-
公开(公告)号：CN112464005A
公开(公告)日：2021-03-09
申请号：CN202011343296.9
申请日：2020-11-26
申请人： 大连理工大学
摘要： 本发明提出了一种深度强化图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练编解码网络，初始化潜在特征空间；2)采用传统K‑means方法在潜在特征空间对聚类质心初始化，并为各质心分配伯努利‑逻辑斯蒂单元；3)计算该点与单元间的逻辑回归参数和伯努利分布；4)利用奖励回归策略动态分配临时奖赏，联合辅助目标分布计算各质心运动轨迹；5)计算权重，迭代优化聚类单元直至满足收敛条件，完成深度强化图像聚类过程。本发明同时基于强化学习思想以奖励回归策略联合利用潜在特征表示和调整聚类质心，充分将全部聚类信息尤其是临近区域聚类信息作用于聚类分析的过程中，在环境与行为的交互中有效的改善聚类模糊的问题，有效提升聚类性能。
-
公开(公告)号：CN112464005B
公开(公告)日：2021-12-03
申请号：CN202011343296.9
申请日：2020-11-26
申请人： 大连理工大学
摘要： 本发明提出了一种深度强化图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练编解码网络，初始化潜在特征空间；2)采用传统K‑means方法在潜在特征空间对聚类质心初始化，并为各质心分配伯努利‑逻辑斯蒂单元；3)计算该点与单元间的逻辑回归参数和伯努利分布；4)利用奖励回归策略动态分配临时奖赏，联合辅助目标分布计算各质心运动轨迹；5)计算权重，迭代优化聚类单元直至满足收敛条件，完成深度强化图像聚类过程。本发明同时基于强化学习思想以奖励回归策略联合利用潜在特征表示和调整聚类质心，充分将全部聚类信息尤其是临近区域聚类信息作用于聚类分析的过程中，在环境与行为的交互中有效的改善聚类模糊的问题，有效提升聚类性能。
-
公开(公告)号：CN112465118A
公开(公告)日：2021-03-09
申请号：CN202011343299.2
申请日：2020-11-26
申请人： 大连理工大学
摘要： 一种面向医学影像生成的低秩生成式对抗网络构建方法，属于深度学习领域，构建步骤为：1)利用主成分模式近似GAN模型中的全秩卷积操作，基于张量CP分解的计算规则构建低秩卷积操作；2)利用步骤1的低秩卷积操作，构建低秩维度卷积层和低秩通道卷积层代替全秩卷积层，在低秩卷积层间添加ReLU激活函数和批正则化项，调整低秩卷积层的数据分布，设计低秩生成模型；3)融合低秩生成模型和全秩判别模型，构建完整的医学影像低秩生成式对抗网络。本发明提出的方法具有如下效果：该低秩生成对抗方法在医学影像生成任务中有效地降低了FLOPs、内存及显存和空间的占用等计算资源，同时，具有良好的生成效果。
-
公开(公告)号：CN112464004A
公开(公告)日：2021-03-09
申请号：CN202011343290.1
申请日：2020-11-26
申请人： 大连理工大学
摘要： 本发明公开了一种多视角深度生成图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练各视角独立的编解码网络，发现各视角潜在特征空间；2)预训练多视角特征融合编解码网络，发现多视角融合特征空间；3)随机初始化高斯混合模型参数；4)计算数据样本由某一子高斯模型生成的概率作为图像聚类结果，生成聚类损失，计算高斯混合模型参数更新值，更新参数直到收敛。本发明针对图像数据设计了一种多视角深度生成图像聚类方法，主要考虑利用多视角图像数据中的互补信息优化特征的学习，提高图像聚类和特征学习效果，并为此设计一种多视角特征融合策略，端到端地融合多个视角中的数据信息，该策略可以有效提高多视角数据信息的利用率，提高图像聚类算法性能。
-
公开(公告)号：CN112465118B
公开(公告)日：2022-09-16
申请号：CN202011343299.2
申请日：2020-11-26
申请人： 大连理工大学
摘要： 一种面向医学影像生成的低秩生成式对抗网络构建方法，属于深度学习领域，构建步骤为：1)利用主成分模式近似GAN模型中的全秩卷积操作，基于张量CP分解的计算规则构建低秩卷积操作；2)利用步骤1的低秩卷积操作，构建低秩维度卷积层和低秩通道卷积层代替全秩卷积层，在低秩卷积层间添加ReLU激活函数和批正则化项，调整低秩卷积层的数据分布，设计低秩生成模型；3)融合低秩生成模型和全秩判别模型，构建完整的医学影像低秩生成式对抗网络。本发明提出的方法具有如下效果：该低秩生成对抗方法在医学影像生成任务中有效地降低了FLOPs、内存及显存和空间的占用等计算资源，同时，具有良好的生成效果。
-
公开(公告)号：CN113094566A
公开(公告)日：2021-07-09
申请号：CN202110409134.9
申请日：2021-04-16
申请人： 大连理工大学
IPC分类号： G06F16/906
摘要： 一种深度对抗多模态数据聚类方法，构建模态编码网络、模态融合网络、模态生成器和模态融合判别器。首先，模型将数据的每个模态通过对应的模态编码网络映射到深度特征空间，学习各模态私有的深度特征。然后，模态融合网络学习各模态私有特征，获取带有模态扰动的融合特征。最后，模态生成器利用融合特征生成样本，模态融合判别器判断样本的真伪，两者通过生成对抗的策略拟合数据分布。相应设计对抗循环一致聚类损失函数指导模型的训练，其包含循环一致损失函数、跨模态对抗损失函数和聚类嵌入损失函数。本发明中的深度对抗多模态数据聚类方法学习数据的融合特征，挖掘数据的内在规律；能够有效提取多模态数据中隐藏的语义一致性信息，提高多模态数据聚类的性能。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.028 秒)
