公开(公告)号：CN112508192A

公开(公告)日：2021-03-16

申请号：CN202011519673.X

申请日：2020-12-21

Applicant: 华南理工大学

Inventor： 陈俊龙 ,  刘竹琳 ,  贾雪 ,  叶汉云 ,  冯绮颖 ,  张通

IPC: G06N3/08 ,  G06N3/04 ,  G06F17/16

Abstract: 本发明提供了一种具有深度结构的增量堆叠式宽度学习系统，其特征在于：包括n个宽度学习系统模块；n个宽度学习系统模块通过残差连接堆叠起来；第i‑1个宽度学习系统模块的输出将作为第i个宽度学习系统模块的输入，且第i个宽度学习系统模块的期望输出为第1,…,i‑1个宽度学习系统模块的残差，i≤n；系统的最终输出为n个宽度学习系统模块的输出总和。该系统保留了宽度学习系统高效、快速的优点，同时通过残差连接堆叠多个宽度学习系统模块，从而增加网络的深度，使网络具有强大的学习能力。

公开(公告)号：CN114372557A

公开(公告)日：2022-04-19

申请号：CN202111612510.0

申请日：2021-12-27

Applicant: 华南理工大学

Inventor： 冯绮颖 ,  郭继凤 ,  陈俊龙 ,  刘竹琳 ,  张通

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种通用的深宽网络结合框架的构建方法，包括以下步骤：S1、初始化宽度学习参数，包括映射特征组个数、组内特征个数以及增强节点个数；S2、由输入数据，使用具有随机值的深度网络或其组件初始化宽度学习中的映射特征节点组；S3、由得到的映射特征使用深度网络或其组件构建增强特征节点组；S4、将两组提取的特征合并，共同连接到最终输出层；S5、使用优化算法对深宽网络参数进行优化，包括最后一层连接权重和特征层中深度网络的参数，直到达到停止条件。本发明将深度学习或其组件提取特征的能力融合到宽度学习中，实现深宽结合的模型，有效解决了深度学习中参数量大，时间消耗长的问题。

公开(公告)号：CN114373205B

公开(公告)日：2024-09-17

申请号：CN202111610869.4

申请日：2021-12-27

Applicant: 华南理工大学

Inventor： 陈俊龙 ,  郭继凤 ,  冯绮颖 ,  刘竹琳 ,  张通

IPC: G06V40/16 ,  G06V20/40 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开了一种基于卷积宽度网络的人脸检测和识别方法，包括以下步骤：S1、使用摄像头采集视频并按一定频率截取视频帧；S2、使用深度网络MTCNN对视频帧进行人脸检测；S3、将检测到的人脸区域输入到卷积宽度人脸识别网络，并输出最终通用的人脸特征；S4、将获得的人脸特征与现有人员库中的人员特征进行对比，并根据阈值输出人脸识别结果。本发明将深度学习与宽度学习相结合，并用于人脸检测识别，解决了现有方法中参数量大，资源消耗大，训练时间长的问题，能够满足部署中实时性的要求。

公开(公告)号：CN114372557B

公开(公告)日：2024-11-05

申请号：CN202111612510.0

申请日：2021-12-27

Applicant: 华南理工大学

Inventor： 冯绮颖 ,  郭继凤 ,  陈俊龙 ,  刘竹琳 ,  张通

IPC: G06N3/047 ,  G06N3/084

Abstract: 本发明公开了一种通用的深宽网络结合框架的构建方法，包括以下步骤：S1、初始化宽度学习参数，包括映射特征组个数、组内特征个数以及增强节点个数；S2、由输入数据，使用具有随机值的深度网络或其组件初始化宽度学习中的映射特征节点组；S3、由得到的映射特征使用深度网络或其组件构建增强特征节点组；S4、将两组提取的特征合并，共同连接到最终输出层；S5、使用优化算法对深宽网络参数进行优化，包括最后一层连接权重和特征层中深度网络的参数，直到达到停止条件。本发明将深度学习或其组件提取特征的能力融合到宽度学习中，实现深宽结合的模型，有效解决了深度学习中参数量大，时间消耗长的问题。

公开(公告)号：CN112508192B

公开(公告)日：2022-04-22

申请号：CN202011519673.X

申请日：2020-12-21

Applicant: 华南理工大学

Inventor： 陈俊龙 ,  刘竹琳 ,  贾雪 ,  叶汉云 ,  冯绮颖 ,  张通

IPC: G06N3/08 ,  G06N3/04 ,  G06F17/16

Abstract: 本发明提供了一种具有深度结构的增量堆叠式宽度学习系统，其特征在于：包括n个宽度学习系统模块；n个宽度学习系统模块通过残差连接堆叠起来；第i‑1个宽度学习系统模块的输出将作为第i个宽度学习系统模块的输入，且第i个宽度学习系统模块的期望输出为第1,…,i‑1个宽度学习系统模块的残差，i≤n；系统的最终输出为n个宽度学习系统模块的输出总和。该系统保留了宽度学习系统高效、快速的优点，同时通过残差连接堆叠多个宽度学习系统模块，从而增加网络的深度，使网络具有强大的学习能力。

公开(公告)号：CN114373205A

公开(公告)日：2022-04-19

申请号：CN202111610869.4

申请日：2021-12-27

Applicant: 华南理工大学

Inventor： 陈俊龙 ,  郭继凤 ,  冯绮颖 ,  刘竹琳 ,  张通

IPC: G06V40/16 ,  G06V20/40 ,  G06V10/82 ,  G06V10/764 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积宽度网络的人脸检测和识别方法，包括以下步骤：S1、使用摄像头采集视频并按一定频率截取视频帧；S2、使用深度网络MTCNN对视频帧进行人脸检测；S3、将检测到的人脸区域输入到卷积宽度人脸识别网络，并输出最终通用的人脸特征；S4、将获得的人脸特征与现有人员库中的人员特征进行对比，并根据阈值输出人脸识别结果。本发明将深度学习与宽度学习相结合，并用于人脸检测识别，解决了现有方法中参数量大，资源消耗大，训练时间长的问题，能够满足部署中实时性的要求。