-
公开(公告)号：CN109472282B
公开(公告)日：2022-05-06
申请号：CN201811053140.X
申请日：2018-09-10
申请人： 中山大学 , 广州中大南沙科技创新产业园有限公司
IPC分类号： G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供一种基于极少训练样本的深度图像哈希方法，该方法在已有的传统哈希方法的和基于深度学习的哈希方法都是在大量训练样本的前提下来进行设计的，而在真实的生产环境中，得到大量标记训练样本的成本很高，所以在在极少训练样本下，如果能得到一个效果相对较好的图像哈希模型是具有非常大的实用价值的。
-
公开(公告)号：CN109408633A
公开(公告)日：2019-03-01
申请号：CN201811082262.1
申请日：2018-09-17
申请人： 中山大学 , 广州中大南沙科技创新产业园有限公司
摘要： 本发明提供一种多层注意力机制的循环神经网络模型的构建方法，该方法利用多层关注力机制，不断从文本的特征表示中抽取文本的情感信息，从而使得到的文本特征情感表现更为精确，将每层关注力得到的文本特征之间都计算其分布的差异值并加入到损失函数中进行修正，从而可以在训练过程中更好的利用文本信息，提高文本情感分析的准确度。
-
公开(公告)号：CN109472282A
公开(公告)日：2019-03-15
申请号：CN201811053140.X
申请日：2018-09-10
申请人： 中山大学 , 广州中大南沙科技创新产业园有限公司
摘要： 本发明提供一种基于极少训练样本的深度图像哈希方法，该方法在已有的传统哈希方法的和基于深度学习的哈希方法都是在大量训练样本的前提下来进行设计的，而在真实的生产环境中，得到大量标记训练样本的成本很高，所以在在极少训练样本下，如果能得到一个效果相对较好的图像哈希模型是具有非常大的实用价值的。
-
公开(公告)号：CN109242207A
公开(公告)日：2019-01-18
申请号：CN201811179333.X
申请日：2018-10-10
申请人： 中山大学 , 广州中大南沙科技创新产业园有限公司
摘要： 本发明公开了一种基于深度强化学习的金融时序数据预测方法。本方法包括三个主要的子系统：数据处理子系统，此子系统的功能是对从WindAPI获取到的原始数据进行数据处理；特征提取子系统，此子系统的功能是构造一个深度神经网络来提取数据特征；强化学习子系统，此子系统的功能是基于Actor-Critic算法，构造策略网络和评估网络，分别进行交易动作的选取与评价，然后不断迭代更新来保证整个系统获取到市场最新的动态信息，并根据获取到的状态信息作出最优的交易动作，最终获取较好的交易效果。本发明能够通过金融市场的一些基本信息，不断去学习这个复杂的金融市场，及时捕获可能获利的交易动作，实现盈利目的。
-
公开(公告)号：CN118070214A
公开(公告)日：2024-05-24
申请号：CN202410091691.4
申请日：2024-01-22
申请人： 中山大学
IPC分类号： G06F18/25 , G06F18/15 , G06N3/0464 , G06N3/0499 , G06F123/02 , G06N3/048
摘要： 本发明提出一种基于多轴融合的多变量时间序列预测方法及系统，涉及多变量时间序列预测的技术领域，采集多变量时间序列的历史数据，构建多变量时间序列数据集，然后构建包括数据处理单元、多轴交互单元和预测层的多轴融合模型；利用多变量时间序列数据集对多轴融合模型进行训练，将待预测的多变量时间序列输入训练好的多轴融合模型，输出预测序列，在保留了语义信息的同时，有效地捕捉空间、全局时间和局部时间交互，从多个维度获取有效信息并进行融合，增强了多轴融合模型特征表达，在较高的计算效率下，取得良好的预测效果。
-
公开(公告)号：CN111753190A
公开(公告)日：2020-10-09
申请号：CN202010478822.6
申请日：2020-05-29
申请人： 中山大学
IPC分类号： G06F16/9535 , G06F16/9538 , G06F16/435 , G06F16/438 , G06F16/45 , G06F16/31 , G06F16/338 , G06F16/35 , G06F16/538 , G06F16/55 , G06N3/04 , G06N3/08
