公开(公告)号：CN118939381A

公开(公告)日：2024-11-12

申请号：CN202411115650.0

申请日：2024-08-14

Applicant: 河南大学

Inventor： 于俊洋 ,  王丹 ,  刘经晗 ,  刘曦泽 ,  王霆宇 ,  王聪洋 ,  张琰浩 ,  王志诚 ,  李涵 ,  翟锐 ,  宋亚林

IPC: G06F9/455 ,  G06F9/50

Abstract: 本发明公开云计算平台中基于高效能源意识和服务质量改进的虚拟机放置策略，包括：输入物理机列表和待迁移的虚拟机列表；循环遍历待迁移的虚拟机列表，对每一个待迁移虚拟机循环遍历物理机列表，判断物理机的CPU、内存和带宽资源是否能满足虚拟机的资源请求，且物理机目前和虚拟机部署后是否都不会过载，如是则执行下一步；计算物理机的能效指标；分别计算虚拟机部署后物理机的内部资源利用平衡偏差指标、安全系数指标和CPU资源利用波动系数指标，标准化处理后计算综合得分；基于得出的物理机的能效指标及所述综合得分选择物理机作为待迁移虚拟机的目标物理机。本发明在降低能耗的同时减少了服务水平协议违反，保证了云数据中心的服务质量。

公开(公告)号：CN116824191A

公开(公告)日：2023-09-29

申请号：CN202310859986.7

申请日：2023-07-13

Applicant: 河南大学

Inventor： 王龙葛 ,  赵宇曦 ,  辛致宜 ,  何义茹 ,  王霆宇 ,  王志诚

IPC: G06V10/762 ,  G06N3/045

Abstract: 本发明提出了一个基于多通道注意机制的子空间聚类方法，该方法将能够挖掘空间特征的模块合并到自表示网络中，以凸显不同的数据特征，并补充多层感知机丢失的空间信息。具体通过通道和空间注意力模块成功的挖掘了输入数据样本中的潜在特征，并提取了图像不同特征之间的空间关系；同时采用静态参数化的通道映射和空间映射对已获得的特征空间信息进行细化筛选，进一步增强了自我表达的质量；最后，依托自表示网络，通过学习亲和矩阵来完成聚类任务。通过实验证明了本发明的聚类方法具有较高的准确性。

公开(公告)号：CN119006911A

公开(公告)日：2024-11-22

申请号：CN202411091459.7

申请日：2024-08-09

Applicant: 河南大学

Inventor： 王龙葛 ,  王志诚 ,  于俊洋 ,  王霆宇 ,  吴进虎 ,  王丹

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0895

Abstract: 本发明公开一种对比自监督增强学习方法和系统，包括：步骤一：将训练样本进行数据增强，得到变换增强样本和旋转增强样本；步骤二：将变换增强样本和旋转增强样本输入到对比自监督增强学习模型中；步骤三：计算变换损失、旋转损失和置信度损失；步骤四：基于变换损失、旋转损失和置信度损失计算总损失，通过最小化总损失来优化对比自监督增强学习模型参数，得到最优对比自监督增强学习模型；步骤五：将目标样本输入最优对比自监督增强学习模型，得到图像分类结果。本发明通过多任务学习、通用功能增强器、投影距离度量单元和可调整损失函数解决了无监督少样本图像分类问题。

公开(公告)号：CN118736312A

公开(公告)日：2024-10-01

申请号：CN202410876702.X

申请日：2024-06-28

Applicant: 河南大学

Inventor： 于俊洋 ,  吴进虎 ,  宋亚林 ,  翟锐 ,  李涵 ,  王霆宇 ,  王志诚

IPC: G06V10/764 ,  G06V10/74 ,  G06V10/82 ,  G06F18/2415 ,  G06N3/0464

Abstract: 本发明公开一种基于原型补全与动态损失调整的小样本学习方法和系统，该方法包括以下步骤：步骤一：整合原始支持集和原始查询集的信息和标签传播得到新原型，将新原型加入到原始支持集中以形成新支持集；步骤二：使用特征图重建网络根据新支持集得到重建查询集；步骤三：基于构建的动态损失函数计算原始查询集和重建查询集的损失，通过最小化所述损失来训练所述特征重建网络；步骤四：将待分类图像数据集输入至训练好的特征重建网络，得到图像分类结果。本发明通过采用原型补全和动态调整损失函数的两大策略，显著提高了小样本分类任务的性能。

公开(公告)号：CN118608816A

公开(公告)日：2024-09-06

申请号：CN202410661309.9

申请日：2024-05-23

Applicant: 河南大学

Inventor： 王龙葛 ,  王霆宇 ,  于俊洋 ,  王志诚 ,  吴进虎 ,  王丹

IPC: G06V10/762 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/09

Abstract: 本发明提供一种基于多尺度注意力和损失惩罚机制的多视图聚类方法。该方法通过多尺度的注意力机制确保多视图之间的通道和空间一致性信息有效融合，并引入损失惩罚机制模块解决正负样本数量不平衡带来的负面影响。具体而言，首先利用自动编码器调整特征图的通道特征和空间位置的重要性，强化对重要特征通道和空间区域的关注。然后通过损失惩罚机制使模型聚焦于难分类样本，对于难分类的样本进行惩罚损失。最后，将得到的融合特征输入至数据聚类模块，对数据样本进行簇的划分。随着视图数量的增加，本发明方法可以明显减弱互斥视图之间的消极影响，能够随着视图数量的增加达到更优的效果。