-
公开(公告)号：CN118196600A
公开(公告)日：2024-06-14
申请号：CN202410615399.8
申请日：2024-05-17
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/006
Abstract: 本发明提供了基于差分进化算法的神经架构搜索方法和系统，所述方法首先定义了一个搜索空间，将所有候选操作糅合在一起构建超网，并使用连续数值进行编码。接着，利用训练数据及其标签来训练超网的网络权重。然后，我为超网内的每个子网设计了唯一的编码方式，并直接从超网获得网络权重。随后，使用差分进化算法优化子网的编码。最后，交替执行超网的网络权重优化和子网的编码优化。与使用梯度下降方法和遗传算法优化子网编码的方式不同，本发明的差分进化算法能够更充分地利用连续编码的矢量化信息。这种方法相比传统的优化方法具有更高的效率和更好的搜索性能，能够更快地找到适合任务的最优神经网络架构。
-
公开(公告)号：CN116843015A
公开(公告)日：2023-10-03
申请号：CN202310832565.5
申请日：2023-07-08
Applicant: 南京信息工程大学
IPC: G06N3/09 , G06F18/23 , G06F18/241 , G06F18/22
Abstract: 本发明公开了一种多类中心动态对比学习方法及系统，涉及无监督域适应行人重识别技术领域，方法包括以下步骤：接收源域数据集，将源域数据集输入至预先建立的跨域行人重识别的源模型内，得到源模型和权重文件；加载源模型和权重文件，得到平均模型和原模型，利用平均模型提取目标域样本特征，利用目标域样本特征进行多类中心聚类，得到样本伪标签和多类中心；利用平均模型提取当前批次样本特征，计算当前批次样本特征与多类中心的相似概率，利用相似概率对样本伪标签进行优化，得到动态伪标签；利用动态伪标签计算得出动态对比损失，将损失输入原模型内进行监督训练至原模型收敛，利用原模型参数动量更新平均模型参数，得到性能最好的平均模型。
-
公开(公告)号：CN116311356A
公开(公告)日：2023-06-23
申请号：CN202310115089.5
申请日：2023-02-15
Applicant: 南京信息工程大学
IPC: G06V40/10 , G06V10/764 , G06V10/30 , G06V10/774 , G06V10/44
Abstract: 本发明提供一种用于无监督域适应行人重识别的噪声标签修正方法，涉及无监督域适应行人重识别领域。该用于无监督域适应行人重识别的噪声标签修正方法，利用源域数据集及其对应的标签来训练源模型；利用基于聚类的无监督域适应行人重识别方法对源模型进行微调，利用本文提出的噪声标签修正框架对微调后的域适应模型进行噪声标签修正。相比于以往的噪声标签修正方法，本方法利用噪声标签矫正器将噪声标签做变量处理，并通过反向传播来更新概率标签变量，在更新变量的同时逐渐纠正噪声标签。本方法可以显著提高模型性能，且是一种即插即用的噪声修正方法。
-
公开(公告)号：CN114241239A
公开(公告)日：2022-03-25
申请号：CN202111522633.5
申请日：2021-12-13
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/77 , G06V10/56 , G06V10/60 , G06V10/75 , G06V10/774 , G06V10/776 , G06V10/762 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于流形学习的无监督预适应图像分类方法，该方法旨在构建图像分类模型，然后应用图像分类模型，完成待分类图像的分类，该方法包括以下步骤：1.构建图像样本集；2.构建特征提取网络；3.基于流形学习网络，构建特征向量降维网络；4.基于高阶信息匹配网络，构建分类器网络；5.构建源域图像样本的判别性损失模型、目标域图像样本的聚类损失模型、流形一致性损失模型、高阶张量匹配损失模型；6.引入交叉熵损失，获得最终损失模型；7.针对图像分类待训练模型进行训练，获得图像分类模型；该方法结合流形学习网络和高阶信息匹配网络，提取出的图像特征不仅有很好的迁移性，而且兼具很强的判别性，具有更高的分类准确率。
-
公开(公告)号：CN109299701B
公开(公告)日：2021-12-14
申请号：CN201811195416.8
申请日：2018-10-15
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于GAN扩充多人种特征协同选择的人脸年龄估计方法，先通过生成式对抗网络进行多风格人脸样本的模拟生成，来快速地大规模地扩充不同人种的人脸库，从而提高对黄色、棕色等人种年龄信息识别的精度。然后利用卷积神经网络对原有数据集进行预训练，接着基于扩充得到的人脸年龄数据库进行进一步的精训练。最后将四个人种的Sub‑CNN进行基于组稀疏算法的联合特征选择融合，以此来解决基于人脸图像的年龄估计问题。本发明得到了更具泛化能力的人脸年龄估计模型，同时也能大大提高很多年龄人脸识别系统的性能，弥补了以往研究的不足之处。
