-
公开(公告)号：CN115880524A
公开(公告)日：2023-03-31
申请号：CN202211460720.7
申请日：2022-11-17
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/40 , G06V10/82
Abstract: 本发明涉及一种基于马氏距离损失特征注意力网络的小样本图像分类方法，包括对带标签的小样本图像数据集进行特征提取，得到训练集；将训练集中的样本输入至特征注意力网络进行训练，得到训练好的特征注意力网络；训练集向量通过训练好的特征注意力网络后求平均获得类的表示；对不带标签的小样本图像数据集进行特征提取，得到测试集，将测试集中的样本输入至训练好的特征注意力网络，得到新的特征向量，计算新的特征向量与类表示之间的马氏距离，其中马氏距离最小时所对应的类即表示对该样本的分类预测。本发明弥补了主干模型对于新任务特征重要性知识不足的缺点，使用马氏距离分类前通过特征注意力网络对特征赋予不同的权重，使得类内距离缩小、类内距离扩大，以此提升分类性能。
-
公开(公告)号：CN111950609A
公开(公告)日：2020-11-17
申请号：CN202010745115.9
申请日：2020-07-29
Applicant: 苏州大学
Abstract: 本发明涉及一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法,包括：数据预处理模块，用于统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；数据训练模块，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数其中α＝[α1,…,αl]T为判别函数的权重向量，b为判别函数的偏差；数据预测模块，用于将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中，对被探测物体返回的声纳信号进行预测。本发明提高了对声纳信号分类的效率和准确率。
-
公开(公告)号：CN111325391A
公开(公告)日：2020-06-23
申请号：CN202010097334.0
申请日：2020-02-17
Applicant: 苏州大学
Abstract: 本发明涉及一种非线性稀疏孪生支持向量机的企业破产预测系统及方法,包括：数据预处理模块，用于对收集的样本组成的训练集进行归一化处理并映射至核特征空间；数据训练模块，将经过归一化处理并映射至核特征空间后形成的数据带入模型中进行训练；数据预测模块，利用训练好的模型在测试集上进行预测。本发明可以提高对企业破产预测的效率及准确率。
-
公开(公告)号：CN110619024A
公开(公告)日：2019-12-27
申请号：CN201910894866.4
申请日：2019-09-20
Applicant: 苏州大学
IPC: G06F16/28
Abstract: 本申请提供一种信用评价方法，具体技术方案如下：获取训练数据和目标客户数据，并根据所述训练数据生成训练集；对所述训练集中的所述训练数据执行归一化处理；将所述训练集中的各训练数据映射到核特征空间，得到数据样本矩阵；根据所述数据样本矩阵得到信用判别函数；根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。本申请有利于降低训练集中不具有代表性的数据样本对训练结果的影响，即减小误差样本对结果的影响，提高信用评级的准确率和效率。本申请还提供一种信用评价方系统、一种计算机可读存储介质和一种可信度判定终端，具有上述有益效果。
-
公开(公告)号：CN110610213A
公开(公告)日：2019-12-24
申请号：CN201910893789.0
申请日：2019-09-20
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种邮件分类方法，包括：接收邮件数据；利用预先确定的线性判别函数对邮件数据进行处理，得到判别函数值；线性判别函数中的判别参数为：预先通过基于L1范数的孪生支持向量机分类算法对训练集进行分析获得；利用分类规则及判别函数值对邮件数据进行分类。可见，在本方案中，通过线性判别函数对邮件数据进行分类时，线性判别函数中的判别参数需要预先通过基于L1范数的孪生支持向量机分类算法对训练集进行分析获得，通过该判别参数，可以减小贡献度小的特征对分类结果的影响，从而提高分类效率和泛化性能，进而提高对垃圾邮件过滤的准确度；本发明还公开了一种邮件分类装置、设备及计算机可读存储介质，同样能实现上述技术效果。
-
Patent Agency Ranking
公开(公告)号：CN109858461A
公开(公告)日：2019-06-07
申请号：CN201910129612.3
申请日：2019-02-21
Applicant: 苏州大学
