-
公开(公告)号：CN110489567A
公开(公告)日：2019-11-22
申请号：CN201910787798.1
申请日：2019-08-26
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/953 , G06N3/04 , G06N3/08
Abstract: 本发明属于特征学习领域，特别涉及一种基于跨网络特征映射的节点信息获取方法及其装置，所述方法包括对源网络和目标网络的文本数据进行嵌入操作，得到源网络和目标网络的第二文本矩阵；将源网络的第二文本矩阵矩阵输入到源网络的神经网络中进行训练；训练源网络的过程中，源网络的第二文本矩阵通过多头注意力机制层得到注意力加权，获得源网络的第三文本矩；对源网络的第三文本矩阵进行归一化处理，并将结果输入到神经网络的全连接层；将全连接层更新的向量作为softmax层的输入，并最大化softmax函数，完成训练；利用训练好的源网络的神经网络迁移到目标网络的神经网络，获得目标网络中节点的向量表示；本发明不仅可以减少计算文本信息的减少时间复杂度，还可以降低模型过拟合的风险。
-
Patent Agency Ranking
公开(公告)号：CN110489567B
公开(公告)日：2022-03-22
申请号：CN201910787798.1
申请日：2019-08-26
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/953 , G06N3/04 , G06N3/08
Abstract: 本发明属于特征学习领域，特别涉及一种基于跨网络特征映射的节点信息获取方法及其装置，所述方法包括对源网络和目标网络的文本数据进行嵌入操作，得到源网络和目标网络的第二文本矩阵；将源网络的第二文本矩阵矩阵输入到源网络的神经网络中进行训练；训练源网络的过程中，源网络的第二文本矩阵通过多头注意力机制层得到注意力加权，获得源网络的第三文本矩；对源网络的第三文本矩阵进行归一化处理，并将结果输入到神经网络的全连接层；将全连接层更新的向量作为softmax层的输入，并最大化softmax函数，完成训练；利用训练好的源网络的神经网络迁移到目标网络的神经网络，获得目标网络中节点的向量表示；本发明不仅可以减少计算文本信息的减少时间复杂度，还可以降低模型过拟合的风险。
-
公开(公告)号：CN110033416A
公开(公告)日：2019-07-19
申请号：CN201910274602.9
申请日：2019-04-08
Applicant: 重庆邮电大学
Abstract: 本发明属于图像复原领域，具体为一种结合多粒度的车联网图像复原方法，包括利用多尺度MSR算法对车联网图像进行增强处理，利用区域生长算法对缺失图像进行预处理获取结构信息；根据缺失图像及其结构信息，利用具有编码器-解码器结构的深度神经网络模型进行复原处理；利用卷积神经网络作为内容鉴别器判断补全结果内容方面的完整性；利用Pixel-CNN模型作为像素鉴别器判断补全结果清晰度；对生成器与两个鉴别器进行对抗训练优化；当生成器训练至最优时，模型训练结束，将生成结果与原始缺失图像拼接作为最终复原结果。本发明加快了训练的收敛速度，提高了复原效果，能对缺失图像进行复原并对遮挡物进行移除。
-
公开(公告)号：CN109857871B
公开(公告)日：2021-04-20
申请号：CN201910077708.X
申请日：2019-01-28
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/33 , G06F40/211 , G06Q50/00 , G06N3/04
Abstract: 本发明属于用户关系挖掘领域，尤其涉及一种基于社交网络海量情景数据的用户关系发现方法，包括获取网络中用户产生的情景数据信息以及用户所在网络的边关系类型，提取图像中的文本信息，对文本类型数据集进行预处理；利用实体链接工具获取预处理后的情景数据集中文本的实体向量，作为先验知识加入到对应文本中；构建卷积神经网络提取文本数据集中的有效特征等综合考虑来对节点进行量化；根据节点的向量化结果求出每两个节点的余弦距离并以此来作为用户间的关系强弱值；本发明增加原有数据的语义信息，提高机器对文本的可读性和理解性，减少深度学习对数据标签的依赖性，还能减弱很多分类问题中出现的边缘问题，降低过拟合的风险，优化模型性能。
-
公开(公告)号：CN109857871A
公开(公告)日：2019-06-07
申请号：CN201910077708.X
申请日：2019-01-28
Applicant: 重庆邮电大学
Abstract: 本发明属于用户关系挖掘领域，尤其涉及一种基于社交网络海量情景数据的用户关系发现方法，包括获取网络中用户产生的情景数据信息以及用户所在网络的边关系类型，提取图像中的文本信息，对文本类型数据集进行预处理；利用实体链接工具获取预处理后的情景数据集中文本的实体向量，作为先验知识加入到对应文本中；构建卷积神经网络提取文本数据集中的有效特征等综合考虑来对节点进行量化；根据节点的向量化结果求出每两个节点的余弦距离并以此来作为用户间的关系强弱值；本发明增加原有数据的语义信息，提高机器对文本的可读性和理解性，减少深度学习对数据标签的依赖性，还能减弱很多分类问题中出现的边缘问题，降低过拟合的风险，优化模型性能。
-
公开(公告)号：CN110033416B
公开(公告)日：2020-11-10
申请号：CN201910274602.9
申请日：2019-04-08
Applicant: 重庆邮电大学
Abstract: 本发明属于图像复原领域，具体为一种结合多粒度的车联网图像复原方法，包括利用多尺度MSR算法对车联网图像进行增强处理，利用区域生长算法对缺失图像进行预处理获取结构信息；根据缺失图像及其结构信息，利用具有编码器‑解码器结构的深度神经网络模型进行复原处理；利用卷积神经网络作为内容鉴别器判断补全结果内容方面的完整性；利用Pixel‑CNN模型作为像素鉴别器判断补全结果清晰度；对生成器与两个鉴别器进行对抗训练优化；当生成器训练至最优时，模型训练结束，将生成结果与原始缺失图像拼接作为最终复原结果。本发明加快了训练的收敛速度，提高了复原效果，能对缺失图像进行复原并对遮挡物进行移除。
-
-
-
-
-
Search Results
6
records
(took 0.065 seconds)
