公开(公告)号：CN119271861A

公开(公告)日：2025-01-07

申请号：CN202411055445.X

申请日：2024-08-02

Applicant: 扬州大学

Inventor： 徐晓华 ,  郭思驿 ,  何萍 ,  朱含玉 ,  郑斯丹 ,  叶进 ,  胡雨豪

IPC: G06F16/906 ,  G06F16/901 ,  G06F18/213 ,  G06F18/22 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/048

Abstract: 本发明公开了一种混合异配图高阶邻居卷积网络的引文网络节点分类方法及系统。本发明通过两个主要策略来构造图的邻接矩阵：首先，通过混合函数融合节点的一阶到k阶邻居信息，自适应地学习一个新的邻接矩阵；其次，利用多层感知机模型生成节点的软标签矩阵，并据此计算节点间的类相似度矩阵。在混合异配图高阶邻居卷积网络模型中，使用这两种学习到的邻接矩阵和类相似度矩阵进行操作，以进行更有效的节点特征更新。接着，本发明通过损失函数进行优化，以提高处理异配图数据时节点分类的准确性。最后，通过在多个真实数据集上与其他网络模型进行对比实验，本发明能够显著提高异配图上节点分类的准确性，并验证了混合异配图高阶邻居卷积网络在提取节点信息和提高节点分类准确率方面的有效性。

公开(公告)号：CN111797935B

公开(公告)日：2023-10-31

申请号：CN202010667741.0

申请日：2020-07-13

Applicant: 扬州大学

Inventor： 徐晓华 ,  仁祥 ,  何萍 ,  方威 ,  姜玉麟 ,  葛方毅

IPC: G06V10/764 ,  G06V10/774 ,  G06V30/19 ,  G06V10/82 ,  G06N3/084 ,  G06N3/0895 ,  G06N3/045

Abstract: 本发明公开了一种基于群体智能的半监督深度网络图片分类方法，包括以下步骤：1）对数字图片的训练数据集和测试数据集进行预处理，包括归一化和中心化处理；2）使用训练数据集计算网络损失，包括；2‑1）对于有标记数据，计算网络的预测值和真实标签值之间的混合KL散度损失；2‑2）对于无标记数据，计算多个网络模型预测值之间的群体一致性损失；3）使用有标记数据的混合KL散度损失和无标记数据的群体一致性损失通过反向传播算法优化深度网络的权重参数；4）应用训练好的深度网络对测试数据集进行分类，本发明可实现图片高效且准确的分类。

公开(公告)号：CN116702012A

公开(公告)日：2023-09-05

申请号：CN202310843930.2

申请日：2023-07-11

Applicant: 扬州大学

Inventor： 徐晓华 ,  郑斯丹 ,  何萍 ,  徐天祺 ,  李好

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/0895 ,  G06Q50/00

Abstract: 本发明公开了一种插值对比半监督社交网络节点分类方法与系统。本发明首先为社交网络数据学习有意义的半监督对比学习的潜在特征；其次采用插值混合算法通过将不同的样本混合来创建新的训练样本从而增加数据集的大小；然后使用插值一致性训练方法从两个方面提取社交网络特征，生成对比损失来训练模型；最后在标记样本数据集和未标记样本数据集上训练半监督网络模型。本发明有效解决了在社交网络节点分类方法中因数据增强的正样本构造导致的语义信息丢失问题，能够引导样本之间的嵌入向量线性变化，从而扩大边缘决策边界，提高社交网络节点分类方法的准确性。本发明能够取得更好的性能表现，即使在监督数据非常有限的情况下也能有效发挥作用。

