公开(公告)号：CN114120041B

公开(公告)日：2024-05-17

申请号：CN202111432553.0

申请日：2021-11-29

Applicant: 暨南大学 ,  中通服建设有限公司

Inventor： 邓玉辉 ,  陈萍 ,  刘艺彬

IPC: G06V10/764

Abstract: 本发明公开了一种基于双对抗变分自编码器的小样本分类方法，解决现有分类方法在小样本下网络难以训练、准确率较低的问题。该分类方法包括：数据预处理，对目标数据集进行清洗、填充和归一化；模型设计与优化步骤，利用VAE和GAN设计相应的网络结构，并针对过拟合和训练产生震荡等问题进行模型的优化；模型训练步骤，利用小样本数据集对模型进行训练，进而获得网络模型权重；模型预测步骤，输入测试集对模型进行预测，对比现有的一些经典深度学习分类方法，验证本发明的有效性。本发明公开的方法中构建的模型能够在小样本情况下实现数据增强，并且能够提取有效特征从而提高分类的准确率，普遍适用于不同类型的分类任务。

公开(公告)号：CN114897180A

公开(公告)日：2022-08-12

申请号：CN202210491986.1

申请日：2022-05-06

Applicant: 暨南大学

Inventor： 邓玉辉 ,  陈萍

IPC: G06N20/00 ,  G06N3/00 ,  G06V10/764 ,  G06K9/62

Abstract: 本发明公开了一种基于加权深度森林的小样本数据分类方法，解决现有分类方法在小样本数据下难以进行表征学习、无法正确分类的问题。该分类方法包括：数据预处理，对待分类数据进行清洗、填充和归一化；模型构建，为解决深度森林模型存在的问题，构建基于加权深度森林的小样本数据分类模型；模型训练，利用小样本数据集对模型进行训练，获得最优基于加权深度森林的小样本数据分类模型；模型预测，将真实待分类数据输入训练得到的模型，得到分类结果。对比其他较流行的机器学习分类方法，验证本发明的有效性。本发明公开的方法中构建的模型，适用于不同类型的小样本数据分类任务，与深度神经网络相比，训练速度更快，分类效果更好。

公开(公告)号：CN114120041A

公开(公告)日：2022-03-01

申请号：CN202111432553.0

申请日：2021-11-29

Applicant: 暨南大学 ,  中通服建设有限公司

Inventor： 邓玉辉 ,  陈萍 ,  刘艺彬

IPC: G06V10/764

Abstract: 本发明公开了一种基于双对抗变分自编码器的小样本分类方法，解决现有分类方法在小样本下网络难以训练、准确率较低的问题。该分类方法包括：数据预处理，对目标数据集进行清洗、填充和归一化；模型设计与优化步骤，利用VAE和GAN设计相应的网络结构，并针对过拟合和训练产生震荡等问题进行模型的优化；模型训练步骤，利用小样本数据集对模型进行训练，进而获得网络模型权重；模型预测步骤，输入测试集对模型进行预测，对比现有的一些经典深度学习分类方法，验证本发明的有效性。本发明公开的方法中构建的模型能够在小样本情况下实现数据增强，并且能够提取有效特征从而提高分类的准确率，普遍适用于不同类型的分类任务。