-
公开(公告)号：CN116843970B
公开(公告)日：2025-05-09
申请号：CN202310807415.9
申请日：2023-07-03
Applicant: 福州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于任务特定通道重构网络的细粒度小样本分类方法，首先获取细粒度小样本分类数据集进行数据预处理，并完成标签提取。将数据集划分为三个部分，按照episode模式进行N‑way K‑shot小样本元任务采样，得到查询集图像和N个类别的支持集图像。然后通过多维度动态卷积构建多维度动态特征提取网络，将所有支持集图像和查询集图像输入多维度动态特征提取网络中，分别得到各个类别的支持集和查询集的特征，计算支持集各个类别的原型特征。然后利用任务特定通道注意力权值重构支持集和查询集特征。最后利用距离度量进行相似度评分得到查询集图像所属类别，高效完成细粒度小样本分类任务。
-
公开(公告)号：CN115100476B
公开(公告)日：2024-07-26
申请号：CN202210787855.8
申请日：2022-07-04
Applicant: 福州大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明涉及一种基于结构建模局部提议网络的细粒度分类方法。首先获取细粒度分类数据集，输入主干网络，通过多粒度融合学习策略整合多粒度层级信息以增强特征表示，并计算跨层自蒸馏正则化损失。然后利用空间注意力模块增强判别性区域定位能力并以弱监督的形式生成区域提议，利用生成的局部区域提议裁剪原始图像，调整裁剪后的图像到指定大小得到局部区域图像，并将局部区域图像再次输入网络。然后基于空间注意力模块生成区域掩码，利用掩码进行极坐标建模，并计算结构建模损失，最后按照指定训练参数进行迭代训练，根据验证准确率不断保存最优模型，利用最终模型得到细粒度分类结果。
-
公开(公告)号：CN112541544A
公开(公告)日：2021-03-23
申请号：CN202011461440.9
申请日：2020-12-09
Applicant: 福州大学
IPC: G06K9/62 , G06F16/951 , G06Q50/26
Abstract: 本发明涉及一种基于深度学习的垃圾分类方法。首先使用爬虫爬取并构建深度学习训练集，将该版数据集称为初始数据集；然后使用不同的网络结构在初始数据集的基础上训练模型，得到多个模型；接着使用这些模型结合爬虫进行数据的自动爬取、清洗、打标，完成对初始数据集的自动扩充，构建最终版数据集；最后选出表现最好的网络结构作为主干网络，在最终构建的数据集上训练模型，并且使用各种优化策略进行优化，提升模型的准确率与鲁棒性。
-
公开(公告)号：CN112541544B
公开(公告)日：2022-05-13
申请号：CN202011461440.9
申请日：2020-12-09
Applicant: 福州大学
IPC: G06K9/62 , G06F16/951 , G06Q50/26
Abstract: 本发明涉及一种基于深度学习的垃圾分类方法。首先使用爬虫爬取并构建深度学习训练集，将该版数据集称为初始数据集；然后使用不同的网络结构在初始数据集的基础上训练模型，得到多个模型；接着使用这些模型结合爬虫进行数据的自动爬取、清洗、打标，完成对初始数据集的自动扩充，构建最终版数据集；最后选出表现最好的网络结构作为主干网络，在最终构建的数据集上训练模型，并且使用各种优化策略进行优化，提升模型的准确率与鲁棒性。
-
公开(公告)号：CN112183768A
公开(公告)日：2021-01-05
申请号：CN202011148529.X
申请日：2020-10-23
Applicant: 福州大学
IPC: G06N20/20
Abstract: 本发明提出一种基于语义网的机器学习流程智能组装方法(面向深度学习)，包括以下步骤；步骤S1：从不同框架所支持的预处理方法中任选几种作为图像数据的预处理方法，以自动或手动的方式；步骤S2：从不同框架所支持的模型结构中选取网络结构，以自动或手动的方式；步骤S3：从不同框架所支持的优化器中选取训练过程中将要使用的优化器，以自动或手动的方式；步骤S4：建立语义模型描述上述三个步骤所选取的不同框架各算法模块的功能，进行组装，构建机器学习模型训练流程，进行模型训练与结果评估；流程的智能组装与训练评估流程可重复进行，保留效果最好的模型作为最终模型；本发明能够有效地针对机器学习中深度学习的流程进行智能组装与自动探索。
-
Patent Agency Ranking
公开(公告)号：CN116843970A
公开(公告)日：2023-10-03
申请号：CN202310807415.9
申请日：2023-07-03
