-
公开(公告)号：CN117765072A
公开(公告)日：2024-03-26
申请号：CN202311734708.5
申请日：2023-12-15
Applicant: 苏州大学
IPC: G06T7/73 , G06V10/80 , G06V10/764 , G06V10/766
Abstract: 本发明涉及一种基于点领域特征学习的目标定位与计数方法，包括将待检测图像输入骨干网络，提取包括顶层特征、中间层特征与底层特征的三级特征金字塔；将三级特征金字塔输入多层感知机模块中，捕捉其顶层特征的全局长距离依赖，获取全局信息特征；将三级特征金字塔输入视觉中心机制模块，聚合其顶层特征的局部区域特征，获取局部信息特征，与全局信息特征沿通道维度连接在一起，获取映射顶层特征后，与中间层特征和底层特征，构成映射三级特征金字塔，输入全局中心化调节模块，输出初始特征图至多感知模块，提取通道特征与空间特征进行拼接，获取多感知特征图后，经过回归头输出待检测图像的预测目标数，经过分类头输出待检测图像的预测目标定位。
-
公开(公告)号：CN112115359B
公开(公告)日：2023-10-31
申请号：CN202010974301.X
申请日：2020-09-16
Applicant: 苏州大学
IPC: G06F16/9535 , G06F16/9536 , G06Q30/0601
Abstract: 本发明公开了一种基于多阶近邻预测的推荐系统及方法，该系统包括：用户评分矩阵建立模块，用于根据用户集合和物品集合建立用户评分矩阵；相似度计算模块，用于计算任意两个用户之间的相似度；迭代近邻查找模块，用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；预测及推荐模块，用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。本发明基于多阶近邻预测的推荐系统及方法采用迭代查找的思想，使得该推荐系统和方法的预测评分更准确，有效性更高。
-
公开(公告)号：CN115329084A
公开(公告)日：2022-11-11
申请号：CN202211032809.3
申请日：2022-08-26
Applicant: 苏州大学
IPC: G06F16/35 , G06F16/335 , G06K9/62
Abstract: 本发明公开了一种基于稀疏线性在线学习的垃圾邮件分类方法及系统，方法包括：S1、利用随机傅里叶特征方法将特征化的电子邮件原始数据集映射为高维特征空间的训练样本，得到预处理后的训练样本集；S2、利用预处理后的训练样本集训练线性分类模型，并采用FTRL算法对模型参数进行更新，得到训练后的线性分类模型；S3、利用训练后的线性分类模型对电子邮件进行预测分类。本发明基于稀疏线性在线学习的垃圾邮件分类方法通过将特征化的电子邮件原始数据集映射为高维特征空间的训练样本，并在模型训练时采用FTRL算法对模型参数进行更新，在保留了线性分类模型快速高效特点的同时进一步取得了稀疏性，提升了分类准确率。
-
公开(公告)号：CN110084155B
公开(公告)日：2022-04-12
申请号：CN201910294403.4
申请日：2019-04-12
Applicant: 苏州大学
Abstract: 本发明公开了一种密集人群计数的方法、装置、设备以及计算机可读存储介质，包括：将待测试图像输入预先完成训练的目标残差多尺度卷积神经网络，其中，所述目标残差多尺度卷积神经网络中的两个预选卷积层之间设有残差单元；利用所述目标残差多尺度卷积神经网络对所述待测试图像进行处理，得到所述待测试图像的估计密度图并输出；依据所述目标估计密度图，确定所述待测试图像中的人数。本发明所提供的方法、装置、设备以及计算机可读存储介质，利用残差单元有效解决了网络的退化问题，从而有效降低了密级人群计数的误差。
-
公开(公告)号：CN112215290A
公开(公告)日：2021-01-12
申请号：CN202011110501.7
申请日：2020-10-16
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于Fisher得分的Q学习辅助数据分析方法及系统,包括：将待处理数据输入训练样本中，初始化Q值表；从所述训练样本中任意选择多个数据组成本轮迭代的片段，计算所述片段中每个特征类内距离和类间距离，初始化本轮训练特征子集，获得本轮学习率和更新概率；根据Q值表选择当前状态下的动作，更新Q值表及本轮子集状态；判断本轮子集是否已满，若未满，则返回上一步，若已满，则继续判断是否满足迭代次数，若未满，则返回第二步，若已满，进入下一步；根据Q值表获得当前排序，返回目标子集。本发明不但提升速度快、更加稳定，且具有更好的泛化性能，时间复杂度较低。
