公开(公告)号：CN110232341B

公开(公告)日：2022-05-03

申请号：CN201910464739.0

申请日：2019-05-30

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  孔德松 ,  彭德光 ,  蔡军 ,  谢颖 ,  马伟昌 ,  李伟 ,  王婷 ,  闫振甫

IPC: G06V30/32 ,  G06V30/19 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40

Abstract: 本发明请求保护一种基于卷积‑堆叠降噪编码网络的半监督学习图像识别方法，结合有监督训练的卷积神经网络和无监督学习的堆叠降噪自动编码机提出一种半监督学习网络，以在样本量不足的情况下提取更具表达性的高维特征，训练出更好的网络参数。利用卷积神经网络对样本数据进行有监督训练，提取图像特征同时避免空间特征的破坏。再把训练得到的特征向量输入到堆叠降噪自动编码机进行无监督学习，实现进一步特征学习，降低小样本带来的训练困难，后基于多层人工神经网络进行分类实现。将模型用于HLC2000手写汉字数据集中的复杂字、中等字、简单字、相似字进行脱机手写汉字识别，实验结果表明该模型的平均识别率能达到97％以上，并且结果较为稳定。

公开(公告)号：CN112507898A

公开(公告)日：2021-03-16

申请号：CN202011467797.8

申请日：2020-12-14

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  闫振甫 ,  李洁 ,  彭德光 ,  彭江平 ,  郝博慧 ,  朱楚洪 ,  李鹏华

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明请求保护一种基于轻量3D残差网络和TCN的多模态动态手势识别方法。首先，对数据集中的原始视频进行采样，按照时间顺序排序保存；然后，使用大型的公开手势识别数据集对轻量3D残差网络进行预训练，并保存模型的权重文件；接着，使用RGB‑D图像序列作为输入，轻量3D残差网络和时间卷积网络作为基础模型进行长短期的时空特征的提取，并使用注意力机制加权融合多模态的信息。其中RGB和深度(Depth)序列分别输入相同的网络结构；最后，使用全连接层进行分类，采用交叉熵损失函数计算损失值，并使用准确率和F1Score作为网络模型的评估指标。本发明既可以达到较高的分类准确率，又具有参数量低的优点。

公开(公告)号：CN110232341A

公开(公告)日：2019-09-13

申请号：CN201910464739.0

申请日：2019-05-30

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  孔德松 ,  彭德光 ,  蔡军 ,  谢颖 ,  马伟昌 ,  李伟 ,  王婷 ,  闫振甫

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40

Abstract: 本发明请求保护一种基于卷积-堆叠降噪编码网络的半监督学习图像识别方法，结合有监督训练的卷积神经网络和无监督学习的堆叠降噪自动编码机提出一种半监督学习网络，以在样本量不足的情况下提取更具表达性的高维特征，训练出更好的网络参数。利用卷积神经网络对样本数据进行有监督训练，提取图像特征同时避免空间特征的破坏。再把训练得到的特征向量输入到堆叠降噪自动编码机进行无监督学习，实现进一步特征学习，降低小样本带来的训练困难，后基于多层人工神经网络进行分类实现。将模型用于HLC2000手写汉字数据集中的复杂字、中等字、简单字、相似字进行脱机手写汉字识别，实验结果表明该模型的平均识别率能达到97％以上，并且结果较为稳定。

公开(公告)号：CN112527959B

公开(公告)日：2023-05-30

申请号：CN202011443363.4

申请日：2020-12-11

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  郝博慧 ,  彭德光 ,  钟冰 ,  闫振甫 ,  王会明 ,  张璞

IPC: G06F16/33 ,  G06F16/35 ,  G06F40/216 ,  G06F40/289 ,  G06F40/30 ,  G06F18/241 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

公开(公告)号：CN112507898B

公开(公告)日：2022-07-01

申请号：CN202011467797.8

申请日：2020-12-14

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  闫振甫 ,  李洁 ,  彭德光 ,  彭江平 ,  郝博慧 ,  朱楚洪 ,  李鹏华

IPC: G06V40/10 ,  G06V40/20 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明请求保护一种基于轻量3D残差网络和TCN的多模态动态手势识别方法。首先，对数据集中的原始视频进行采样，按照时间顺序排序保存；然后，使用大型的公开手势识别数据集对轻量3D残差网络进行预训练，并保存模型的权重文件；接着，使用RGB‑D图像序列作为输入，轻量3D残差网络和时间卷积网络作为基础模型进行长短期的时空特征的提取，并使用注意力机制加权融合多模态的信息。其中RGB和深度(Depth)序列分别输入相同的网络结构；最后，使用全连接层进行分类，采用交叉熵损失函数计算损失值，并使用准确率和F1Score作为网络模型的评估指标。本发明既可以达到较高的分类准确率，又具有参数量低的优点。

公开(公告)号：CN112527959A

公开(公告)日：2021-03-19

申请号：CN202011443363.4

申请日：2020-12-11

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  郝博慧 ,  彭德光 ,  钟冰 ,  闫振甫 ,  王会明 ,  张璞

IPC: G06F16/33 ,  G06F16/35 ,  G06F40/216 ,  G06F40/289 ,  G06F40/30 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明请求保护一种基于无池化卷积嵌入和注意分布神经网络的新闻分类方法，它利用特征和权重作为分类过程中的关键因素。其机制是使用一种在嵌入层中进行卷积以提取局部特征，删除池化层以减少信息丢失，然后添加注意力机制以重新分配权重以从而获得文本的全局特征。该模型不仅捕获了文本的深刻特征，还捕获了新闻各部分的重要性。卷积神经网络(CNN)由于具有提取局部特征和位置不变特征的优势而在文本分类任务中发挥了重要作用。注意力机制由于其对文本上下文信息的提取，以及更加关注重要部分的特点，强化关键信息权重，两者结合有更强的特征提取能力。结合无池化CNN和全局注意力机制来处理新闻分类问题可以显著提高文本分类的准确率。