-
公开(公告)号：CN107784361B
公开(公告)日：2020-06-26
申请号：CN201711156691.4
申请日：2017-11-20
Applicant: 北京大学
IPC: G06N3/08
Abstract: 本发明公布了一种神经网络优化方法，称为提升邻近算子机LPOM，涉及深度学习技术领域。本发明方法不需要使用现有的一阶或者二阶导数信息直接优化神经网络，而是将神经网络转化为新的LPOM优化问题，再通过交替极小化方法求解LPOM优化问题。采用本发明方法，求解过程消除了神经网络的层状结构；可通过交替迭代法进行求解；求解方法可在一定程度上转化为随机算法，使得迭代时保持较小的计算量；对于超过20层的神经网络，采用本发明方法仍能够使得训练误差稳定地下降。
-
公开(公告)号：CN107833207B
公开(公告)日：2020-04-03
申请号：CN201711007628.4
申请日：2017-10-25
Applicant: 北京大学
IPC: G06T7/00 , G06T7/33 , G06F16/583
Abstract: 本发明公布了一种基于增广齐次坐标矩阵的图像间错误匹配的检测方法，基于在一次迭代中的正确匹配，构建增广齐次坐标(AHC)矩阵，从而选出更精确的锚匹配，直至锚匹配中每对匹配所对应的估计匹配坐标与实际匹配坐标的欧氏距离不大于设定的阈值，而后依据最终锚点匹配集合构建AHC矩阵完成全局验证。本发明方法可有效解决现有技术在射影图像搜索中去除错误匹配时存在的难题，即使两个对应点集之间存在射影变换且伴有强特征检测噪声和高比例错误匹配时也能高效处理，具有计算速度快、精度高、适应范围广、鲁棒性强、对大尺度图像计算不敏感等优点。
-
公开(公告)号：CN105551022A
公开(公告)日：2016-05-04
申请号：CN201510888480.4
申请日：2015-12-07
Applicant: 北京大学
CPC classification number: G06T3/0006
Abstract: 本发明公布了一种基于形状交互矩阵(SIM)的图像错误匹配检验方法，通过两幅图像之间匹配的特征点对计算得到两幅图像关于标准化齐次坐标的两个形状交互矩阵，通过欧氏距离法或余弦相似法计算两个形状交互矩阵逐列之间的差异，得到两幅图像的错误匹配对。在去除错误匹配后，可利用剩余的正确匹配对，针对不同应用背景做进一步的处理。本发明提供的方法可应用于图像检索、三维点云配准和图像或视频中的物体识别等领域，扩展了应用范围；模型简单，理论性好，对于仿射几何变换具有较强的鲁棒性，实时性能显著，适用于对实时性要求较高的应用场合。
-
公开(公告)号：CN118690804A
公开(公告)日：2024-09-24
申请号：CN202410906152.1
申请日：2024-07-08
Applicant: 北京大学
IPC: G06N3/0495 , G06N3/098 , G06N3/084
Abstract: 本发明公开一种基于共享随机投影的分布式学习信息压缩方法，属于机器学习、神经网络优化技术领域。本发明使用在分布式系统设备间共享的高斯随机向量对梯度信息进行投影压缩与重构，在通讯之前将梯度向量压缩到任意低维空间，然后在通讯后进行重构。本发明可以直接部署于任何现有的一阶优化器、通讯架构和训练框架，可以确保重构向量的无偏性和方差的有界性，从而在分布式学习中保持训练的高质量。相比现有的梯度压缩方法，本发明具有更强的通用性，更高效的训练速度，更好的训练效果与更简介的部署方式。
-
公开(公告)号：CN113313175B
公开(公告)日：2024-02-27
申请号：CN202110610837.8
申请日：2021-05-28
Applicant: 北京大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公布了一种基于多元激活函数的稀疏正则化神经网络模型的图像分类方法，通过学习多元激活函数进一步学习多元稀疏正则化神经网络模型，即稀疏正则化子或稀疏正则化器，用于高效地进行图像分类。采用本发明的多元激活函数将任意一个已有CNN模型中的激活函数进行正则化，得到一个多元正则化的CNN模型，再用该模型进行图像分类，由此达到用更少的模型参数，且能降低图像分类的错误率。
