像分类模型进行训练；用训练后的图像分类模型对待分类的目标图像进行识别，完成目标图像分类。本发明在面向网络上海量图像数据分类的过程中，极大减少了人力标注数据，且不影响图像分类的准确率，用户能快速准确地从海量图像数据中搜索到所需要的图像。
-
公开(公告)号：CN106547867B
公开(公告)日：2020-07-17
申请号：CN201610936735.4
申请日：2016-11-01
Applicant: 电子科技大学
IPC: G06F16/583 , G06K9/46 , G06K9/62
Abstract: 本发明提供一种图像匹配中基于密度的几何校验方法，包括步骤：1)产生2幅图像的候选特征匹配对集合；2)对候选特征匹配对集合中每个匹配对，估计其在霍夫空间的概率密度，并将该匹配对的概率密度作为它匹配得分的权重因子；3)累加特征匹配对集合中所有特征匹配对的匹配得分得到图像间的匹配得分，作为2幅图像间的相似度。本发明给位于霍夫空间中密度较大区域的匹配对赋予较大的权重，位于密度较小的区域的赋予较小的权重，来反映匹配对正确的可能性，能够处理多模型的匹配，在保留了霍夫投票方法高效率优点的同时，带来了更大的灵活性。
-
公开(公告)号：CN107798385B
公开(公告)日：2020-03-17
申请号：CN201711290493.7
申请日：2017-12-08
Applicant: 电子科技大学
IPC: G06N3/08
Abstract: 本发明公开一种基于块张量分解的循环神经网络稀疏连接方法，应用于深度学习神经网络结构优化领域，解决现有的方法未能同时基于输入数据的高维事实和全连接本身的冗余特性进行分析和优化，从而不能同时达到加快训练速度和维持或提高模型精度的问题；本发明的方法考虑到深度网络中全连接层的稀疏性，引入了张量分解思想，提升了网络参数共享程度，并利用BPTT进行模型训练，适应于目前深度网络绝大部分的应用场景；相比于已有的全连接方式，本发明方法在训练速度，收敛精度上有较大的提升。
-
公开(公告)号：CN110046696A
公开(公告)日：2019-07-23
申请号：CN201910317965.6
申请日：2019-04-19
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于卷积循环神经网络的残差神经网络调整方法，属于神经网络结构优化领域。本发明解决了现有的残差神经网络缺乏将特征相互融合的缺陷，利用卷积循环神经网络根据每个残差块内部特征自动选择性的保存、更新以及输出可以重复利用的特征，用输出的可重复利用的特征和残差块内部的特征相融合去调整残差块的输出。本发明赋予了残差神经网络更为丰富的表达能力，大大的提高了残差神经网络的分类精度，为目前的基于残差的网络以及变体提供了新的通用的架构。
-
公开(公告)号：CN106228245A
公开(公告)日：2016-12-14
申请号：CN201610578882.9
申请日：2016-07-21
Applicant: 电子科技大学
CPC classification number: G06N5/022 , G06N3/0472
Abstract: 本发明公开了一种基于变分推断和张量神经网络的知识库补全方法，在知识库补全方法中引入了张量分解思想和贝叶斯框架，考虑了隐含变量的先验知识，探讨了隐含变量两两之间的相互作用，并用神经网络进行了非线性的表达，增加了对不确定性的考虑，较为明显的提高了知识库补全方法的精度，与现有的技术相比有了较大的提升。
-
Patent Agency Ranking
公开(公告)号：CN107798385A
公开(公告)日：2018-03-13
申请号：CN201711290493.7
申请日：2017-12-08
Applicant: 电子科技大学
IPC: G06N3/08
Abstract: 本发明公开一种基于块张量分解的循环神经网络稀疏连接方法，应用于深度学习神经网络结构优化领域，解决现有的方法未能同时基于输入数据的高维事实和全连接本身的冗余特性进行分析和优化，从而不能同时达到加快训练速度和维持或提高模型精度的问题；本发明的方法考虑到深度网络中全连接层的稀疏性，引入了张量分解思想，提升了网络参数共享程度，并利用BPTT进行模型训练，适应于目前深度网络绝大部分的应用场景；相比于已有的全连接方式，本发明方法在训练速度，收敛精度上有较大的提升。
-
公开(公告)号：CN106547867A
公开(公告)日：2017-03-29
申请号：CN201610936735.4
申请日：2016-11-01
Applicant: 电子科技大学
CPC classification number: G06F16/5838 , G06K9/4676 , G06K9/6215 , G06K9/6277
Abstract: 本发明提供一种图像匹配中基于密度的几何校验方法，包括步骤：1)产生2幅图像的候选特征匹配对集合；2)对候选特征匹配对集合中每个匹配对，估计其在霍夫空间的概率密度，并将该匹配对的概率密度作为它匹配得分的权重因子；3)累加特征匹配对集合中所有特征匹配对的匹配得分得到图像间的匹配得分，作为2幅图像间的相似度。本发明给位于霍夫空间中密度较大区域的匹配对赋予较大的权重，位于密度较小的区域的赋予较小的权重，来反映匹配对正确的可能性，能够处理多模型的匹配，在保留了霍夫投票方法高效率优点的同时，带来了更大的灵活性。
-
公开(公告)号：CN111275092A
公开(公告)日：2020-06-12
申请号：CN202010051470.6
申请日：2020-01-17
Applicant: 电子科技大学
Abstract: 本发明公开一种基于无监督域适应的图像分类方法，包括：选取有标签的源域图像数据集和无标签的目标域图像数据集，并进行数据增广；构造对抗迁移网络减少源域图像数据集和目标域图像数据集条件分布的差异性；构造时序集成网络正则化目标域图像数据集中图像标签的预测结果；将对抗迁移网络、时序集成网络进行联合，构造图像分类模型；将增广后的图像数据集做为训练集，采用元学习的方式对图像分类模型进行训练；用训练后的图像分类模型对待分类的目标图像进行识别，完成目标图像分类。本发明在面向网络上海量图像数据分类的过程中，极大减少了人力标注数据，且不影响图像分类的准确率，用户能快速准确地从海量图像数据中搜索到所需要的图像。
-
公开(公告)号：CN106228245B
公开(公告)日：2018-09-04
申请号：CN201610578882.9
申请日：2016-07-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于变分推断和张量神经网络的知识库补全方法，在知识库补全方法中引入了张量分解思想和贝叶斯框架，考虑了隐含变量的先验知识，探讨了隐含变量两两之间的相互作用，并用神经网络进行了非线性的表达，增加了对不确定性的考虑，较为明显的提高了知识库补全方法的精度，与现有的技术相比有了较大的提升。
-
公开(公告)号：CN107944556B
公开(公告)日：2020-09-08
申请号：CN201711319853.1
申请日：2017-12-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于块项张量分解的深度神经网络压缩方法。其包括获取深度神经网络框架，将权重矩阵W和输入向量x分别转化为高阶张量W和高阶张量X，对高阶张量W进行块项张量分解处理，将深度神经网络的全连接层替换为块项张量层，采用后向传播算法对步骤D中替换后的深度神经网络进行训练。本发明采用块项张量分解方法来构造块项张量层，以替换原始深度神经网络中的全连接层，利用块项张量层具有的“对称”和“指数表达能力”的特性，不仅能够大幅压缩全连接层的参数量还能够保持原网络的分类精度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.015 seconds)
