-
公开(公告)号：CN108446711B
公开(公告)日：2022-04-22
申请号：CN201810101265.9
申请日：2018-02-01
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于迁移学习的软件缺陷预测方法，该方法利用降维迁移学习的思想，综合考虑不同项目数据样本之间概率分布以及条件概率分布，在源项目和目标项目之间建立一个新的特征表示，在一个新的空间中最小化二者之间的差异，训练出一个新的分类器，进而实现迁移学习。算法首先采用了一种不同分布之间的距离度量方式，最大均方差异来量化源数据和目标数据之间的分布差异和条件分布差异，通过最小化这种度量来获得一个模型，通过这个模型映射过后的训练数据和测试数据几乎具有相同的概率分布和条件概率分布；然后就可以采用传统的机器学习算法对测试数据进行分类。
-
公开(公告)号：CN108399421B
公开(公告)日：2022-04-01
申请号：CN201810095061.9
申请日：2018-01-31
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种基于词嵌入的深度零样本分类方法，在学习阶段未出现的类别，依然可以在预测阶段被识别。本发明提出了基于词嵌入和深度特征提取的零样本图像学习模型，该方法通过强大的深度神经网络学习一个图像特征和语义特征联合嵌入的子空间，利用词向量的语义能力，达到图像的零样本学习目的。本发明不仅提出了深度学习方法与零样本学习结合的模型，同时还针对其结合部分嵌入空间做了大量改进，为图像零样本，亦或者其他模态的零样本学习提供参考和指导，克服传统零样本学习中样本属性定义不明确、人工特征提取等等缺点。本发明广泛用于端到端的类别预测任务中，特别适合训练样本不足甚至是缺少某一类训练样本的类别预测任务。
-
公开(公告)号：CN108229505B
公开(公告)日：2022-02-18
申请号：CN201810112205.7
申请日：2018-02-05
Applicant: 南京邮电大学
IPC: G06V10/50 , G06V10/772 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于FISHER多级字典学习的图像分类方法，包括步骤：构建一个图像分类系统，导入样本图像，利用超完备字典上的稀疏表示矩阵对每个样本图像进行初步的适当分类；将上述经过超完备字典分类的图像基于FISHER多级字典进行不同层级上的学习，获得每个类别图像的具体信息和共同信息；使用FISHER判别准则的判别式对不同层级上字典的区分能力进行增强，形成最佳的图像分类判别标准；本发明提供的基于FISHER多级字典学习的图像分类方法可以更好地捕捉各种图像相较于其他图像最具有区别性的特征，以及各图像自身具备的最独特的特性，提升了分辨效率和准确率。
-
公开(公告)号：CN113064959A
公开(公告)日：2021-07-02
申请号：CN202010001846.2
申请日：2020-01-02
Applicant: 南京邮电大学
IPC: G06F16/31 , G06F16/953 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度自监督排序哈希的跨模态检索方法。包括以下步骤：首先学习一个标签网络用来保留语义特征与其对应的哈希码之间的相似关系。该标签网络可以有效地利用多标签信息来桥接不同模态之间的语义相关性。然后分别对图像和文本设计一个端到端的特征学习网络，进行特征学习。一方面，可以保持标签网络和图像文本网络之间的语义相关性。另一方面，可以使学习到的特征与特定的跨模态检索任务完美兼容。为了解决使用二进制分区函数编码对分区阈值十分敏感的问题，采用基于排序的编码函数。每个维度的相对排序不变，哈希编码的值就不变，这使得哈希函数不会对某些阈值非常敏感，进而获取的哈希编码鲁棒性更好。
-
公开(公告)号：CN108334574B
公开(公告)日：2020-06-12
申请号：CN201810062484.0
申请日：2018-01-23
Applicant: 南京邮电大学
IPC: G06F16/583 , G06F16/33 , G06F16/31
Abstract: 本发明公开了一种基于协同矩阵分解的跨模态检索方法,同时考虑保持原始空间样本对的局部几何流形结构，使用图正则项加入了模态内与模态间的约束，采用普遍使用的mAP(平均准确率)作为性能评价指标。本发明不仅考虑了样本的模态内相似性，还考虑了样本对模态间的相似性，为以文检图和以图检文准确性提供了保障。本发明利用协同矩阵分解技术、哈希函数，同时加入了保持模态内与模态间相似性的图正则化项，提高了以文检图和以图检文的相互检索性能，广泛应用于移动设备、互联网以及电子商务中的图片文本互相检索服务。
