-
公开(公告)号：CN116563638A
公开(公告)日：2023-08-08
申请号：CN202310576146.X
申请日：2023-05-19
申请人： 广东石油化工学院
IPC分类号： G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/0985
摘要： 本发明涉及图像处理领域，具体涉及一种基于情景记忆的图像分类模型优化方法和系统，用于对图像分类模型参数进行优化，包括：构建若干个任务，每个任务包括一个支持集；将当前任务支持集中的若干图像样本进行处理得到当前任务支持集特征；根据当前任务支持集特征得到当前任务的关键字和梯度值，将当前任务的关键字和梯度值作为存储数据进行存储；根据当前任务的关键字在所述存储数据中查找与当前任务相似情景下产生的梯度值；将当前任务的梯度值和查找到的与当前任务相似情景下产生的梯度值进行融合，生成新的梯度值，根据新的梯度值对图像分类模型参数进行优化。本发明利用情景记忆对图像分类模型进行优化，使模型的预测效果更为精准。
-
公开(公告)号：CN111695570A
公开(公告)日：2020-09-22
申请号：CN202010426786.9
申请日：2020-05-19
申请人： 广东石油化工学院
摘要： 本发明公开了一种基于变分原型推理的小样本下语义分割方法，属于计算机视觉语义分割领域，一种基于变分原型推理的小样本下语义分割方法，本发明首次提出了利用变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程，本发明经多次试验可以证明，在利用单幅支持集图像的情况下，也得到了很好的分割效果。
-
公开(公告)号：CN111178526A
公开(公告)日：2020-05-19
申请号：CN201911404255.3
申请日：2019-12-30
申请人： 广东石油化工学院
摘要： 本发明公开了一种基于元学习的变分随机特征的核方法，属于元学习算法领域，可以实现利用LSTM和支持数据集S，根据前序任务的状态，可以学习得到参数的ω均值和方差；根据重新参数化原理，可以通过ω均值和方差所描述的分布，重新采样生成参数ω，这样，每一个任务t，可得一组参数ω，并利用这组参数可以构造分类器，对新任务数据集Q进行分类，整体优化的目的是使系统可以通过少量数据，快速学习到一个合适的分类器参数，本发明同目前现有的其他元学习方法区别在于，一方面首次将变分思想结合到LSTM框架中，利用LSTM融合多次任务中的知识信息，另一方面首次将核近似方法和元学习相结合，利用元学习得到核近似的参数ω，并利用核近似方法构建分类器。
-
公开(公告)号：CN110675330A
公开(公告)日：2020-01-10
申请号：CN201910741764.9
申请日：2019-08-12
申请人： 广东石油化工学院
摘要： 本发明公开了基于通道级注意力机制的编码-解码网络的图像去雨方法，属于图像处理领域，基于通道级注意力机制的编码-解码网络的图像去雨方法，包括两个网络，第一个网络称为A-net，即注意力稠密网络(Attentive Dense Net)，第二个网络称为D-net，即编码-解码的去雨网络(De-raining Encoder-DecoderNet)，将A-net和D-net联合优化，得到基于通道级注意力机制的编码-解码网络的图像去雨方法，它可以实现对不同颜色的通道c∈{r,g,b}的图像分别建立相应的A-net和D-net，分别处理，再利用编码-解码网络实现去雨处理，同时通过利用DenseNet构建注意力图来实现基于像素点来考虑雨的分布，这对提升系统性能有很大帮助，最终以更小的计算量处理出更佳的去雨图像。
-
公开(公告)号：CN104375622B
公开(公告)日：2017-02-01
申请号：CN201410704728.2
申请日：2014-11-28
申请人： 广东石油化工学院
摘要： 本发明公开了一种云计算中基于动态加权负载评估结果的能耗评估模型，包括当前资源能耗和迁移过程能耗，所述迁移过程能耗是使用资源请求量作为计算量从而间接近似计算所得。本发明所提供的能耗评估模型可定量描述资源能耗，模型采用迁移量间接衡量迁移过程涉及的能耗，模型参数根据实际实验环境采用线性回归模型来确定；当资源动态加入或退出时，表现出很好的自适应性。
-
公开(公告)号：CN117274732B
公开(公告)日：2024-07-16
申请号：CN202311208862.9
申请日：2023-09-18
申请人： 广东石油化工学院