摘要： 本发明提供一种基于元学习的无监督跨模态哈希检索方法，该方法使用预训练好的ResNet模型和Bert模型提取辅助图像集、辅助文本集和目标跨模态数据集的高维实数特征，输入到哈希模型中，之后对辅助图像集和文本集进行聚类，再利用元学习训练方法(MAML)，在辅助数据集的帮助下对目标跨模态数据集进行训练，更新哈希模型。由于聚类，得到辅助数据集的弱监督标签，再通过这些弱监督信息，指导目标跨模态数据集的梯度更新方向，使检索准确率得到提高。
-
公开(公告)号：CN109033107A
公开(公告)日：2018-12-18
申请号：CN201710433984.6
申请日：2017-06-09
申请人： 腾讯科技(深圳)有限公司 , 中山大学
发明人： 赖韩江
CPC分类号： G06N3/0454 , G06N3/08
摘要： 本发明提供一种图像检索方法和装置、计算机设备和存储介质，包括：获取检索图像；将检索图像输入预先对具有相似关系的训练图像样本训练得到的卷积神经网络，通过输入层和前置卷积层得到第一输出结果；第一输出结果输入到的分支网络，得到每个像素点为物体的概率对应的物体的位置概率图；第一输出结果输入到卷积神经网络的中间卷积层，得到检索图像的特征图；对特征图与位置概率图进行点乘处理得到融合位置信息的特征图，并将融合位置信息的特征图输入至卷积神经网络的后置卷积层，通过后置卷积层和全连接层，输出检索图像的特征向量；将检索图像的特征向量与数据库的各图像的特征向量进行比较，得到检索图像的检索结果。该方法精确度高。
-
公开(公告)号：CN107451189A
公开(公告)日：2017-12-08
申请号：CN201710492763.6
申请日：2017-06-20
申请人： 中山大学 , 广东恒电信息科技股份有限公司
CPC分类号： G06F17/30244 , G06K9/6256
摘要： 本发明提供一种基于哈希编码的无监督图像检索方法，本发明对视频进行处理得到图片库数据，然后在图片库上训练一个分类器，然后利用这个分类器在训练集上筛选出前一半优质的图片；用筛选出的图片重新训练一个分类器，再用这个分类器对图片库进行筛选；再用从图片库中筛选出的图片训练分类器，以此类推，对分类器进行迭代交替训练得到检索模型。
-
公开(公告)号：CN116933051A
公开(公告)日：2023-10-24
申请号：CN202310840266.6
申请日：2023-07-10
申请人： 中山大学
IPC分类号： G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/08 , G06N3/045 , G06N3/0499
摘要： 本发明涉及情感识别技术领域，尤其涉及一种用于模态缺失场景的多模态情感识别方法及系统，包括：获取缺失情况特征和多模态联合特征；利用自注意力机制对各模态高级特征、多模态联合特征和缺失情况特征进行缺失模态特征重构，得到多模态重构特征；将重构视觉特征、重构音频特征映射到重构文本特征空间，并利用多模态门控融合机制进行两两模态间的特征融合，得到文本视觉融合特征和文本音频融合特征，以进行情感类别分类，得到情感类别预测结果。本发明通过重构缺失的多模态数据以及考虑各模态之间的语义特征差异性，增强了模态缺失场景下的分类鲁棒性，提高了情感分类的准确率，在实际应用中具有良好的发展前景。
-
公开(公告)号：CN112115967B
公开(公告)日：2023-08-01
申请号：CN202010781900.X
申请日：2020-08-06
申请人： 中山大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明提供一种基于数据保护的图像增量学习方法，该方法以深度卷积神经网络ResNet为基础，充分利用外部海量图像的信息，对其进行采样并加入训练过程，来缓解新旧样本不均衡所带来的偏差和灾难性遗忘，外部数据即采即用，训练后直接丢弃，不占用存储空间。同时加入针对于各个任务阶段的输出，提取关于任务的特征，提高模型的性能表现。本发明所提出的增量学习方法突破了传统方法的限制，能够灵活广泛地适应多种实际场景的需求，在计算机视觉领域具有重要的研究和应用价值。
-
-
-
-
-
-
-
-
-
搜索结果
38 条记录 (耗时 0.047 秒)