-
Patent Agency Ranking
公开(公告)号：CN113610105A
公开(公告)日：2021-11-05
申请号：CN202110743656.2
申请日：2021-07-01
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于动态加权学习和元学习的无监督域适应图像分类方法，属于迁移学习中的域适应领域。其包括以下步骤:步骤1)样本加权；步骤2)构造动态平衡因子：采用最大平均差异(MMD)计算源域和目标域数据分布对齐程度，采用线性判别分析(LDA)计算源域和目标域的可判别性，对这两个估计值进行归一化处理，计算平衡因子τ；步骤3)计算域对齐损失：将域对齐任务放在元训练中，计算域对齐损失，更新网络参数；步骤4)计算分类损失，更新模型参数。该方法通过对样本加权、动态调整域对齐损失和分类损失的权重、通过元学习计算域对齐损失和分类损失优化网络模型参数，促进域对齐任务和分类任务之间的优化一致性。
-
公开(公告)号：CN110737769A
公开(公告)日：2020-01-31
申请号：CN201910999118.2
申请日：2019-10-21
Applicant: 南京信息工程大学
IPC: G06F16/34 , G06F40/289 , G06N3/04
Abstract: 本发明公开了一种基于神经主题记忆的预训练文本摘要生成方法，根据完整的输入序列，使用BERT预训练的上下文建模能力，对序列进行编码，完成文本嵌入；将输出的序列表示，使用主题记忆网络编码潜在的主题表示；根据主题表示、推理与经过编码的序列表示进行匹配，形成最终编码表示，再使用解码器来生成初步输出序列；将输出的序列中每一个单词进行掩码喂入BERT并结合输入序列，使用基于transformer和LSTM的解码器来预测每个掩码位置的细化单词，实现微调。本发明通过双向上下文的BERT和LSTM层进行特征的深层捕捉，喂入掩码后的摘要，对参数进行微调，细化每一个摘要单词，使得生成更加流畅、信息量高的文本摘要。
-
公开(公告)号：CN109947960A
公开(公告)日：2019-06-28
申请号：CN201910173989.9
申请日：2019-03-08
Applicant: 南京信息工程大学
IPC: G06F16/51 , G06F16/583 , G06N3/04
Abstract: 本发明公开了一种基于深度卷积的人脸多属性联合估计模型构建方法，包括根据将不同数据库的人脸图像进行必要的归一化之后同时输入进行特征提取；利用不同的颜色空间体现图片不同颜色通道特征，利用不同特征算法对同一张人脸进行底层手动特征刻画；对深度卷积网络近全连接层的若干卷积层的卷积核参数以及全连接层的输出向量进行2范数距离的最小化约束，并在全连接层的损失函数中引入全连接层的均值和方差。本发明采用混合数据集，实现样本标记空间的完善，通过不同特征刻画能力的互补减小不同通道全连接层之间的特征表达差异，增大相关性，增强模型的泛化能力。
-
公开(公告)号：CN109299701A
公开(公告)日：2019-02-01
申请号：CN201811195416.8
申请日：2018-10-15
Applicant: 南京信息工程大学
CPC classification number: G06K9/00221 , G06K9/00268 , G06K9/6256 , G06K2009/00322
Abstract: 本发明公开了一种基于GAN扩充多人种特征协同选择的人脸年龄估计方法，先通过生成式对抗网络进行多风格人脸样本的模拟生成，来快速地大规模地扩充不同人种的人脸库，从而提高对黄色、棕色等人种年龄信息识别的精度。然后利用卷积神经网络对原有数据集进行预训练，接着基于扩充得到的人脸年龄数据库进行进一步的精训练。最后将四个人种的Sub-CNN进行基于组稀疏算法的联合特征选择融合，以此来解决基于人脸图像的年龄估计问题。本发明得到了更具泛化能力的人脸年龄估计模型，同时也能大大提高很多年龄人脸识别系统的性能，弥补了以往研究的不足之处。
-
公开(公告)号：CN108615226A
公开(公告)日：2018-10-02
申请号：CN201810348324.2
申请日：2018-04-18
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于生成式对抗网络的图像去雾方法，采用HOG特征提取方式和加入先验信息的去噪方式，提出依托环境雾霾浓度数据变化而变化的损失函数，从而选择整体最优的解决途径，在很大程度上解决了颜色的偏移等问题，同时防止图像过度去雾化，在尽可能得到清晰结果和降低复杂度之间寻找一种平衡；在一定程度上解决了先验信息制约算法适用范围的问题。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.032 seconds)
