-
公开(公告)号：CN112926675B
公开(公告)日：2023-08-18
申请号：CN202110300226.3
申请日：2021-03-22
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/2431 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种视角和标签双重缺失下的深度不完整多视角多标签分类方法，包括网络模型训练步骤和测试样本标签预测步骤。本发明的有益效果是：本发明不仅适用于任何不完整/完整多视角多标签分类情形；而且同样适用于半监督分类和全监督分类情形。本发明具有很高的实时性，能够实时在线处理完整/不完整多视角多标签数据的分类任务。
-
公开(公告)号：CN109658344B
公开(公告)日：2022-10-25
申请号：CN201811338660.5
申请日：2018-11-12
Applicant: 哈尔滨工业大学(深圳) , 深圳云安宝科技有限公司
Abstract: 本发明公开了一种基于深度学习的图像去噪方法，搭建神经网络图像去噪模型，选取训练集，并设置训练参数；根据神经网络图像去噪模型及其训练参数，以最小平方差函数作为损失函数，应用在模型训练过程，形成深度学习的神经网络图像去噪模型；将待处理的图像输入到所述神经网络图像去噪模型，输出去噪后的无噪声图像，根据噪声的分布程度引入相应的权重到网络模型中，为了防止梯度消失或者梯度爆炸的情况，引入残差学习过程，并采用LN横向规范化形式将经过卷积层得到特征进行归一化来统一数据的分布，使数据保存在相同的范围，并加快网络收敛速度，可广泛适用于高斯噪声、真实图像噪声、超分辨等低水平视觉的图像任务处理过程。
-
公开(公告)号：CN116108363A
公开(公告)日：2023-05-12
申请号：CN202211622171.9
申请日：2022-12-16
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/24 , G06F18/25 , G06F18/214
Abstract: 本发明公开了一种基于标签引导的不完备多视图多标签分类方法、系统及存储介质。方法包括：构建、训练基于标签引导的不完备多视图多标签分类网络模型；将测试数据输入训练好的不完备多视图多标签分类网络模型进行推理，输出预测标签；其中，不完备多视图多标签分类网络模型包括掩码视图感知编码器、自适应加权多视图融合模块、标签引导的样本级图约束模块和子类别感知多标签分类模块。本发明可以充分利用多视图的互补信息，同时提取样本的深层次特征；可自适应地学习每个视图的权重因子；利用标签流形假设指导样本编码，最终在子类嵌入空间中学习相关性以帮助预测标签。此外，本发明适用于视图和标签都不完整的多视图多标签数据。
-
公开(公告)号：CN115311483A
公开(公告)日：2022-11-08
申请号：CN202210979979.6
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V10/762 , G06V10/77
Abstract: 本发明公开了一种基于局部结构与平衡感知的不完备多视图聚类方法及系统，包括针对不完备多视图数据的聚类任务，设计基于局部结构与平衡感知的具有概率特性的不完备多视图一致聚类表征学习模型；对给定视图缺失先验位置索引矩阵的不完备多视图数据进行预处理；根据预处理后的数据、基于不完备多视图一致聚类表征学习模型中含有的变量设计基于交替迭代优化的方法求解变量，达到模型优化的目的，利用优化后得到的最优共享一致表征矩阵得到所有样本的聚类结果。本发明方法所设计的模型是一个具有可解释性、高效率、聚类结果稳定的不完备多视图聚类模型。
-
公开(公告)号：CN107729945A
公开(公告)日：2018-02-23
申请号：CN201711003174.3
申请日：2017-10-24
Applicant: 哈尔滨工业大学深圳研究生院
IPC: G06K9/62
CPC classification number: G06K9/6268 , G06K9/6244 , G06K9/6256
Abstract: 本发明提供的鉴别回归、分类方法及系统，是一种利用计算机对数字图像进行处理的技术，可实现在不同模式下对不同图像自动分类。该技术是一种普遍适应的方法，能够应用在多种模式分类场景，如基于人脸识别场景、指纹识别场景、虹膜识别场景，基因分类场景，基于疾病分类的医疗诊断场景等。由于本发明提供基于类间稀疏表示的鉴别回归、分类方法及系统，可以使转换后的同类样本具有一致的稀疏结构，达到减小同类样本之间的距离，而增大异类样本之间距离的效果，进而提高分类正确率。
-
Patent Agency Ranking
