-
公开(公告)号：CN107609587A
公开(公告)日：2018-01-19
申请号：CN201710813659.2
申请日：2017-09-11
Applicant: 浙江工业大学
Abstract: 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法，包括如下步骤：1.中心剪裁图片，2.在通道维度叠合多视图。3.提取多视图类别标签。4.用叠合多视图、类别标签、外加随机高维噪声共同训练DC-GAN网络。5.用高维随机噪声和自定义标签传入训练好的网络，生成多视图叠合数据。6.剪裁并填充背景，得到符合原尺寸的多视图。本发明所述方法通过多视图叠合和带标签训练生成对抗网络的方法，实现了只需修改输入即可通过一个模型生成不同类别多视图的功能，所生成的数据可作为训练数据的扩充，来增加训练数据的多样性。
-
公开(公告)号：CN106503047A
公开(公告)日：2017-03-15
申请号：CN201610839591.0
申请日：2016-09-22
Applicant: 浙江工业大学
Abstract: 一种基于卷积神经网络的网络爬虫优化方法，包括以下步骤：1)利用网络爬虫从各网站爬取初始数据，人工将数据分为无噪声数据集Free_Noisy和完全噪声数据集Pure_Noisy；2)使用初始数据集训练NoisyCNN网络；3)利用网络爬虫开始对主流搜索引擎和图像分享网站中搜集大量目标分类的图像数据，同时定期执行步骤4；4)利用NoisyCNN网络对数据筛选，将数据将分为Weak_Noisy和Pure_Noisy；5)使用扩充后数据更新NoisyCNN网络；6)判断Pure_Noisy数据量是否合理，决定是否继续爬虫；7)停止爬虫。本发明能有效减少数据噪声、提升工作效率。
-
公开(公告)号：CN107609587B
公开(公告)日：2020-08-18
申请号：CN201710813659.2
申请日：2017-09-11
Applicant: 浙江工业大学
Abstract: 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法，包括如下步骤：1.中心剪裁图片，2.在通道维度叠合多视图。3.提取多视图类别标签。4.用叠合多视图、类别标签、外加随机高维噪声共同训练DC‑GAN网络。5.用高维随机噪声和自定义标签传入训练好的网络，生成多视图叠合数据。6.剪裁并填充背景，得到符合原尺寸的多视图。本发明所述方法通过多视图叠合和带标签训练生成对抗网络的方法，实现了只需修改输入即可通过一个模型生成不同类别多视图的功能，所生成的数据可作为训练数据的扩充，来增加训练数据的多样性。
-
公开(公告)号：CN106503047B
公开(公告)日：2019-10-11
申请号：CN201610839591.0
申请日：2016-09-22
Applicant: 浙江工业大学
IPC: G06F16/9535 , G06F16/583 , G06K9/62
Abstract: 一种基于卷积神经网络的网络爬虫优化方法，包括以下步骤：1)利用网络爬虫从各网站爬取初始数据，人工将数据分为无噪声数据集Free_Noisy和完全噪声数据集Pure_Noisy；2)使用初始数据集训练NoisyCNN网络；3)利用网络爬虫开始对主流搜索引擎和图像分享网站中搜集大量目标分类的图像数据，同时定期执行步骤4；4)利用NoisyCNN网络对数据筛选，将数据将分为Weak_Noisy和Pure_Noisy；5)使用扩充后数据更新NoisyCNN网络；6)判断Pure_Noisy数据量是否合理，决定是否继续爬虫；7)停止爬虫。本发明能有效减少数据噪声、提升工作效率。
-
公开(公告)号：CN107563406A
公开(公告)日：2018-01-09
申请号：CN201710598711.7
申请日：2017-07-21
Applicant: 浙江工业大学
Abstract: 一种自主学习的图像精细分类方法，包括以下步骤：1)人工采集对应需求标签的图像数据集，保存至强标签数据集，使用ImageNet数据集初始化卷积神经网络CNN参数；2)使用强标签数据集微调修正CNN；3)判断分类网络的优化趋势；4)判断网络分类精度是否达到了要求；5)利用网络爬虫从互联网爬取、人工采集与标签相关的图像数据和噪声数据保存至弱标签数据集；6)使用弱标签数据集调整滤波器的阈值；7)使用调整后的滤波器筛选数据保存至强标签数据集和噪声数据集；8)保存网络权重和滤波器参数。本发明训练得到的分类器的分类精度和鲁棒性都较高。
-
Patent Agency Ranking
公开(公告)号：CN106529564A
公开(公告)日：2017-03-22
申请号：CN201610848398.3
申请日：2016-09-26
Applicant: 浙江工业大学
CPC classification number: G06K9/6267 , G06F16/951 , G06N3/02
