公开(公告)号：CN118429861A

公开(公告)日：2024-08-02

申请号：CN202410537577.X

申请日：2024-04-30

Applicant: 桂林电子科技大学 ,  桂林安维科技有限公司

Inventor： 徐增敏 ,  王凡 ,  蒙儒省

IPC: G06V20/40 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0895

Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于图卷积的自适应相关性半监督学习方法，通过对视频进行预处理，按照动作类别将视频切分成不同的视频片段；提取视频样本数据的特征，并将所述视频样本数据划分为有标签数据和无标签数据；基于所述视频样本数据的特征来构建视频数据的图结构；利用所述图结构，引入自适应的权重计算方法，根据节点特征相似度得到最新的相关性权值；从有标签数据和无标签数据中学习全局拓扑信息；对源节点特征进行线性变换，然后将源节点特征和相邻节点特征进行聚合，得到输入特征；将输入特征引入分类层进行训练，得到最终模型；使用测试数据对模型效果进行评估，得到模型的识别性能。

公开(公告)号：CN118428416A

公开(公告)日：2024-08-02

申请号：CN202410538759.9

申请日：2024-04-30

Applicant: 桂林电子科技大学 ,  桂林安维科技有限公司

Inventor： 徐增敏 ,  王凡 ,  蒙儒省

IPC: G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及机器学习技术领域，具体涉及一种基于图数据模型的卷积网络特征学习方法，首先通过将网络中的特征学习表示为最大似然优化问题，再基于所述最大似然优化问题提出两个标准假设，基于两个标准假设简化最大似然优化问题，利用随机游走策略搜索所述网络邻域；设置两个参数b和d来引导所述随机游走策略；利用随机梯度下降优化特征，得到最新的特征表示，最后将所述最新的特征表示应用于图卷积网络模型中进行下游任务。本发明解决了现有技术中由于依赖于固定的网络邻域概念，从而导致对网络中特有的连接模式不敏感，无法得到有效的节点特征表示的问题。