-
公开(公告)号：CN107886169B
公开(公告)日：2021-02-12
申请号：CN201711124737.4
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于文本‑图像生成对抗网络模型的多尺度卷积核方法，包括以下步骤：S1、构造文本‑图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、在文本‑图像生成对抗网络模型中利用多尺度卷积对图像进行卷积操作；S5、将多尺度卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的文本‑图像生成对抗网络模型，通过多尺度卷积改变判别器、生成器接收图片后的卷积方式，从原来的针对单层图像通道只使用1个卷积核的操作转变为同时采用多个卷积核，使得整个网络能够在对单层图像通道卷积时学习到更多特征，提高了网络训练的效率。
-
公开(公告)号：CN107886169A
公开(公告)日：2018-04-06
申请号：CN201711124737.4
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/08 , G06K9/6256
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的多尺度卷积核方法，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、在文本-图像生成对抗网络模型中利用多尺度卷积对图像进行卷积操作；S5、将多尺度卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的文本-图像生成对抗网络模型，通过多尺度卷积改变判别器、生成器接收图片后的卷积方式，从原来的针对单层图像通道只使用1个卷积核的操作转变为同时采用多个卷积核，使得整个网络能够在对单层图像通道卷积时学习到更多特征，提高了网络训练的效率。
-
公开(公告)号：CN106709076A
公开(公告)日：2017-05-24
申请号：CN201710106305.4
申请日：2017-02-27
Applicant: 华南理工大学
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 本发明公开了一种基于协同过滤的社交网络推荐装置及方法，该推荐装置通过对社交网络中的用户行为数据和个人属性进行特征归类，根据用户的历史数据，不断学习用户的交友偏好，个性化的推荐不同的好友。相较于传统的基于人口统计学和基于内容的推荐装置相比，该推荐装置强调了用户之间的差异性，可针对用户的历史数据不断学习并革新推荐引擎，具有更强的鲁棒性。并且，利用协同过滤思想，更符合用户在真实社交场景中的交友情景，推荐的结果也会趋向于精确化。
-
公开(公告)号：CN112163492B
公开(公告)日：2023-09-08
申请号：CN202010995926.4
申请日：2020-09-21
Applicant: 华南理工大学
IPC: G06V20/58 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种长时跨场景优化的交通物体检测方法、系统及介质，其中方法包括以下步骤：获取训练集，根据训练集对网络模型进行训练，获得物体检测模型；获取图像数据，采用物体检测模型对图像数据进行检测，获得带有物体边框的图像作为检测结果；采用整图特征跨场景配准优化方法对物体检测模型进行在线优化，更新物体检测模型的网络参数，以使物体检测模型适应于不同的场景。本发明通过更新服务端的网络参数方法来提升环境变化带来的交通场景识别不准的问题，代替需要海量的带标签的多场景数据去训练一个自带泛化性能的物体检测器，从而提高训练效率，减少人工标注的代价以及上线前训练的损耗代价，可广泛应用于交通场景下物体检测领域。
-
公开(公告)号：CN110717512A
公开(公告)日：2020-01-21
申请号：CN201910836592.3
申请日：2019-09-05
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于结构保持零样本学习的鸟类濒危物种识别方法，包括如下步骤：数据输入步骤，输入数据集包括常见鸟类图像视觉特征、语义信息、标签信息等，以及鸟类濒危物种的语义信息；训练步骤，学习视觉特征空间到语义空间的双向映射，同时使用流形一致性对该映射作进一步的约束。将优化问题归结成Sylvester方程求解问题，求解过程简单易实现，求解的结果为映射矩阵P；预测步骤，利用训练步骤得到的映射矩阵P对给定语义信息的鸟类濒危物种图像做出识别。本发明保留了数据间的结构信息，解决了领域漂移的问题，提高了图像分类的精确度，使之能够应用到复杂的鸟类图像识别的问题中，并能够对没有已知标签信息的濒危物种进行识别。
-
Patent Agency Ranking
公开(公告)号：CN107943752A
公开(公告)日：2018-04-20
申请号：CN201711124688.4
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06F17/153 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的可变形卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、在文本-图像生成对抗网络模型中利用可变形卷积核对图像进行卷积操作；S5、将可变形卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于可变形卷积的文本-图像生成对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够以更大的范围对图像的特征进行学习，从而能够提高整个网络训练模型的鲁棒性。
-
公开(公告)号：CN110717512B
公开(公告)日：2023-04-07
申请号：CN201910836592.3
申请日：2019-09-05
Applicant: 华南理工大学
IPC: G06V10/764
Abstract: 本发明公开了一种基于结构保持零样本学习的鸟类濒危物种识别方法，包括如下步骤：数据输入步骤，输入数据集包括常见鸟类图像视觉特征、语义信息、标签信息等，以及鸟类濒危物种的语义信息；训练步骤，学习视觉特征空间到语义空间的双向映射，同时使用流形一致性对该映射作进一步的约束。将优化问题归结成Sylvester方程求解问题，求解过程简单易实现，求解的结果为映射矩阵P；预测步骤，利用训练步骤得到的映射矩阵P对给定语义信息的鸟类濒危物种图像做出识别。本发明保留了数据间的结构信息，解决了领域漂移的问题，提高了图像分类的精确度，使之能够应用到复杂的鸟类图像识别的问题中，并能够对没有已知标签信息的濒危物种进行识别。
-
公开(公告)号：CN110717513A
公开(公告)日：2020-01-21
申请号：CN201910836905.5
申请日：2019-09-05
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于多分类器的零样本深海生物图片分类方法，包括以下步骤：(1)图像特征数据导入，数据集由可见类别和不可见类别的视觉特征、语义及标签信息组成，以有标签的常见海洋生物种类为可见类别，以数据匮乏的深海生物种类为不可见类别；(2)类别具体分类器训练，利用可见类别数据训练，在保留流形结构的基础上，为不同类别建立不同的视觉语义映射，以提高可见类别的分类准确率；(3)不可见类别推断，通过将可见类别与不可见类别语义之间的权重进行迁移，使用可见类别的映射矩阵合成不可见类别的映射矩阵，根据距离得出不可见类别的标签。本发明在一定程度上降低了映射域漂移的影响，准确易行。
-
公开(公告)号：CN107862377A
公开(公告)日：2018-03-30
申请号：CN201711122564.2
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的分组卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、将卷积层分组，使卷积操作在多个GPU上同时进行；S5、将各个分组得到的特征图进行融合，更新损失函数，进行后续训练。本方法构建的文本-图像生成对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，对卷积进行了分组，使其在多个GPU中同时进行，最后将卷积的结果进行融合，从而大大地减少了参数量，提高了整个网络训练的效率。
-
公开(公告)号：CN106709076B
公开(公告)日：2023-09-29
申请号：CN201710106305.4
申请日：2017-02-27
Applicant: 华南理工大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/906 , G06Q50/00
Abstract: 本发明公开了一种基于协同过滤的社交网络推荐装置及方法，该推荐装置通过对社交网络中的用户行为数据和个人属性进行特征归类，根据用户的历史数据，不断学习用户的交友偏好，个性化的推荐不同的好友。相较于传统的基于人口统计学和基于内容的推荐装置相比，该推荐装置强调了用户之间的差异性，可针对用户的历史数据不断学习并革新推荐引擎，具有更强的鲁棒性。并且，利用协同过滤思想，更符合用户在真实社交场景中的交友情景，推荐的结果也会趋向于精确化。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.026 seconds)