公开(公告)号：CN116311064A
公开(公告)日：2023-06-23
申请号：CN202310277026.X
申请日：2023-03-10
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V20/52 , G06V20/40 , G06V10/774 , G06V10/764 , G06V10/776
Abstract: 本申请提供了基于时域特征判别的视频异常检测模型的训练方法及装置，获取用于训练视频异常检测模型的样本视频集和样本分数，并依据样本视频集确定样本视频集对应的视频特征；其中，所述样本视频集包括正常视频和异常视频；依据正常视频对应的视频特征和异常视频对应的视频特征生成样本视频集的判别特征；建立判别特征和样本分数的对应关系；依据对应关系对视频异常检测模型进行训练，获得训练完成的视频异常检测模型。通过特征判别损失，利用训练集中正常视频的确定性分离异常视频的正负视频段学习更具有判别性的视频特征，即在特征空间使正常视频段向正常中心聚集，异常段远离正常中心，从而提升视频异常检测模型的分类精度。
-
公开(公告)号：CN115311722A
公开(公告)日：2022-11-08
申请号：CN202210979989.X
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种具有光照鲁棒性的特征自分解人脸识别方法及系统，根据每张人脸图片的灰度值，得到对应的光照标签，制作数据集；设计网络结构包括主干特征提取网络和特征分解网络，主干网络用来提取人脸图像特征，特征分解网络用来将人脸图像特征分解为光照相关特征和光照无关特征，其中，光照无关特征即为更有区分性的人脸特征，用于后续的人脸识别。本发明通过利用特征分解网络将提取的人脸图像特征分解为光照相关特征向量和光照无关特征向量，用于解决光照下的人脸识别问题，减少光照信息对人脸特征向量的影响，提高人脸识别的精度。
-
公开(公告)号：CN115994317A
公开(公告)日：2023-04-21
申请号：CN202211593949.8
申请日：2022-12-13
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于深度对比学习的不完备多视图多标签分类方法、系统及存储介质。方法包括：构建、训练不完备多视图多标签分类网络模型；将测试数据输入训练好的不完备多视图多标签分类网络模型进行推理，输出预测标签；其中，不完备多视图多标签分类网络模型包括特定视图表示学习框架、不完备实例级对比学习模块和加权融合与不完备多标签分类模块。本发明利用深度神经网络来提取样本的高级语义表示，利用自编码器构建端到端的多视图特征提取框架用以学习样本的表征向量。同时，为进一步地提高模型的表示能力，依据一致性假设引入无监督对比学习指导编码器提取多视图的深层次表示信息，还提出加权融合方法以平衡不同视图的重要性。
-
公开(公告)号：CN113221941A
公开(公告)日：2021-08-06
申请号：CN202110300345.9
申请日：2021-03-22
Applicant: 哈尔滨工业大学(深圳)
IPC: G06K9/62
Abstract: 本发明提供了一种自适应对称图信息传播的鉴别回归分类方法，模型训练步骤包括：步骤1：采用范数归一化对训练数据进行预处理；步骤2：通过交替迭代优化得到回归分类模型的投影矩阵；测试数据分类步骤包括：步骤一：采用范数归一化策略对测试数据和训练数据进行预处理；步骤二：依据训练数据训练得到的投影矩阵，将训练数据集和测试数据投影到目标子空间；步骤三：计算投影后的测试数据与训练数据的欧式距离，然后依据该欧式距离得到测试数据的分类结果。本发明的有益效果：本发明引入自适应鉴别标签学习技术，根据数据给定的不灵活的标签信息自适应得到更灵活、更具鉴别力的标签矩阵，同时在自适应相似图挖掘和图信息扩散保持约束下，得到更具鉴别力的分类投影矩阵，进而获得更高的分类精度。
-
公开(公告)号：CN112926675A
公开(公告)日：2021-06-08
申请号：CN202110300226.3
申请日：2021-03-22
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种视角和标签双重缺失下的深度不完整多视角多标签分类方法，包括网络模型训练步骤和测试样本标签预测步骤。本发明的有益效果是：本发明不仅适用于任何不完整/完整多视角多标签分类情形；而且同样适用于半监督分类和全监督分类情形。本发明具有很高的实时性，能够实时在线处理完整/不完整多视角多标签数据的分类任务。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.025 seconds)
