-
公开(公告)号：CN110533024B
公开(公告)日：2021-11-23
申请号：CN201910619662.X
申请日：2019-07-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于多尺度ROI特征的双二次池化细粒度图像分类方法。本发明如下步骤：1.使用Resnet‑34网络提取图像的深度视觉特征，并基于该特征生成掩膜；将Mask与视觉特征图进行点乘，构建图像的ROI特征；2.选取Resnet‑34网络中低层、中层、高层三种不同尺度的ROI特征，并利用改进的残差采样结构对多尺度特征进行维度变换，实现多尺度特征融合，从而提取多尺度ROI特征；3.利用多层次双二次池化结构,同时建模同层和跨层特征间的交互，并基于池化后的特征向量构建Softmax分类器；4.针对如上步骤构建端到端的网络进行训练，并利用训练好的网络对任一测试图像进行细粒度分类，输出所属类别。本发明在CUB‑200‑2011、Stanford Cars、FGVC‑Aircraft三个数据集上取得了当前领先的准确率。
-
公开(公告)号：CN108647691B
公开(公告)日：2020-07-17
申请号：CN201810199059.6
申请日：2018-03-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于点击特征预测的图像分类方法。本发明步骤如下:1、借助有文本点击信息的图像数据集；利用分词技术及词频‑逆向文件频率算法构建每张图片的文本点击特征向量；2、在源点击数据集下，以最小化点击特征预测误差为目标，构建带位置约束的非线性词嵌入模型，从而实现基于视觉特征的点击特征预测，并利用融合的深度视觉与预测点击特征对不含点击信息的任一目标图像集分类；3、构建多任务、跨模态迁移深度学习框架，在同时最小化分类与预测损失下，利用源点击数据集、目标数据集训练深度视觉与词嵌入模型；4、通过反向传播算法对步骤2中的网络参数进行训练，直至整个网络模型收敛。本发明使得预测的点击特征更为准确。
-
公开(公告)号：CN111191691A
公开(公告)日：2020-05-22
申请号：CN201911296150.0
申请日：2019-12-16
Applicant: 杭州电子科技大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F40/289 , G06F40/30
Abstract: 本发明公开了一种基于词性分解的深度用户点击特征的细粒度图像分类方法。本发明先利用从互联网上获取到的用户点击数据，利用自然语言处理的分词、词干化、去除停顿词等技术获得单词，同时获得单词的词性，分词性在得到的单词中挑选合适的关键词，然后利用得到的关键词和其对应的词频得到词频逆文档频率特征，再把通过这种方式获得的特征向量进行整合，得到一个特征张量，最后利用这种特征，专门构建并适用于该种这特征的网络进行分类。本发明在获得高精确率的前提下，可以有效决解传统方法所不能克服的语义鸿沟的问题。该方法的另一个好处，得益于网络结构的小巧，容易部署，更加适合实际的生产实践活动。该方法最终在Clickture-Dog的数据集上取得了优异的结果。
-
公开(公告)号：CN106997379A
公开(公告)日：2017-08-01
申请号：CN201710165283.9
申请日：2017-03-20
Applicant: 杭州电子科技大学
CPC classification number: G06F16/374 , G06F16/35 , G06F16/5866 , G06K9/6223
Abstract: 本发明公开了一种基于图片文本点击量的相近文本的合并方法。本发明包括以下步骤：步骤1：提取查询文本的图像点击特征；步骤2：基于图像相似度矩阵构建点击传播模型，更新点击特征向量，包括：相似度矩阵计算和点击传播模型的构建；步骤3：构建基于热门查询的文本字典；基于查询文本的总的图像点击数，选择点击量相对较高的构成字典；步骤4：基于步骤(3)得到的文本字典，对任意的查询文本利用稀疏编码为其归类。本发明通过改进图像的点击特征向量来提高细粒度分类识别率。
-
公开(公告)号：CN118940180A
公开(公告)日：2024-11-12
申请号：CN202411007354.9
申请日：2024-07-25
Applicant: 杭州电子科技大学
IPC: G06F18/2433 , G06F18/214 , G06F18/10 , G06F18/23213 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F123/02
Abstract: 本发明公开一种基于异常注意力和门控存储的多变量时序异常检测方法，首先收集多变量时间序列数据集，接着构建基于异常注意力和门控存储的多变量时序异常检测模型，包括：异常注意力模块、门控存储模块和弱解码器；然后将预处理后的时间序列输入异常注意力模块获得关联差异，根据序列关联矩阵得到隐状态数据，经门控存储模块得到检索内存项，将检索内存项和查询在特征维度相加获得弱解码器的输入数据，通过弱解码器得到重构时间序列；再对模型进行训练并判定异常数据。本发明方法强化了模型的重构能力，并能够更有效地捕获关联差异，提高了时序异常检测的精度，可应用于水处理设备、交通信号设备、互联网公司服务器等传感器数据的时序异常检测。
