-
公开(公告)号：CN108805167B
公开(公告)日：2022-05-13
申请号：CN201810417793.5
申请日：2018-05-04
Applicant: 江南大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明提供一种基于Laplace函数约束的稀疏深度置信网络图像分类方法，属于图像处理、深度学习领域。该方法首先基于对灵长类视觉皮层分析的启发，在无监督阶段似然函数中引入惩罚正则项，使用CD算法最大化目标函数的同时，通过Lapalce稀疏约束获得训练集的稀疏分布，可以使无标签数据学习到直观的特征表示。其次，提出一种改进的稀疏深度信念网络，使用拉普拉斯分布诱导隐含层节点的稀疏状态，同时将该分布中的尺度参数用来控制稀疏的力度。最后使用随机梯度下降法对LSDBN网络的参数进行训练学习。本发明所提的方法即使每类在样本很少的情况下，始终达到最好的识别准确度，并且具有良好的稀疏性能。
-
公开(公告)号：CN108805167A
公开(公告)日：2018-11-13
申请号：CN201810417793.5
申请日：2018-05-04
Applicant: 江南大学
CPC classification number: G06K9/6256 , G06K9/6268 , G06K9/6278 , G06N3/0454
Abstract: 本发明提供一种基于Laplace函数约束的稀疏深度置信网络图像分类方法，属于图像处理、深度学习领域。该方法首先基于对灵长类视觉皮层分析的启发，在无监督阶段似然函数中引入惩罚正则项，使用CD算法最大化目标函数的同时，通过Lapalce稀疏约束获得训练集的稀疏分布，可以使无标签数据学习到直观的特征表示。其次，提出一种改进的稀疏深度信念网络，使用拉普拉斯分布诱导隐含层节点的稀疏状态，同时将该分布中的尺度参数用来控制稀疏的力度。最后使用随机梯度下降法对LSDBN网络的参数进行训练学习。本发明所提的方法即使每类在样本很少的情况下，始终达到最好的识别准确度，并且具有良好的稀疏性能。
-
公开(公告)号：CN110020437B
公开(公告)日：2023-04-07
申请号：CN201910287517.6
申请日：2019-04-11
Applicant: 江南大学
IPC: G06F40/205 , G06F16/951 , H04N21/488
Abstract: 本发明提供一种视频和弹幕相结合的情感分析及可视化方法，属于自然语言处理和图像处理领域。该方法首先利用爬虫爬取视频和弹幕数据；然后对爬取的数据进行预处理；随后训练Faster R‑CNN模型，识别物体并标注情感值，之后匹配情感词、程度副词、颜文字、否定词、计算弹幕情感值，最后结合视频物体情感值、弹幕情感值计算“情感值(S(t))‑时间(t)”的关系趋势图。本方法适用于各类主题的网络视频弹幕，可用于分析整体或局部不同细粒度的内容情感取向，得出整个视频的情感曲线图。对于网络视频弹幕内容结构多样、符号复杂难处理的问题，本发明还提出了一种网络视频弹幕规范化处理方法。
-
Patent Agency Ranking
公开(公告)号：CN109146007A
公开(公告)日：2019-01-04
申请号：CN201810768405.8
申请日：2018-07-13
Applicant: 江南大学
Abstract: 本发明提出一种基于动态深度置信网络的固体废弃物智能处理方法，属于深度学习、固体废弃物智能处理领域。该方法首先提出一种使用动态增减枝算法的DDBN，使DDBN在训练过程中根据当前训练情况增加隐藏层神经元和隐藏层，以及移除冗余神经元，有效的优化DDBN的网络结构。然后，利用DDBN能有效提取原始数据主要特征的优势，使用DDBN对固体废弃物随机、离散、非线性的特征向量进行有效的状态描述，使时间序列的状态特征更加易于鉴别，并确保不丢失原始数据的主要信息。同时，根据提取到的固体废弃物的状态描述，利用DDBN预测适合其状态的优化燃烧行为，减少了盲目燃烧行为对资源的浪费，实现对固体废弃物的智能处理。
