-
公开(公告)号：CN111612573A
公开(公告)日：2020-09-01
申请号：CN202010370275.X
申请日：2020-04-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于全贝叶斯方法的推荐系统评分推荐预测方法法。本发明步骤：步骤1.根据用户过去的购买信息建立用户物品评分矩阵R0；步骤2.根据物品属性信息建立物品词向量矩阵X0；步骤3.利用深度学习方法来提取物品词向量矩阵X0的特征信息，通过成批降噪变分自动编码机模型来提取这种特征信息；成批降噪变分自动编码机模型是整体构架模型的一部分，整体构架模型则为协同成批降噪变分自动编码机。本发明改善了分层贝叶斯结构，使得具有不确定性的推断有了一定的弹性空间，推荐准确度有所上升。同时利用全贝叶斯结构有效提取了物品隐因子向量，一定程度上解决了数据稀疏性带来的推荐效率下降问题。
-
Patent Agency Ranking
公开(公告)号：CN111612573B
公开(公告)日：2023-04-25
申请号：CN202010370275.X
申请日：2020-04-30
Applicant: 杭州电子科技大学
IPC: G06Q30/0601 , G06N7/01
Abstract: 本发明公开了一种基于全贝叶斯方法的推荐系统评分推荐预测方法法。本发明步骤：步骤1.根据用户过去的购买信息建立用户物品评分矩阵R0；步骤2.根据物品属性信息建立物品词向量矩阵X0；步骤3.利用深度学习方法来提取物品词向量矩阵X0的特征信息，通过成批降噪变分自动编码机模型来提取这种特征信息；成批降噪变分自动编码机模型是整体构架模型的一部分，整体构架模型则为协同成批降噪变分自动编码机。本发明改善了分层贝叶斯结构，使得具有不确定性的推断有了一定的弹性空间，推荐准确度有所上升。同时利用全贝叶斯结构有效提取了物品隐因子向量，一定程度上解决了数据稀疏性带来的推荐效率下降问题。
-
公开(公告)号：CN111611877B
公开(公告)日：2023-05-02
申请号：CN202010363324.7
申请日：2020-04-30
Applicant: 杭州电子科技大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多时空信息融合的抗年龄干扰人脸识别方法。本发明中提取的初始人脸特征是由每个训练样本中同一个人的不同年龄的人脸图像从时间维度和空间维度提取人脸特征后再进行信息融合后得到的，不仅能够充分表示每个人的身份特征，而且对年龄干扰具有一定的鲁棒性。此外在得到身份特征和年龄投影特征后进一步进行相似度度量，并通过相似性损失函数的约束逐渐降低提取的每个人相应的身份特征和年龄特征的相关性，相关性越小，则身份特征越不容易受年龄因素的影响，跨年龄识别人脸的准确度就越高。
-
公开(公告)号：CN111611880A
公开(公告)日：2020-09-01
申请号：CN202010364742.8
申请日：2020-04-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于神经网络无监督对比学习的高效行人重识别方法。本发明步骤：步骤1：准备行人重识别模型训练的数据集；步骤2：选择具有较强特征提取能力的卷积神经网络作为无监督对比学习模型的主干网络，无监督对比学习模型中的对比学习以特征向量为出发点，即对无监督对比学习模型提取的特征向量进行约束，按照损失函数的方式，利用优化器和反向传播的原理实现对无监督对比学习模型的网络参数的修正；步骤3：将训练图片的特征向量存入缓存区；步骤4：通过量化指标进行量化评估。本发明使用有标数据和无标数据同时训练，即保障模型较高的准确度，实现模型易训练的特点，又能有较好的模型扩展性，对新环境的新样本有更好的扩展性。
-
公开(公告)号：CN111611880B
公开(公告)日：2023-06-20
申请号：CN202010364742.8
申请日：2020-04-30
Applicant: 杭州电子科技大学
IPC: G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于神经网络无监督对比学习的高效行人重识别方法。本发明步骤：步骤1：准备行人重识别模型训练的数据集；步骤2：选择具有较强特征提取能力的卷积神经网络作为无监督对比学习模型的主干网络，无监督对比学习模型中的对比学习以特征向量为出发点，即对无监督对比学习模型提取的特征向量进行约束，按照损失函数的方式，利用优化器和反向传播的原理实现对无监督对比学习模型的网络参数的修正；步骤3：将训练图片的特征向量存入缓存区；步骤4：通过量化指标进行量化评估。本发明使用有标数据和无标数据同时训练，即保障模型较高的准确度，实现模型易训练的特点，又能有较好的模型扩展性，对新环境的新样本有更好的扩展性。
-
公开(公告)号：CN111611877A
公开(公告)日：2020-09-01
申请号：CN202010363324.7
申请日：2020-04-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多时空信息融合的抗年龄干扰人脸识别方法。本发明中提取的初始人脸特征是由每个训练样本中同一个人的不同年龄的人脸图像从时间维度和空间维度提取人脸特征后再进行信息融合后得到的，不仅能够充分表示每个人的身份特征，而且对年龄干扰具有一定的鲁棒性。此外在得到身份特征和年龄投影特征后进一步进行相似度度量，并通过相似性损失函数的约束逐渐降低提取的每个人相应的身份特征和年龄特征的相关性，相关性越小，则身份特征越不容易受年龄因素的影响，跨年龄识别人脸的准确度就越高。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
