-
公开(公告)号：CN108805036B
公开(公告)日：2022-11-22
申请号：CN201810496579.3
申请日：2018-05-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种非监督视频语义提取方法，包括构建三维卷积神经网络模型，使用视频数据库中带标签视频数据集训练三维卷积神经网络模型；使用滑动窗口将视频数据库中不带标签视频数据处理成符合三维卷积神经网络输入的数据；使用该生成数据作为三维卷积神经网络模型的输入数据，取三维卷积神经网络模型全连接层的输出数据作为视频段的语义特征；使用该生成的视频段语义特征序列作为视频语义自编码器的输入，通过自编码器整合得到视频整体语义特征。本发明实施例通过结合三维卷积神经网络和循环自动编码器的方案，解决了非监督的视频语义分析与提取问题，提高了视频语义提取准确度。
-
公开(公告)号：CN109359608A
公开(公告)日：2019-02-19
申请号：CN201811250425.2
申请日：2018-10-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习模型的人脸识别方法，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。本发明改进了传统的卷积神经网络中的正则化项，提出了一种新的神经网络权重初始化的方法，能够显著提升人脸识别分类的效果。
-
公开(公告)号：CN107273445A
公开(公告)日：2017-10-20
申请号：CN201710385780.X
申请日：2017-05-26
Applicant: 电子科技大学
CPC classification number: G06F17/30303 , G06K9/6227 , G06K9/6256
Abstract: 本发明公开了一种大数据分析中缺失数据混合多重插值的装置和方法，以深度神经网络为基础模型，结合数据驱动的多阶段、多模型混合缺失数据填补方法，该模型鲁棒性更高，填补结果更准确，可以填补大数据分析中由于各种数据缺失模型而引起的不完整数据，本混合填补模型可控在数据缺失率15%以下，平均填补准确率在89%~99.95%之间。一种大数据分析中缺失数据混合多重插值的装置包括数据预处理模块、模型训练模块和数据填补模块；一种大数据分析中缺失数据混合多重插值的方法包括数据预处理、模型训练和数据填补。
-
公开(公告)号：CN106372114A
公开(公告)日：2017-02-01
申请号：CN201610707020.1
申请日：2016-08-23
Applicant: 电子科技大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于大数据的联机分析处理系统和方法，该系统能够在Hadoop环境下针对不同规模级别数据集进行快速多维查询分析。通过查询规划评估选择的查询计划包括支持Hive的MDX查询和基于Hbase预计算缓存机制的多维查询。实现可扩展集群节点上支持Hive数据仓库的MDX查询，基于Hbase预计算缓存机制的多维查询优化，满足不同规模级别数据集的低延迟多维查询需求，解决了单一数据源背景下不同OLAP数据组织模型的OLAP多维查询。针对大规模数据集上的Hive多维查询性能优化问题，提出一种构建基于Hbase缓存的分段逐层降维聚合算法。该算法把解决大规模数据多维查询计算的MOLAP带入了大数据OLAP系统中，极大增强了大数据背景下，不同规模级别数据多维查询的可扩展性和高效性。
-
公开(公告)号：CN110210468A
公开(公告)日：2019-09-06
申请号：CN201910459252.3
申请日：2019-05-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络特征融合迁移的文字识别方法，包括：构建源卷积特征提取器、训练源卷积特征提取器、构建基于源卷积特征提取器的目标卷积神经网络模型、训练目标卷积神经网络模型和输入图片进行文字识别。本发明通过分析卷积神经网络模型的特点提出了一种新的特征迁移方法，使得源特征生成器结构和目标网络结构可以灵活地进行定义，从而在文字图像识别应用中更具备鲁棒，解决了传统卷积网络特征迁移方法在特征迁移的网络模型构建过程中缺乏灵活性的问题。
-
Patent Agency Ranking
公开(公告)号：CN108681752A
公开(公告)日：2018-10-19
申请号：CN201810525276.X
申请日：2018-05-28
Applicant: 电子科技大学
CPC classification number: G06K9/6262 , G06N3/0454
Abstract: 本发明公开了一种基于深度学习的图像场景标注方法，包括场景图像数据集，构建卷积神经网络，训练模型，图像标注；所述场景图像数据集，用于训练和测试深度学习场景识别模型；所述构建卷积神经网络，构建用于场景识别的卷积神经网络的模型；所述训练模型，通过训练卷积神经网络，得到场景识别模型；所述图像标注，将模型识别图像得到图像的场景标注词。本发明解决了图像场景标注的不足，解决了图像场景标注的准确率。
-
公开(公告)号：CN108182427B
公开(公告)日：2021-12-14
申请号：CN201810093226.9
申请日：2018-01-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习模型和迁移学习的人脸识别方法，包括以下步骤：对源图像及目标图像进行预处理并设置对应标签，源图像数量为M，目标图像数量为N，M>N；建立分类器输出维度为M的源神经网络；基于源图像特征和标签构建源数据集并用源数据集对源神经网络进行训练，通过神经网络BP算法优化模型参数，得到源训练模型；建立分类器输出维度为N的目标神经网络并用源训练模型的参数对目标神经网络初始化；基于目标图像特征和标签构建目标数据集并用目标数据集对目标神经网络进行训练，通过动态选‑K更新算法进行梯度下降优化模型参数，得到目标训练模型；通过目标训练模型进行图像识别；本发明提高了人脸识别模型的准确性和鲁棒性。
-
公开(公告)号：CN109359608B
公开(公告)日：2021-10-19
申请号：CN201811250425.2
申请日：2018-10-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习模型的人脸识别方法，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。本发明改进了传统的卷积神经网络中的正则化项，提出了一种新的神经网络权重初始化的方法，能够显著提升人脸识别分类的效果。
-
公开(公告)号：CN107222472A
公开(公告)日：2017-09-29
申请号：CN201710384599.7
申请日：2017-05-26
Applicant: 电子科技大学
CPC classification number: H04L63/1425 , G06F17/30194
Abstract: 本发明公开了一种Hadoop集群下的用户行为异常检测方法，该方法通过采集和分析用户行为数据，以日志形式记录下来，根据用户的行为特征形成特征向量，利用并行主成分分析算法处理特征向量集，高效的获得用户的行为模式，通过与历史模式对比发现用户在访问HDFS时产生的异常行为问题，同时发现Hadoop集群下隐藏的安全威胁，达到保障HDFS安全的效果。本发明不仅对用户的数据访问行为建立有效的监控，及时的发现异常行为，保障Hadoop集群的数据安全，还通过并行化主成分分析算法提高模型训练效率，解决传统模型训练效率低的问题。
-
公开(公告)号：CN108681752B
公开(公告)日：2023-08-15
申请号：CN201810525276.X
申请日：2018-05-28
Applicant: 电子科技大学
IPC: G06V10/776 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于深度学习的图像场景标注方法，包括场景图像数据集，构建卷积神经网络，训练模型，图像标注；所述场景图像数据集，用于训练和测试深度学习场景识别模型；所述构建卷积神经网络，构建用于场景识别的卷积神经网络的模型；所述训练模型，通过训练卷积神经网络，得到场景识别模型；所述图像标注，将模型识别图像得到图像的场景标注词。本发明解决了图像场景标注的不足，解决了图像场景标注的准确率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.014 seconds)