公开(公告)号：CN113313153B

公开(公告)日：2023-06-23

申请号：CN202110551165.8

申请日：2021-05-20

Applicant: 扬州大学

Inventor： 徐晓华 ,  王珊珊 ,  何萍 ,  方威

IPC: G06V10/77 ,  G06V10/762

Abstract: 本发明公开了一种基于自适应图正则化的低秩NMF图像聚类方法与系统，首先对原始图像数据集应用RPCA算法，获得低秩图像集和噪声；然后对低秩图像集应用NMF，得到基图像集和对应的非负线性表达系数矩阵，再利用分解后的低维流形嵌入结构进行聚类，具体包括：对低秩图像集进行NMF，得到基图像集和非负线性表达系数矩阵；在基图像集上进行Tikhonov正则化，在非负线性表达系数矩阵上进行谱图正则化；对基图像集和非负线性表达系数矩阵分别进行迭代优化；最后，对迭代优化所得的非负线性表达系数矩阵进行聚类，获得图像聚类结果。本发明可解决图像数据进行聚类时不能考虑图像数据的有效结构信息隐藏在其低秩部分的问题，并提高图像数据聚类的准确性。

公开(公告)号：CN113139556B

公开(公告)日：2023-06-23

申请号：CN202110437449.4

申请日：2021-04-22

Applicant: 扬州大学

Inventor： 何萍 ,  葛方毅 ,  徐晓华

IPC: G06V10/40 ,  G06V10/50 ,  G06V10/46 ,  G06V10/762

Abstract: 本发明公开了一种基于自适应构图的流形多视图图像聚类方法及系统，首先提取样本集中同一样本图像的多种特征，得到多个特征视图；然后利用各个视图上的测地线距离，结合自适应构图方法，令各个视图共享相同的聚类指示矩阵，优化获得每个视图上的流形相似度矩阵；再基于各个视图的流形相似度矩阵，构造正则化优化目标函数，将它们自适应地融合成多视图的中心流形相似度矩阵，同时获得该中心矩阵对应的多视图聚类指示矩阵；最后对最终的聚类指示矩阵进行聚类，获得基于多视图特征的图像聚类结果。本发明可以有效地表达每个图像特征视图的流形相似关系，通过共享的指示矩阵来监督构造的过程，可以提高图像聚类的准确性。

公开(公告)号：CN114973413A

公开(公告)日：2022-08-30

申请号：CN202210615104.8

申请日：2022-06-01

Applicant: 扬州大学

Inventor： 徐晓华 ,  许亭亭 ,  何萍 ,  夏应玺 ,  叶进

IPC: G06V40/20 ,  G06V10/82 ,  G06V10/46 ,  G06V10/26 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于单个RGB图像的三维手势识别方法与系统，首先通过手部分割网络生成只包含手的手部掩膜，原始的RGB图像利用手部掩膜裁剪出只包含手的手部图像；然后利用残差网络提取裁剪的手部图像的特征，减少计算量和防止过拟合；再利用二维关键点检测网络将卷积神经网络整合进可以学习信息丰富的空间信息模型序列化的预测框架，不断对手的关键点位置进行细化；最后重构三维关键点，利用二维关键点生成三维关键点，输出最有可能的手势。本发明对基于单个RGB图像的三维手势识别方法进行了充分的探索，从而达到可以在虚拟场景通过手势建立最直接的人机交互方式，让机器理解人类的表达。

公开(公告)号：CN106202916A

公开(公告)日：2016-12-07

申请号：CN201610532212.3

申请日：2016-07-04

Applicant: 扬州大学

Inventor： 徐晓华 ,  何萍 ,  廖铮 ,  梁雅丽

IPC: G06F19/00 ,  G06K9/62

CPC classification number: G06F19/34 ,  G06K9/6256 ,  G06K9/6267

Abstract: 本发明涉及建立一种阿尔茨海默病的分层多流形分析模型。本发明从各个模态的生物标志物中提取有价值的子流形，对于每个模态找到与其相对应的最优映射，并且对各个子流形进行可视化，降维并将其映射到各个模态目标判别式对应的低维流形中去，先维度联合，再流形合并低维流形可视化，利用K近邻方法对映射后的数据进行多分类，使模型具备分析的多个阶段。本发明克服了现有分析模型不可视的缺陷。本发明提高了映射的准确度，模型支持可视化，方便用户进行病情分析，模型支持多阶段诊断，建立了分层的多流形学习的模型，其分层结构有助于进行分布式计算，支持用于处理大数据分析。