公开(公告)号：CN114860973B

公开(公告)日：2024-12-13

申请号：CN202210336881.9

申请日：2022-03-31

Applicant: 南京大学

Inventor： 张利军 ,  陈宇辉

IPC: G06F16/53 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开一种面向小样本场景的深度图像检索方法,尤其是在可获得的学习样本较为稀疏的情况下，使用本发明通过结合对比学习，从少量样本中挖掘获得更多语义信息，以提升深度哈希模型的表征与编码能力。首先，从数据库中采样得到训练样本，并随机增强生成正负样本副本。然后使用哈希深度网络生成连续特征，以保留更多的语义信息，最后映射生成二进制码。同时，利用训练样本间以及训练样本与数据库间的相似度矩阵维护数据库样本的二进制码。训练阶段结束模型收敛后，对于外来样本，可以使用深度哈希网络计算其二进制码，再根据数据库的二进制码直接进行检索。与现有技术相比，本发明能提升图像检索的效率和精度，在面对小样本场景时更为鲁棒。

公开(公告)号：CN111754313B

公开(公告)日：2023-09-26

申请号：CN202010635904.7

申请日：2020-07-03

Applicant: 南京大学

Inventor： 张利军 ,  宛袁玉

IPC: G06F18/24 ,  G06Q30/0601 ,  G06F16/906 ,  G06F16/903 ,  H04L41/12

Abstract: 本发明公开一种通讯高效无需投影的分布式数据在线分类方法，以分布式网络的形式协调多个工作节点，对在线分布式数据进行分类。首先，将多个工作节点按照一定拓扑结构连接，组成一个分布式网络。然后，在每个回合中，每个工作节点先判断当前回合是否需要进行模型更新，如果需要，则与邻居节点交换历史信息并利用无投影的方式更新模型。最后，利用最新的模型对本地数据进行分类预测，并记录本地梯度信息。与现有技术相比，本发明不需要进行计算昂贵的投影操作，仅在部分回合进行通讯，能够有效降低计算开销和通讯开销。

公开(公告)号：CN114723990A

公开(公告)日：2022-07-08

申请号：CN202210336808.1

申请日：2022-03-31

Applicant: 南京大学

Inventor： 张利军 ,  汪许垚

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于度量学习的图像分类鲁棒性提升方法。针对深度学习图像分类任务，获取图像分类任务对应的原数据集，以投影梯度下降的方法针对获取到的原数据集生成对抗样本数据集，将原数据集与生成的对抗样本合并成为新数据集，再将新数据集输入分类器进行模型训练，训练至模型收敛后输出。其中，在分类器模型训练阶段，原有分类器上增加了样本分布约束模块，样本分布约束模块应用度量学习的总损失函数来更新分类器的参数。考虑了正常样本和对抗样本本身的分布约束和空间特征，解决了传统对抗训练融合对抗样本却不考虑样本分布之间的联系的问题，因而提升深度学习图像分类器的鲁棒性，在应对传统白盒对抗样本攻击的情况下有更好的表现。

公开(公告)号：CN108959655B

公开(公告)日：2020-04-03

申请号：CN201810889330.9

申请日：2018-08-07

Applicant: 南京大学

Inventor： 张利军 ,  卢世银 ,  周志华

IPC: G06F16/9535

Abstract: 本发明公开一种面向动态环境的自适应在线推荐方法，通过将推荐任务建模成一个在线多分类问题，然后使用自适应在线分类方法进行推荐。首先，获取应用场景的历史数据集。接着，选择分类器和损失函数，并计算出分类器在历史数据集上的最优参数作为初始值。然后，在每个回合根据分类器的预测决定推荐项目，并通过一个自适应方法更新分类器参数。该自适应方法包含一个元方法和多个专家方法。与现有技术相比，本发明能自适应地进行在线推荐，适用于变化速度和幅度无法事先预测的动态环境。