公开(公告)号：CN110135510B

公开(公告)日：2023-08-01

申请号：CN201910427865.9

申请日：2019-05-22

Applicant: 电子科技大学中山学院 ,  西南财经大学

Inventor： 刘贵松 ,  解修蕊 ,  杨泽衡 ,  张绍楷 ,  占求港

IPC: G06V10/778 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种动态领域自适应方法、设备及计算机可读存储介质，包括以下步骤：基于原始图像数据获取源域数据集和目标域数据集；基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在卷积神经网络中全连接层中的输出层之前加入自适应层；计算卷积神经网络的自适应损失LMMD；基于自适应损失LMMD修改卷积神经网络的各层级参数，得到调整后的卷积神经网络；将目标域数据集代入调整后的卷积神经网络，获取图像数据识别的输出结果。本发明还同时公开了一种动态领域自适应设备及计算机可读存储介质。

公开(公告)号：CN113658109A

公开(公告)日：2021-11-16

申请号：CN202110831710.9

申请日：2021-07-22

Applicant: 西南财经大学

Inventor： 刘贵松 ,  解修蕊 ,  张邵楷 ,  占求港 ,  黄鹂 ,  杨新

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于领域损失预测主动学习的玻璃缺陷检测方法，该方法定义了一个损失预测模型，该模型能与多标签分类模型共同训练优化，并对未标注样本池中的玻璃样本进行损失预测，排序后取前K个预测损失值最大的玻璃样本作为主动学习挑选出的高价值样本，标注后加入标注样本集中，用于训练多标签分类模型，从而对待检测玻璃中存在的缺陷类型进行识别。使用该方法能够有效提升模型在较小多标签图像样本量下的分类准确率，从而用较少的数据量使模型效果达到预期，降低样本标注成本。

公开(公告)号：CN119149772A

公开(公告)日：2024-12-17

申请号：CN202411176128.3

申请日：2024-08-26

Applicant: 西南财经大学

Inventor： 尹诗白 ,  占求港 ,  刘鑫 ,  丁浩伦 ,  刘贵松 ,  蒋太翔 ,  蔡庆 ,  张丹

IPC: G06F16/73 ,  G06F18/214 ,  G06F18/22 ,  G06F18/23 ,  G06F16/75 ,  G06F16/783

Abstract: 本发明涉及信息检索领域，其公开了一种文本视频对相似性评估模型构建方法，首先，输入正样本对并构建其负样本对；然后，通过视觉编码器，获得样本对的视觉特征，通过文本编码器，获得样本对的文本特征；之后，分别计算样本对的粗、中、细粒度相似性；其中，粗粒度相似性，是对视频与文本，进行整体的相似性计算；中粒度相似性，是对视频所包含图像帧与文本，进行帧级的相似性计算；细粒度相似性，是对视频所包含视觉实体与文本所包含单词，进行因子级的相似性计算。在检索时，能引入更多的特征，从多个粒度对文本和视频的相似性进行比较，能够降低文本与视觉在语义上的不对等所导致的影响，并显著提升了检索性能。

公开(公告)号：CN113658110A

公开(公告)日：2021-11-16

申请号：CN202110832315.2

申请日：2021-07-22

Applicant: 西南财经大学

Inventor： 刘贵松 ,  解修蕊 ,  张鸿杰 ,  黄鹂 ,  占求港 ,  郑余

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于动态领域自适应学习的医学图像识别方法，涉及迁移学习技术领域，其解决了近红外脑成像中有标签数据获取成本高昂的难题。本发明包括以下步骤：基于ImageNet数据集进行预处理，得到源域数据集，同时使用近红外脑成像仪采集少量的脑部医学图像数据，得到目标域数据集；基于源域数据集定义用于图像识别的卷积神经网络模型，利用反向传播算法对卷积神经网络进行训练，更新参数，直至网络收敛，完成训练；将目标域数据集代入训练好的卷积神经网络中，获取脑部医学图像数据的识别输出结果，进行测试。本发明实现了动态自动寻找进行迁移学习的最佳时机的功能，显著提高了网络的分类精度和收敛速。

公开(公告)号：CN119089981A

公开(公告)日：2024-12-06

申请号：CN202411190638.6

申请日：2024-08-28

Applicant: 西南财经大学

Inventor： 刘贵松 ,  占求港 ,  黄鹂 ,  曹锦波 ,  丁浩伦 ,  陶然 ,  解修蕊 ,  高强

IPC: G06N3/098 ,  G06N3/049 ,  G06N3/0464 ,  G06N3/045 ,  G06T1/20

Abstract: 本发明涉及联邦学习技术，其公开了一种边缘设备视觉模块的联邦学习方法，解决现有边缘设备视觉模块基于SNN网络的联邦学习方案存在的通信成本高、模型准确率低、收敛速度慢的问题。本发明方案中，在一个全局训练轮次中，参与本轮训练的边缘设备计算点火率上传服务器；服务器根据点火率筛选设备进行本地训练并上传更新的模型参数至服务器；服务器对本地训练的设备上传的更新的模型参数进行聚合，更新全局模型，将更新的全局模型下发至各个边缘设备中，通过上述步骤进行迭代训练，最终获得训练完成的模型。本发明适用于智能家居设备等异构的边缘设备视觉模块中图像识别模型的训练。

公开(公告)号：CN118537645A

公开(公告)日：2024-08-23

申请号：CN202410670825.8

申请日：2024-05-28

Applicant: 西南财经大学

Inventor： 高强 ,  刘超然 ,  占求港 ,  黄鹂 ,  刘贵松 ,  蒋太翔 ,  张榕 ,  马奥

IPC: G06V10/764 ,  G06V10/82 ,  G06N5/04 ,  G06V10/774 ,  G06N3/08 ,  G06V10/762 ,  G06N3/045 ,  G06N3/096 ,  G06N3/0464

Abstract: 本发明涉及轨迹识别领域，具体涉及一种开放环境下车辆异常轨迹检测模型的架构方法，其模型包括编码网络、嵌入网络和推理网络。在训练阶段，首先利用包括相似性损失和交叉熵损失的总损失，更新模型参数，然后，利用更新后的模型采用交叉熵损失更新相似性学习网络，直至训练完成。所述相似性损失的计算包括：基于轨迹嵌入利用相似性学习网络计算各轨迹间的轨迹相似性，基于预测概率分布计算交叉熵损失以及各轨迹间的轨迹相似性，然后，对齐两类相似性计算相似性损失。本发明的方法，通过引入相似性损失，使得模型不仅学习单个轨迹的分类，还能理解不同轨迹之间的关系和联系，其能在开放世界的假设下，有效地对环境中未知的异常行为进行分类。