IPC分类号： G06V10/774 , G06V10/82 , G06V10/94 , G06N3/0455 , G06N3/0985
摘要： 本发明涉及图像处理领域，具体涉及一种基于情景记忆驱动构建优化扩散模型的方法和系统，包括：构建若干个任务，每个任务包括若干图像样本和图像样本对应的人工标注；将所述若干图像样本和图像样本对应的人工标注的构建为支持集和查询集；构建情景记忆存储器，使用若干个任务的支持集和查询集对情景记忆存储器进行优化；构建基于情景记忆驱动的扩散模型；使用若干任务的支持集和查询集对基于情景记忆驱动的扩散模型进行优化；构建新任务，所述新任务包括若干待预测图像，使用优化后的基于情景记忆驱动的扩散模型对待预测图像进行预测。本发明使用基于情景记忆驱动的扩散模型解决预测过程中参数的噪声问题，提升预测结果的准确性。
-
公开(公告)号：CN116563638B
公开(公告)日：2023-12-05
申请号：CN202310576146.X
申请日：2023-05-19
申请人： 广东石油化工学院
IPC分类号： G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/0985
摘要： 本发明涉及图像处理领域，具体涉及一种基于情景记忆的图像分类模型优化方法和系统，用于对图像分类模型参数进行优化，包括：构建若干个任务，每个任务包括一个支持集；将当前任务支持集中的若干图像样本进行处理得到当前任务支持集特征；根据当前任务支持集特征得到当前任务的关键字和梯度值，将当前任务的关键字和梯度值作为存储数据进行存储；根据当前任务的关键字在所述存储数据中查找与当前任务相似情景下产生的梯度值；将当前任务的梯度值和查找到的与当前任务相似情景下产生的梯度值进行融合，生成新的梯度值，根据新的梯度值对图像分类模型参数进行优化。本发明利用情景记忆对图像分类模型进行优化，使模型的预测效
-
公开(公告)号：CN111695570B
公开(公告)日：2023-12-05
申请号：CN202010426786.9
申请日：2020-05-19
申请人： 广东石油化工学院
IPC分类号： G06V10/26 , G06V10/774 , G06V10/84
摘要： 本发明公开了一种基于变分原型推理的小样本下语义分割方法，属于计算机视觉语义分割领域，一种基于变分原型推理的小样本下语义分割方法，本发明首次提出了利用变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程，本发明经多次试验可以证明，在利用单幅支持集图像的情况下，也得到了很好的分割效果。
-
公开(公告)号：CN114781511A
公开(公告)日：2022-07-22
申请号：CN202210424890.3
申请日：2022-04-22
申请人： 广东石油化工学院
摘要： 本发明公开一种信息识别方法，学习阶段包括步骤：将包含多个样本类别、多个样本域的训练样本集S划分为模拟训练样本集DS和模拟测试样本集DT；将模拟训练样本集DS的各个类别c的样本数据xsc、样本数据xsc的类别标签ysc输入编码器网络，编码器网络生成样本数据xsc的各个类别c在潜在空间的第一分布；将模拟测试样本集DT的样本数据xt输入先验网络，先验网络生成样本数据xt在潜在空间的第二分布；计算各个类别c的第一分布之和与第二分布之间的KL距离，使该KL距离最小；能够提高系统对类别真正未知的目标域T图形类别的预测识别能力和准确性，从而减小系统跨领域建模不确定性，提高领域泛化能力。
-
公开(公告)号：CN112749730A
公开(公告)日：2021-05-04
申请号：CN202011388970.5
申请日：2020-12-01
申请人： 广东石油化工学院 , 山东硅步机器人技术有限公司
摘要： 本发明公开了一种变分不变学习的领域泛化能力机制，包括如下步骤：变分不变学习的领域泛化的目标函数、变分不变学习的领域泛化能力的模型训练阶段、变分不变学习的领域泛化能力的模型测试阶段与获得提出方法的实验结果。本发明提供的变分不变学习领域泛化能力机制，与现有技术相比，本发明通过分布不变的角度提出变分不变学习的目标函数，并学习得到分类器参数，其中利用Resnet实现特征抽取，用3层的MLP神经网络实现分类。本发明直接从分类网络模型参数入手，从参数分布的角度衡量领域不变性，从而实现领域泛化；本发明将领域泛化的参数和分类网络模型参数合二为一，在学习分类网络参数的同时，提高其泛化能力，有效提高学习效率。
-
-
-
-
-
-
-
-
-
搜索结果
43 条记录 (耗时 0.036 秒)