Abstract: 一种基于卷积神经网络的食物图像自动分类方法，包括以下步骤：1)利用网络爬虫从互联网爬取食物图像数据，人工筛选标签正确的食物图像归至InitialData数据集；2)使用InitialData训练FoodCNN卷积神经网络；3)利用网络爬虫开始对主流搜索引擎和图像分享网站中搜集大量目标分类的食物图像数据，同时定期执行步骤4；4)利用FoodCNN网络对数据筛选，将数据将分为CrawlData和NoisyData；5)使用扩充后数据CrawlData更新FoodCNN网络；6)判断NoisyData数据量是否合理，决定是否继续爬虫；7)停止爬虫，训练FoodFinalCNN。本发明正确率较高。
-
公开(公告)号：CN107563406B
公开(公告)日：2021-01-01
申请号：CN201710598711.7
申请日：2017-07-21
Applicant: 浙江工业大学
IPC: G06K9/62 , G06N3/04 , G06F16/953
Abstract: 一种自主学习的图像精细分类方法，包括以下步骤：1)人工采集对应需求标签的图像数据集，保存至强标签数据集，使用ImageNet数据集初始化卷积神经网络CNN参数；2)使用强标签数据集微调修正CNN；3)判断分类网络的优化趋势；4)判断网络分类精度是否达到了要求；5)利用网络爬虫从互联网爬取、人工采集与标签相关的图像数据和噪声数据保存至弱标签数据集；6)使用弱标签数据集调整滤波器的阈值；7)使用调整后的滤波器筛选数据保存至强标签数据集和噪声数据集；8)保存网络权重和滤波器参数。本发明训练得到的分类器的分类精度和鲁棒性都较高。
-
公开(公告)号：CN106529564B
公开(公告)日：2019-05-31
申请号：CN201610848398.3
申请日：2016-09-26
Applicant: 浙江工业大学
IPC: G06K9/62 , G06F16/951 , G06N3/02
Abstract: 一种基于卷积神经网络的食物图像自动分类方法，包括以下步骤：1)利用网络爬虫从互联网爬取食物图像数据，人工筛选标签正确的食物图像归至InitialData数据集；2)使用InitialData训练FoodCNN卷积神经网络；3)利用网络爬虫开始对主流搜索引擎和图像分享网站中搜集大量目标分类的食物图像数据，同时定期执行步骤4；4)利用FoodCNN网络对数据筛选，将数据将分为CrawlData和NoisyData；5)使用扩充后数据CrawlData更新FoodCNN网络；6)判断NoisyData数据量是否合理，决定是否继续爬虫；7)停止爬虫，训练FoodFinalCNN。本发明正确率较高。
-
公开(公告)号：CN106529568A
公开(公告)日：2017-03-22
申请号：CN201610886887.8
申请日：2016-10-11
Applicant: 浙江工业大学
CPC classification number: G06K9/6269 , G06N3/04
Abstract: 一种基于BP神经网络的珍珠多分类方法，包括以下步骤：1)获取珍珠图像作为样本数据；2)从样本数据中提取所需要的特征；3)将所提取的特征以及珍珠的类别标签作为训练数据，训练三个BP神经网络模型，提取待分类珍珠的特征，利用所训练的BP神经网络模型对其进行分类；4)筛选出步骤3)中分类结果置信度较低的珍珠，交由人工进行判断分类；5)筛选出步骤3)中分类结果置信度较高的珍珠，用这些珍珠的特征及类别标签更新BP神经网络模型。本发明根据实际厂家需求，提出相应人工提取特征的方法，应用BP神经网络实现对珍珠的分类，在实际应用中能不断更新BP神经网络模型，具有较高的识别率，可以部分代替手工分拣。
-
公开(公告)号：CN107665352A
公开(公告)日：2018-02-06
申请号：CN201710798611.9
申请日：2017-09-07
Applicant: 浙江工业大学
CPC classification number: G06K9/6267 , G06K9/40 , G06K9/6256 , G06N3/084
Abstract: 一种基于多通道残差网络的珍珠分类方法，包括以下步骤：训练阶段：1)获取珍珠的原始图像数据；2)对原始图像数据进行预处理；3)构建多通道残差网络并设置训练参数，将训练数据和标签数据输入网络训练网络参数；4)保存训练好的模型；分类阶段：5)获取待分类珍珠的原始图像数据；6)对原始图像数据进行预处理；7)利用训练阶段得到的珍珠分类模型对待分类珍珠进行分类。本发明构建了多通道残差网络，利用珍珠的多幅视图进行深度学习，充分发挥深度学习提取深层特征的优势，免去了繁琐的手工设计和提取特征的过程，并在多通道网络之间构建了连边，另外将残差模块引入网络结构中，使得网络具有更强的特征表达能力。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