-
Patent Agency Ranking
公开(公告)号：CN112132760B
公开(公告)日：2024-02-27
申请号：CN202010960192.6
申请日：2020-09-14
Applicant: 北京大学
IPC: G06T5/00 , G06T5/60 , G06N3/0464 , G06N3/084
Abstract: 本发明公布了一种基于可学习可微分矩阵逆及矩阵分解的图像恢复方法，通过设计可学习的可微分矩阵逆模块LD‑Minv、可学习的可微分奇异值分解模块D‑SVD和基于学习的近邻算子，对输入的待恢复图像进行图像恢复，输出清晰图像。采用本发明的技术方案，能够以更小的计算消耗实现更卓越的图像恢复性能，并且模型具有可解释性以及更好的泛化性能。
-
公开(公告)号：CN112257753B
公开(公告)日：2023-04-07
申请号：CN202011012138.5
申请日：2020-09-23
Applicant: 北京大学
IPC: G06V10/774 , G06V10/764 , G06N20/20 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公布了一种基于偏微分算子的广义等变卷积网络模型的图像分类方法，利用群表示与偏微分算子构建等变卷积网络模型PDO‑sCNNs，在卷积网络模型的卷积核上施加约束条件，使得卷积网络具有设定的对称性或等变性，用于高效的进行图像分类与识别视觉分析。采用本发明方法，利用微分算子和群表示求解出所有满足条件的等变卷积层，可以将任意一个已有CNN模型中的卷积层求解出的等变卷积，构建得到等变卷积网络模型，再用该模型进行图像分类识别，效果更佳。
-
公开(公告)号：CN115170879A
公开(公告)日：2022-10-11
申请号：CN202210814527.2
申请日：2022-07-12
Applicant: 北京大学
IPC: G06V10/764 , G06V10/82
Abstract: 本发明公布了一种基于深度学习优化器的大规模图像分类方法，通过构建新的深度学习优化器，利用图像训练数据和构建的深度学习优化器训练深度神经网络模型，得到训练好的图像分类深度神经网络模型；再将待分类的包含预定义类别的彩色图像输入到训练好的图像分类深度神经网络模型，模型的输出为图像的类别标签，由此实现大规模图像分类。采用本发明方法进行大规模图像分类，可避免在外推点计算梯度而带来的额外计算和内存的开销，对数据量的批大小具有极大的耐受性，能够提高大规模图像分类的效率及图像分类精度。
-
公开(公告)号：CN113723472A
公开(公告)日：2021-11-30
申请号：CN202110910976.2
申请日：2021-08-09
Applicant: 北京大学
Abstract: 本发明公布了一种基于动态滤波等变卷积网络模型的图像分类方法，建立包括线性和非线性等变结构的等变卷积网络通用模型；设计一种高效的动态滤波等变网络层E4‑layer，以替换卷积网络模型的输入层和中间层，构建高效的动态滤波等变卷积网络模型并进行训练；本发明方法的高效性包括：参数高效，模型使用的参数量更少，减少内存开销；计算高效，模型计算量更少，能降低算法的时间复杂度；数据高效，模型能够在较少处理数据的情况下仍取得较好的结果；能够高效提升图像分类的精度。
-
公开(公告)号：CN112132760A
公开(公告)日：2020-12-25
申请号：CN202010960192.6
申请日：2020-09-14
Applicant: 北京大学
Abstract: 本发明公布了一种基于可学习可微分矩阵逆及矩阵分解的图像恢复方法，通过设计可学习的可微分矩阵逆模块LD‑Minv、可学习的可微分奇异值分解模块D‑SVD和基于学习的近邻算子，对输入的待恢复图像进行图像恢复，输出清晰图像。采用本发明的技术方案，能够以更小的计算消耗实现更卓越的图像恢复性能，并且模型具有可解释性以及更好的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.031 seconds)