Applicant: 福州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于任务特定通道重构网络的细粒度小样本分类方法，首先获取细粒度小样本分类数据集进行数据预处理，并完成标签提取。将数据集划分为三个部分，按照episode模式进行N‑way K‑shot小样本元任务采样，得到查询集图像和N个类别的支持集图像。然后通过多维度动态卷积构建多维度动态特征提取网络，将所有支持集图像和查询集图像输入多维度动态特征提取网络中，分别得到各个类别的支持集和查询集的特征，计算支持集各个类别的原型特征。然后利用任务特定通道注意力权值重构支持集和查询集特征。最后利用距离度量进行相似度评分得到查询集图像所属类别，高效完成细粒度小样本分类任务。
-
公开(公告)号：CN115100476A
公开(公告)日：2022-09-23
申请号：CN202210787855.8
申请日：2022-07-04
Applicant: 福州大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明涉及一种基于结构建模局部提议网络的细粒度分类方法。首先获取细粒度分类数据集，输入主干网络，通过多粒度融合学习策略整合多粒度层级信息以增强特征表示，并计算跨层自蒸馏正则化损失。然后利用空间注意力模块增强判别性区域定位能力并以弱监督的形式生成区域提议，利用生成的局部区域提议裁剪原始图像，调整裁剪后的图像到指定大小得到局部区域图像，并将局部区域图像再次输入网络。然后基于空间注意力模块生成区域掩码，利用掩码进行极坐标建模，并计算结构建模损失，最后按照指定训练参数进行迭代训练，根据验证准确率不断保存最优模型，利用最终模型得到细粒度分类结果。
-
公开(公告)号：CN115080699A
公开(公告)日：2022-09-20
申请号：CN202210787446.8
申请日：2022-07-04
Applicant: 福州大学
IPC: G06F16/33 , G06F16/338 , G06F16/53 , G06F16/538 , G06V10/40 , G06V10/82 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于模态特异自适应缩放与注意力网络的跨模态检索方法。首先对图像模态采用带残差空间缩减的Transformer编码器，对文本模态采用单词级特征注意力模块，分别进行模态不变特征的提取。然后使用模态嵌入级特征注意力模块进行模态干扰特征的过滤。接着采用融合先验知识的自适应缩放网络将特征映射到一个多模态公共子空间进行模态公共特征学习。最后利用表现最好的网络权重计算新的待查询、待检索数据的多模态公共子空间特征，进行类别级重排序，返回最终的跨模态数据检索。本发明能够有效的对多模态数据进行建模，高效准确地完成多模态场景下的跨模态检索任务。
-
公开(公告)号：CN116910287B
公开(公告)日：2025-05-16
申请号：CN202310867102.2
申请日：2023-07-14
Applicant: 福州大学
IPC: G06F16/532 , G06F16/58 , G06F18/25 , G06F18/22 , G06F40/289 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明提出令牌压缩与双向非对称匹配的多模态查询图像检索方法，包括以下步骤；步骤S1：将输入图像分块并分别编码，将输入文本利用词嵌入转化为令牌序列；对序列化的数据进行令牌压缩与编码；步骤S2：对得到的融合上下文的图像模态和文本模态令牌序列加上额外的融合令牌，并再次进行令牌压缩与编码；步骤S3：对使用步骤S2得到的单模态与融合模态特征表示进行正向的精确匹配与反向的模糊匹配，利用匹配结果指导神经网络学习过程。步骤S4：进行神经网络的训练，保留最好的模型权重用于计算测试集数据的特征表示，实现组合查询图像检索；本发明能够对多模态查询语义进行充分融合，充分利用多模态数据的相关性和互补性实现更全面更精细的图像检索。
-
公开(公告)号：CN115080699B
公开(公告)日：2025-01-07
申请号：CN202210787446.8
申请日：2022-07-04
Applicant: 福州大学
IPC: G06F16/3331 , G06F16/338 , G06F16/53 , G06F16/538 , G06V10/40 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06N3/084
Abstract: 本发明涉及一种基于模态特异自适应缩放与注意力网络的跨模态检索方法。首先对图像模态采用带残差空间缩减的Transformer编码器，对文本模态采用单词级特征注意力模块，分别进行模态不变特征的提取。然后使用模态嵌入级特征注意力模块进行模态干扰特征的过滤。接着采用融合先验知识的自适应缩放网络将特征映射到一个多模态公共子空间进行模态公共特征学习。最后利用表现最好的网络权重计算新的待查询、待检索数据的多模态公共子空间特征，进行类别级重排序，返回最终的跨模态数据检索。本发明能够有效的对多模态数据进行建模，高效准确地完成多模态场景下的跨模态检索任务。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.015 seconds)
