-
公开(公告)号：CN114241239B
公开(公告)日：2025-03-25
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 , G06N3/0464 , G06N3/088
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：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：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：CN113469273B
公开(公告)日：2023-12-05
申请号：CN202110816631.0
申请日：2021-07-20
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了基于双向生成及中间域对齐的无监督域适应图像分类方法，属于迁移学习领域。本发明通过采用双向生成网络，分别输入源域和目标域的图像将其生成对应伪目标域图像和伪源域图像，生成过程中由任务网络提供监督信息以指导图像生成质量，模型训练结束后，将伪源域图像与源域图像分别输入到分类网络中，通过相关距离度量，不断缩减伪源域与源域图像的分布差异，从而使得分类网络能够利用源域知识为目标域图像进行分类，相较于传统的域适应模型，本模型在提高模型泛化能力的同时，提高了模型的分类精度，既不会混淆域特有信息和域不变信息，从而导致负迁移的情况出现，又能够(56)对比文件Qing Tian 等.Unsupervised DomainAdaptation via bidirectional generationand middle domains alignment《.ELSEVIER》.2022,第102卷1-13.ANDREA ROSALES SANABRIA 等.Unsupervised Domain Adaptation inActivity Recognition: A GAN-BasedApproach《.IEEE Access》.2021,第9卷19421-19438.
-
公开(公告)号：CN113469273A
公开(公告)日：2021-10-01
申请号：CN202110816631.0
申请日：2021-07-20
Applicant: 南京信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了基于双向生成及中间域对齐的无监督域适应图像分类方法，属于迁移学习领域。本发明通过采用双向生成网络，分别输入源域和目标域的图像将其生成对应伪目标域图像和伪源域图像，生成过程中由任务网络提供监督信息以指导图像生成质量，模型训练结束后，将伪源域图像与源域图像分别输入到分类网络中，通过相关距离度量，不断缩减伪源域与源域图像的分布差异，从而使得分类网络能够利用源域知识为目标域图像进行分类，相较于传统的域适应模型，本模型在提高模型泛化能力的同时，提高了模型的分类精度，既不会混淆域特有信息和域不变信息，从而导致负迁移的情况出现，又能够使得生成的伪源域样本可以完全符合源域样本分布。
-
Patent Agency Ranking
公开(公告)号：CN114863175A
公开(公告)日：2022-08-05
申请号：CN202210505184.1
申请日：2022-05-10
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/74 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种无监督多源部分域适应图像分类方法，包括：对源域和目标域的每一个样本进行域不变特征和域私有特征的提取；采用最大平均差异度量以及条件分布差异度量计算源域和目标域样本分布的对齐程度，以缩小两者的分布差异，并由所得样本间欧式距离的度量结果在进行归一化处理后，计算平衡因子ω；将源域样本导入训练所得的分类器，根据概率标签对源域样本进行加权以降低无关类样本造成的负迁移；构建域分类器，进一步训练域私有特征提取器，使所得域私有特征更具判别性；计算总体损失，迭代更新优化模型参数。本发明能够解决域对齐任务和分类任务本身之间的优化不一致性问题以及部分域适应中无关类样本造成的负迁移问题。
-
公开(公告)号：CN119696049A
公开(公告)日：2025-03-25
申请号：CN202411738210.0
申请日：2024-11-29
Applicant: 中国电力科学研究院有限公司 , 国网宁夏电力有限公司 , 南京信息工程大学 , 国家电网有限公司
Inventor： 刘俊 , 蒙飞 , 夏旻 , 祁鑫 , 刘一峰 , 梁是 , 王勇 , 王礼文 , 潘玲玲 , 刘毅 , 孙知博 , 耿建 , 王运 , 孙阳 , 常鹏 , 杨宏 , 毛文博 , 徐鹏 , 郭晓蕊 , 周竞 , 汤必强
IPC: H02J3/46 , H02J3/00 , H02J3/06 , G06N3/042 , G06N3/0464
Abstract: 一种基于约束时空图神经网络的机组组合调度方法及相关装置，方法包括收集电网每天各时刻母线负荷数据与电力系统负荷数据；以每天为单位构建机组组合问题，在约束条件下求解得到对应的最优机组功率；使用滑动窗口，将母线负荷与对应的最优机组功率按照时段进行划分；基于扩充之后的训练数据集，将划分后的母线负荷作为输入数据，将对应的最优机组功率作为数据标签，训练预先建立的时空图神经网络模型；对需要预测的母线负荷数据按照时段进行划分，输入训练好的时空图神经网络模型，得到机组组合调度方案。本发明提高了基于数据驱动的机组组合方案求解精度，减少了调用求解器耗时以及计算量，构建线性约束层及后处理方法，完善了预测结果的可靠性。
-
公开(公告)号：CN114282602B
公开(公告)日：2025-01-07
申请号：CN202111484754.5
申请日：2021-12-07
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明公开了基于特征和标签空间动态对齐的域适应图像分类方法，包括如下步骤：(1)将源域图像和目标域图像输入到对抗无监督域适应模型，利用特征提取器提取高维特征，利用源域图像及对应标签训练分类器；(2)对高维特征的特征空间进行子域对齐，通过标签空间进行域对齐；(3)将域对齐之后高维特征输入到判别器进行域判别；(4)将判别之后的图像输入分类器，度量源域和目标域之间的子域分布距离，动态调整域适应与域判别之间的关系权重。本发明首次利用源域和目标域之间的子域分布距离，动态调整域适应与域判别之间的关系权重，让域适应能力和域判别能力达到平衡，以实现对目标域样本的精确标记工作，使得模型泛化能力更强。
-
公开(公告)号：CN114781647A
公开(公告)日：2022-07-22
申请号：CN202210377197.5
申请日：2022-04-11
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种区分简单与困难样本的无监督域适应方法，包括：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本；对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签；对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。本发明能够解决现有的域适应方法中对于目标域困难样本分类错误的问题。
-
公开(公告)号：CN114282602A
公开(公告)日：2022-04-05
申请号：CN202111484754.5
申请日：2021-12-07
Applicant: 南京信息工程大学
IPC: G06K9/62 , G06V10/764 , G06V10/774
Abstract: 本发明公开了基于特征和标签空间动态对齐的域适应图像分类方法，包括如下步骤：(1)将源域图像和目标域图像输入到对抗无监督域适应模型，利用特征提取器提取高维特征，利用源域图像及对应标签训练分类器；(2)对高维特征的特征空间进行子域对齐，通过标签空间进行域对齐；(3)将域对齐之后高维特征输入到判别器进行域判别；(4)将判别之后的图像输入分类器，度量源域和目标域之间的子域分布距离，动态调整域适应与域判别之间的关系权重。本发明首次利用源域和目标域之间的子域分布距离，动态调整域适应与域判别之间的关系权重，让域适应能力和域判别能力达到平衡，以实现对目标域样本的精确标记工作，使得模型泛化能力更强。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.01 seconds)