-
Patent Agency Ranking
公开(公告)号：CN116029286A
公开(公告)日：2023-04-28
申请号：CN202310063971.X
申请日：2023-01-11
Applicant: 杭州电子科技大学
IPC: G06F40/216 , G06F40/284 , G06N3/0442 , G06F18/23
Abstract: 本发明公开了一种线上课程评价内容中的建设性意见提取方法，以及用于实现该方法的装置。该方法首先通过BERT编码层和全连接层得到目标词的预测概率，然后基于启发式多跨度解码算法改进筛选算法，解决了原算法去冗余方面的不足，并引入了目标描述细腻程度系数，来获取课程评论针对的实体目标。再将实体目标输入带注意力机制的Bi‑LSTM模型中来提取词特征，再根据实体目标调整词对应的权重，得到目标意见对。最后使用基于K均值的聚类算法，课程评价数据中提取出具有建设性的意见。本申请能够有效得从大量的评价数据中提取最频繁出现的意见，为在线课程的改进方向提供参考。
-
公开(公告)号：CN115146170A
公开(公告)日：2022-10-04
申请号：CN202210828067.9
申请日：2022-07-13
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/9538 , G06Q30/06
Abstract: 本发明提供了一种基于用户历史和特征因子化的个性化套装推荐方法。首先提取商品视觉特征，以用户嵌入向量得到用户基本表征后，通过因子化方式将商品特征和用户特征投影到多个隐式空间中，学习用户对于套装不同方面的兴趣，使用特征高阶组合和加权池化对商品特征进行聚合得到套装特征，构造用户历史行为学习用户历史表征，接着聚合用户嵌入向量和用户历史表征得到用户表征，并从套装内商品兼容性和套装与用户相关度两方面度量用户与套装的匹配得分。本发明通过对套装特征和用户特征进行因子化，从多个隐式空间中度量用户与套装之间的相关性，使推荐结果更能展现用户对于套装某些方面的特征的兴趣。
-
公开(公告)号：CN109582782A
公开(公告)日：2019-04-05
申请号：CN201811256912.X
申请日：2018-10-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于用弱监督深度学习的文本聚类方法。本发明步骤如下：(1)、借助有文本点击信息的图像数据集，利用图像视觉信息与图像类别标号，使用图像扩增和聚类构建每个文本的图像类点击特征矩阵；(2)、在初始的类点击矩阵上用排序和传播的方法得到光滑的图像点击特征图。此特征图上进行文本聚类得到初始的文本类别，同时利用点击先验初始化文本权重；(3)、在最小化类内均方误差下，搭建深度文本聚类模型学习深度文本特征；(4)、使用弱监督学习方法对深度模型和文本权重进行联合优化，迭代更新深度模型和文本权重；(5)、利用深度文本模型提取深度文本特征，实现基于K-means方法的聚类。本发明有很强的普适性，有效解决了图像识别中的“语义鸿沟”。
-
公开(公告)号：CN115146170B
公开(公告)日：2024-11-29
申请号：CN202210828067.9
申请日：2022-07-13
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/9538 , G06Q30/0601
Abstract: 本发明提供了一种基于用户历史和特征因子化的个性化套装推荐方法。首先提取商品视觉特征，以用户嵌入向量得到用户基本表征后，通过因子化方式将商品特征和用户特征投影到多个隐式空间中，学习用户对于套装不同方面的兴趣，使用特征高阶组合和加权池化对商品特征进行聚合得到套装特征，构造用户历史行为学习用户历史表征，接着聚合用户嵌入向量和用户历史表征得到用户表征，并从套装内商品兼容性和套装与用户相关度两方面度量用户与套装的匹配得分。本发明通过对套装特征和用户特征进行因子化，从多个隐式空间中度量用户与套装之间的相关性，使推荐结果更能展现用户对于套装某些方面的特征的兴趣。
-
公开(公告)号：CN117351280A
公开(公告)日：2024-01-05
申请号：CN202311312679.3
申请日：2023-10-11
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/44 , G06V10/80 , G06V10/74 , G06N3/0464 , G06N3/08 , G06V10/77 , G06N3/048
Abstract: 本发明公开了一种融合关系选择和多尺度分布的小样本图像分类方法。1、数据集获取和建立，训练阶段的支持集、查询集,以及测试阶段的辅助集；2、采用Conv‑64F作为特征提取器，得到初始特征对；3、将初始特征对分别输入到局部关系选择度量分支和全局特征分布度量分支；得到查询图像初步预测分数Ⅰ和Ⅱ；4、将得到的查询图像初步预测分数Ⅰ、Ⅱ进行合并，再输入到自适应融合层，得到查询图像属于各个类别的最终分数；5、最大分数对应的类别即为预测类别，与查询图像对应真实样本图像类别计算交叉熵损失函数并进行梯度回传更新模型参数。本发明所述模型有效提升了小样本学习准确率。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.025 seconds)
