-
公开(公告)号：CN117726863A
公开(公告)日：2024-03-19
申请号：CN202311727382.3
申请日：2023-12-14
申请人： 中国矿业大学 , 江苏华深智星智能科技有限公司
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/084
摘要： 本发明公开了一种基于CGLOW全局优化的不平衡数据分类模型，属于不平衡数据分类的领域。为了解决实际工业中某些类样本难以获取，造成数据不平衡影响最终分类效果的问题，我们希望以生成的方式补充少数类的样本达到样本平衡，因此我们在可逆卷积生成流模型GLOW的基础上提出了一种条件控制的GLOW,即可以根据条件来生成各种类别的样本，针对不平衡数据集使用该模型生成更多的样本补充不平衡类别的数据，在此基础上建立了一套全局优化的模型框架，以resnet作为最终的分类器，借助resnet的特征提取能力，通过最终的分类损失引导CGLOW生成质量更高的样本，在整个训练过程中对CGLOW与resnet同时进行优化，为不平衡数据分类提供了一种端到端的解决方案。
-
公开(公告)号：CN116958783A
公开(公告)日：2023-10-27
申请号：CN202310916579.5
申请日：2023-07-24
申请人： 中国矿业大学
摘要： 本发明公开了基于深度残差二维随机配置网络的轻量型图像识别方法，涉及快速建模识别方法领域，包括以下步骤：S1：获取图像数据集；S2：逐层建立轻量型图像识别网络；S3：设置每层容差为建立新层的条件，并构建残差连接作为新层输入。本发明采用上述步骤，使用图像直接作为建模数据，保留图像的完整空间位置信息，引入深度残差随机配置神经网络，克服了单层网络学习能力不足和网络随着层数加深导致原始信息丢失的问题，并且在深度残差随机配置神经网络的层数和每层节点设置上，采用自适应算法设置，达到根据任务复杂度自动选择层数和每层节点数，克服了现有方法需要反复实验和先验经验来调整层数和节点数的缺点，大大提高了效率和实用性。
-
公开(公告)号：CN116958783B
公开(公告)日：2024-02-27
申请号：CN202310916579.5
申请日：2023-07-24
申请人： 中国矿业大学
摘要： 本发明公开了基于深度残差二维随机配置网络的轻量型图像识别方法，涉及快速建模识别方法领域，包括以下步骤：S1：获取图像数据集；S2：逐层建立轻量型图像识别网络；S3：设置每层容差为建立新层的条件，并构建残差连接作为新层输入。本发明采用上述步骤，使用图像直接作为建模数据，保留图像的完整空间位置信息，引入深度残差随机配置神经网络，克服了单层网络学习能力不足和网络随着层数加深导致原始信息丢失的问题，并且在深度残差随机配置神经网络的层数和每层节点设置上，采用自适应算法设置，达到根据任务复杂度自动选择层数和每层节点数，克服了现有方法需要反复实验和先验经验来调整层数和节点数的缺点，大大提高了效率和
-
公开(公告)号：CN117726863B
公开(公告)日：2024-09-20
申请号：CN202311727382.3
申请日：2023-12-14
申请人： 中国矿业大学 , 江苏华深智星智能科技有限公司
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/084
摘要： 本发明公开了一种基于CGLOW全局优化的不平衡数据分类模型，属于不平衡数据分类的领域。为了解决实际工业中某些类样本难以获取，造成数据不平衡影响最终分类效果的问题，我们希望以生成的方式补充少数类的样本达到样本平衡，因此我们在可逆卷积生成流模型GLOW的基础上提出了一种条件控制的GLOW,即可以根据条件来生成各种类别的样本，针对不平衡数据集使用该模型生成更多的样本补充不平衡类别的数据，在此基础上建立了一套全局优化的模型框架，以resnet作为最终的分类器，借助resnet的特征提取能力，通过最终的分类损失引导CGLOW生成质量更高的样本，在整个训练过程中对CGLOW与resnet同时进行优化，为不平衡数据分类提供了一种端到端的解决方案。
-
公开(公告)号：CN117892233B
公开(公告)日：2024-09-06
申请号：CN202410054663.5
申请日：2024-01-12
申请人： 中国矿业大学
IPC分类号： G06F18/2431 , G06F18/2415 , G06N3/047 , G06N3/0895
摘要： 本发明公开了一种基于多类别指数损失函数的不平衡数据软分类方法，步骤如下：加载不平衡数据类，并划分为训练集和测试集；根据样本权重Dm训练第m个弱学习器BLm；通过监督指标为BLm添加节点并计算当前样本权重下BLm的分类误差率errorm；若小于errorm‑1，则停止添加节点并计算BLm权重vm；更新样本权重Dm+1，开始BLm+1建模，若大于则继续添加节点，直到#imgabs0#满足预设误差，建模过程结束。本发明采用上述的一种基于多类别指数损失函数的不平衡数据软分类方法，基于信息熵更新和Softmax的增量式软分类网络作为基分类器，引入不平衡样本权重并基于多类别指数损失函数自适应添加基分类器，得到可输出概率分布的强分类网络。
-
公开(公告)号：CN117892233A
公开(公告)日：2024-04-16
申请号：CN202410054663.5
申请日：2024-01-12
申请人： 中国矿业大学
IPC分类号： G06F18/2431 , G06F18/2415 , G06N3/047 , G06N3/0895
摘要： 本发明公开了一种基于多类别指数损失函数的不平衡数据软分类方法，步骤如下：加载不平衡数据类，并划分为训练集和测试集；根据样本权重Dm训练第m个弱学习器BLm；通过监督指标为BLm添加节点并计算当前样本权重下BLm的分类误差率errorm；若小于errorm‑1，则停止添加节点并计算BLm权重vm；更新样本权重Dm+1，开始BLm+1建模，若大于则继续添加节点，直到#imgabs0#满足预设误差，建模过程结束。本发明采用上述的一种基于多类别指数损失函数的不平衡数据软分类方法，基于信息熵更新和Softmax的增量式软分类网络作为基分类器，引入不平衡样本权重并基于多类别指数损失函数自适应添加基分类器，得到可输出概率分布的强分类网络。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.025 秒)