Abstract: 本发明公开了一种密集人群计数的方法、装置、设备及计算机可读存储介质，包括：将待测试图像输入包括多列平行的卷积神经网络的目标多尺度多列卷积神经网络模型中；每列卷积神经网络中包括多个卷积核大小和个数不同的卷积层。利用所述每列卷积神经网络中各个卷积层对待测试图像进行处理，并将所述每列卷积神经网络中预选卷积层输出的特征图进行融合，以便得到所述每列卷积神经网络输出的估计密度图；将所述每列卷积神经网络输出的估计密度图进行融合后，得到待测试图像的目标估计密度图；依据所述目标估计密度图，计算得到待测试图像中的人数。本发明所提供的方法、装置、设备及计算机可读存储介质，提高了密集人群图像预测结果的准确性。
-
公开(公告)号：CN109670552A
公开(公告)日：2019-04-23
申请号：CN201811585699.7
申请日：2018-12-24
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种图像分类方法，该方法在计算众多图像的特征权重矩阵时，仅关注不同图像之间的距离，而不关注图像的类别，因此当众多图像中包括多类别的图像时，该方法仍然适用；并且该方法处理的图像集合中包括有标签图像和无标签图像，因此能够很好地处理有标签图像和无标签图像。所以本发明打破了现有的图像分类方法的局限，提高了图像分类方法的通用性。相应地，本发明公开的一种图像分类装置、设备及可读存储介质，也同样具有上述技术效果。
-
公开(公告)号：CN109636588A
公开(公告)日：2019-04-16
申请号：CN201811546023.7
申请日：2018-12-17
Applicant: 苏州大学
CPC classification number: G06Q40/025 , G06K9/6256
Abstract: 本发明公开了一种信用评价方法，包括：获取银行用户的用户信息并归一化处理，获得目标用户信息；通过CTSVM算法获得的第一判别函数和第二判别函数分别计算第一信用值和第二信用值，判断第一信用值和第二信用值是否满足预设的判别条件；若是，则利用预设的良好标识对银行用户进行标记，并确定银行用户的信用评价为良好。该方法通过利用CTSVM算法获得的第一判别函数和第二判别函数对银行用户信息进行分析，可以降低损失函数对用户信息中的冗余数据的敏感度，即降低损失函数的损失值，从而提高分类效果和信用评价的准确性。相应地，本发明公开的一种信用评价装置、设备及可读存储介质，也同样具有上述技术效果。
-
公开(公告)号：CN105956629A
公开(公告)日：2016-09-21
申请号：CN201610321052.8
申请日：2016-04-20
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6267
Abstract: 本申请公开了一种模式分类方法及模式分类系统，其中，所述模式分类方法包括：获取第一训练集；将第一训练集映射到核隐空间，得到映射后的第一训练集；利用映射后的第一训练集构造成对约束集合；在核隐空间中利用成对约束集合计算马氏距离中的半正定矩阵；将待测数据映射到核隐空间，得到映射后的待测数据；根据半正定矩阵与映射后的待测数据，寻找映射后的第一训练集中的目标样本，将目标样本的标签赋给待测样本。模式分类方法在获取第一训练集和待测数据后，都将其映射到核隐空间中，从而引入了局部特性，以实现对第一训练集和待测数据的全局和局部的综合衡量，从而实现对第一训练及和待测数据的全面利用，进而提高模式分类方法的分类精度。
-
公开(公告)号：CN104899578A
公开(公告)日：2015-09-09
申请号：CN201510363785.3
申请日：2015-06-26
Applicant: 苏州大学张家港工业技术研究院
IPC: G06K9/00
CPC classification number: G06K9/00288 , G06K9/6274
Abstract: 本发明公开了一种人脸识别的方法，包括：将获取得到的人脸图像数据作为待测样本；利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样本；在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本；将所述目标样本的类别确定为所述测试样本的类别；其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。本发明所提供的人脸识别的方法及装置，为正交判别投影分别构造了两个邻接矩阵：类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内最小和类间最大的目的。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.03 seconds)