-
Patent Agency Ranking
公开(公告)号：CN110852292A
公开(公告)日：2020-02-28
申请号：CN201911126783.7
申请日：2019-11-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于跨模态多任务深度度量学习的草图人脸识别方法，首先构建人脸样本图像数据库并进行预处理，对样本进行两两配对，形成草图和正常图片的两种模态的配对；然后对每一个草图和正常图片这两种模态使用对应的神经网络来学习特征，同时让两种模态的网络结构进行参数共享；最后，将两种模态得到的特征投影到公共空间中，计算特征向量之际的距离，通过设计目标函数，根据距离大小来验证结果；通过在两个常用的基准数据集上的实验结果可以直观看出，本发明提供的方法比现有的方法具有更好的跨模态分类性能。
-
公开(公告)号：CN110175632A
公开(公告)日：2019-08-27
申请号：CN201910353073.1
申请日：2019-04-28
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明揭示了一种基于稀疏性和主成分分析技术降维的子空间聚类方法，该方法包括如下步骤：S1：提取图像数据的原始图像矩阵；S2：将S1步骤得到的原始图像矩阵数据进行主成分分析技术降维，得到一个新的数据库矩阵；S3：将S2步骤得到的新数据库矩阵进行自表达得到数据矩阵的表达矩阵，并加入谱聚类，得到数据的连续标签；S4：在S3步骤得到的数据的连续标签引入旋转矩阵,得到数据的离散标签，将数据的离散标签与数据自带标签相比较，得到数据的聚类正确率，该方法在聚类正确率上取得明显提高。
-
公开(公告)号：CN109885653A
公开(公告)日：2019-06-14
申请号：CN201910094487.7
申请日：2019-01-30
Applicant: 南京邮电大学
Abstract: 本发明提供一种文本检索方法，方法包括：初始化文本数据库集合和模糊语义关联矩阵；当确定第一层相似度数值大于预设的阈值时，将文本集合中的对应文本删除并插入第一文本集合，并将第一层相似度数值作为对应文本的相似度数值插入第一相似度集合；当确定第二层相似度数值大于阈值时，将相应文本删插入第二文本集合，并将第二层相似度数值插入第二相似度集合；当确定第三层相似度数值大于阈值时，将该文本删除并插入第三文本集合，并将第三层相似度数值作为该文本的相似度数值插入第三相似度集合；将第零、第一、第二和第三文本集合中文本作为检索结果集合进行输出。上述的方案，可以在文本检索时降低计算复杂度，节约计算资源。
-
公开(公告)号：CN105654128B
公开(公告)日：2019-04-12
申请号：CN201511019000.7
申请日：2015-12-30
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了基于核范数正则低秩编码的风机叶片图像故障识别方法，该方法首先获取风机叶片故障图像训练样本集，然后利用基于核范数正则的低秩编码方法，获取待识别样本在训练样本集上的线性表示系数，最后通过计算待识别样本在每个类上的表示残差，根据残差计算出待识别样本的类标。本发明方法不但保持了图像的结构信息，同时还将同类样本本身具有的低秩特征融入其中，并利用稀疏特征信息来得到待识别样本的表示系数，提高了识别精度。
-
公开(公告)号：CN109508742A
公开(公告)日：2019-03-22
申请号：CN201811338455.9
申请日：2018-11-12
Applicant: 南京邮电大学
Abstract: 基于ARM平台和独立循环神经网络的手写数字识别方法。包括如下步骤，S1、根据TensorFlow框架构建IndRNN模型；S2、将MNIST训练集导入IndRNN模型进行训练；S3、在ARM平台安装TensorFlow，在PC端上利用FlashFXP通过SFTP over SSH连接方式将训练好的IndRNN模型移植到ARM平台；S4、采集设备采集手写数字照片，并进行预处理；S5、预处理后的照片通过IndRNN模型处理分类识别，最终在SSH终端显示识别结果。本发明利用TensorFlow进行深度学习和人工智能具有开发简单、建模速度快、准确率高的优点。ARM嵌入式平台具有成本低、稳定性好、实时性高等诸多优点。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.025 seconds)