-
公开(公告)号：CN108734116B
公开(公告)日：2021-12-03
申请号：CN201810419434.3
申请日：2018-05-04
Applicant: 江南大学
Abstract: 本发明提供一种基于变速学习深度自编码网络的人脸识别方法，属于深度神经网络的模式识别领域。该方法包括以下内容：图像包括训练图像和待识别图像，首先对训练图像进行预处理得到归一化数据；其次将预处理后的训练数据输入深度自编码网络，通过变速学习策略指导深度自编码网络的逐层预训练，然后在网络顶层上添加分类器，通过微调进一步优化网络获得识别模型，针对预处理后的待识别人脸图像进行识别，输出识别结果，并统计识别率。本发明的模型充分利用了深度自编码网络发现数据本质特征的能力，同时加快了特征学习速度和网络的收敛速度，得到较优的识别性能。
-
公开(公告)号：CN109146007B
公开(公告)日：2021-08-27
申请号：CN201810768405.8
申请日：2018-07-13
Applicant: 江南大学
Abstract: 本发明提出一种基于动态深度置信网络的固体废弃物智能处理方法，属于深度学习、固体废弃物智能处理领域。该方法首先提出一种使用动态增减枝算法的DDBN，使DDBN在训练过程中根据当前训练情况增加隐藏层神经元和隐藏层，以及移除冗余神经元，有效的优化DDBN的网络结构。然后，利用DDBN能有效提取原始数据主要特征的优势，使用DDBN对固体废弃物随机、离散、非线性的特征向量进行有效的状态描述，使时间序列的状态特征更加易于鉴别，并确保不丢失原始数据的主要信息。同时，根据提取到的固体废弃物的状态描述，利用DDBN预测适合其状态的优化燃烧行为，减少了盲目燃烧行为对资源的浪费，实现对固体废弃物的智能处理。
-
公开(公告)号：CN110020437A
公开(公告)日：2019-07-16
申请号：CN201910287517.6
申请日：2019-04-11
Applicant: 江南大学
IPC: G06F17/27 , G06F16/951 , H04N21/488
Abstract: 本发明提供一种视频和弹幕相结合的情感分析及可视化方法，属于自然语言处理和图像处理领域。该方法首先利用爬虫爬取视频和弹幕数据；然后对爬取的数据进行预处理；随后训练Faster R-CNN模型，识别物体并标注情感值，之后匹配情感词、程度副词、颜文字、否定词、计算弹幕情感值，最后结合视频物体情感值、弹幕情感值计算“情感值(S(t))-时间(t)”的关系趋势图。本方法适用于各类主题的网络视频弹幕，可用于分析整体或局部不同细粒度的内容情感取向，得出整个视频的情感曲线图。对于网络视频弹幕内容结构多样、符号复杂难处理的问题，本发明还提出了一种网络视频弹幕规范化处理方法。
-
公开(公告)号：CN108734116A
公开(公告)日：2018-11-02
申请号：CN201810419434.3
申请日：2018-05-04
Applicant: 江南大学
Abstract: 本发明提供一种基于变速学习深度自编码网络的人脸识别方法，属于深度神经网络的模式识别领域。该方法包括以下内容：图像包括训练图像和待识别图像，首先对训练图像进行预处理得到归一化数据；其次将预处理后的训练数据输入深度自编码网络，通过变速学习策略指导深度自编码网络的逐层预训练，然后在网络顶层上添加分类器，通过微调进一步优化网络获得识别模型，针对预处理后的待识别人脸图像进行识别，输出识别结果，并统计识别率。本发明的模型充分利用了深度自编码网络发现数据本质特征的能力，同时加快了特征学习速度和网络的收敛速度，得到较优的识别性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