-
Patent Agency Ranking
公开(公告)号：CN111445339A
公开(公告)日：2020-07-24
申请号：CN202010312349.4
申请日：2020-04-20
Applicant: 苏州大学
Abstract: 本发明公开一种双线性注意力卷积神经网络限价单预测分析方法及系统。所述方法在卷积神经网络的基础上增加双线性注意力机制，加强网络对时间信息的关注；通过池化层和Dropout层减少模型参数数量防止过拟合现象的发生，减少了计算量。在网络训练过程的反向传播中，使用Adam算法计算并更新权重，优化传统梯度下降过程；通过损失函数L，优化更新模型的参数，从而优化双线性注意力卷积神经网络。与传统神经网络相比，本发明不仅提高了网络梯度下降的计算性能，而且提高了预测结果的准确率，能够捕捉到限价单中不同档的价格与成交量对未来趋势的影响。本发明所述系统包括数据预处理模块、网络训练模块和股票限价单趋势预测模块。
-
公开(公告)号：CN110930241A
公开(公告)日：2020-03-27
申请号：CN201911161204.2
申请日：2019-11-24
Applicant: 苏州大学
Abstract: 本申请公开了一种信用卡审批方法，包括：预先基于相关熵诱导损失函数，利用样本审批信息确定出目标判别模型；获取目标申请人的目标审批信息，并将目标审批信息输入至目标判别模型中，得到目标判别值；利用目标判别值确定出对应的审批结果。可见，由于相关熵诱导损失函数能够相对消除噪音特征对目标审批信息的影响，因此，本方法能够提高信用卡审批的准确度。本申请还公开了一种信用卡审批装置、设备及计算机可读存储介质，均具有上述有益效果。
-
公开(公告)号：CN106444653A
公开(公告)日：2017-02-22
申请号：CN201610696202.3
申请日：2016-08-19
Applicant: 苏州大学
IPC: G05B19/418
CPC classification number: Y02P90/02 , G05B19/41885 , G05B2219/31357
Abstract: 本发明公开了一种故障检测方法和系统，将工业过程中的已有训练数据集映射到非线性特征空间，生成映射后的训练样本数据集；将在所述工业过程中收集的数据映射到所述非线性特征空间，生成映射后的测试数据；根据所述训练样本数据集判断所述测试数据是否为故障数据。本申请提供的技术方案把工业过程中采集的数据经非线性映射投影到非线性特征空间，在非线性特征空间中利用训练样本数据集对测试数据进行高效的故障检测，可以提高对于故障的检测精度，能够获得更高的故障检测率。
-
公开(公告)号：CN103870848B
公开(公告)日：2017-02-15
申请号：CN201410128704.7
申请日：2014-04-01
Applicant: 苏州大学
IPC: G06K9/66
Abstract: 本发明提供了一种投影变换矩阵的获取方法、样本分类方法，投影变换矩阵的获取方法中使用训练样本的类别标签形成类别信息，并根据类别信息对训练样本进行分类得到同类样本和异类样本，并通过进一步的计算得到投影变换矩阵。本方法中由于类别标签能够准确的表示训练样本的类别，类别信息与类别标签是一一对应的，因此类别信息能够准确反应训练样本的类别，本方法中训练样本的类别信息是确定的不是通过计算得到的，因此通过类别信息对训练样本进行分类，不会出现分类出错的情况，因此本方法能够获得正确地投影变换矩阵，并很好地实现拉近同类之间距离，扩大异类之间距离的目的，进而使分类性能变好。
-
公开(公告)号：CN103870848A
公开(公告)日：2014-06-18
申请号：CN201410128704.7
申请日：2014-04-01
Applicant: 苏州大学
IPC: G06K9/66
Abstract: 本发明提供了一种投影变换矩阵的获取方法、样本分类方法，投影变换矩阵的获取方法中使用训练样本的类别标签形成类别信息，并根据类别信息对训练样本进行分类得到同类样本和异类样本，并通过进一步的计算得到投影变换矩阵。本方法中由于类别标签能够准确的表示训练样本的类别，类别信息与类别标签是一一对应的，因此类别信息能够准确反应训练样本的类别，本方法中训练样本的类别信息是确定的不是通过计算得到的，因此通过类别信息对训练样本进行分类，不会出现分类出错的情况，因此本方法能够获得正确地投影变换矩阵，并很好地实现拉近同类之间距离，扩大异类之间距离的目的，进而使分类性能变好。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.024 seconds)
