-
公开(公告)号：CN116628559B
公开(公告)日：2023-11-10
申请号：CN202310892172.3
申请日：2023-07-20
申请人： 南方海洋科学与工程广东省实验室(广州) , 大连理工大学
摘要： 本发明公开了一种水下大数据计算综合实验分类系统、分类模型的训练方法，训练方法包括步骤：获取水下目标的多模态信息，并进行特征提取和训练，对分类网络模型的网络参数进行更新，并计算多模态融合相似度，根据多模态融合相似度，确定目标函数，再对贡献权重和更新的网络参数进行更新，直至训练完成时，将分类网络模型作为水下大数据计算综合实验分类模型。本发明通过融合多模态相似度嵌入目标函数，使采集的多源多模态水下数据目标类别可从多维度充分学习特征知识，进而泛化卷积神经网络对特定数据的强感知能力，全方位锚定特征，抑制局部特征的负面影响，从而提高水下目标分类时准确性。
-
公开(公告)号：CN112464005A
公开(公告)日：2021-03-09
申请号：CN202011343296.9
申请日：2020-11-26
申请人： 大连理工大学
摘要： 本发明提出了一种深度强化图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练编解码网络，初始化潜在特征空间；2)采用传统K‑means方法在潜在特征空间对聚类质心初始化，并为各质心分配伯努利‑逻辑斯蒂单元；3)计算该点与单元间的逻辑回归参数和伯努利分布；4)利用奖励回归策略动态分配临时奖赏，联合辅助目标分布计算各质心运动轨迹；5)计算权重，迭代优化聚类单元直至满足收敛条件，完成深度强化图像聚类过程。本发明同时基于强化学习思想以奖励回归策略联合利用潜在特征表示和调整聚类质心，充分将全部聚类信息尤其是临近区域聚类信息作用于聚类分析的过程中，在环境与行为的交互中有效的改善聚类模糊的问题，有效提升聚类性能。
-
公开(公告)号：CN113610139A
公开(公告)日：2021-11-05
申请号：CN202110879412.7
申请日：2021-08-02
申请人： 大连理工大学
IPC分类号： G06K9/62
摘要： 本发明提出一种多视角强化图像聚类方法，属于图像聚类与强化学习领域，包括：1)预训练各视角独立的特征提取网络，初始化各视角的潜在特征空间；2)预训练多视角特征融合网络，初始化各视角的融合特征空间；3)采用K‑means方法初始化聚类环境，并为环境中的聚类原型分配伯努利单元；4)利用在线奖赏策略实时分配随机奖赏，动态更新环境中的伯努利单元；5)更新参数，迭代优化聚类原型直到满足收敛条件，完成多视角强化聚类过程。本发明采用在线奖赏策略联合学习融合表征和调整集群，充分将视角间的互补信息以及样本与聚类原型间的交互信息作用于聚类分析的过程中，有效提升聚类性能。
-
公开(公告)号：CN113094566A
公开(公告)日：2021-07-09
申请号：CN202110409134.9
申请日：2021-04-16
申请人： 大连理工大学
IPC分类号： G06F16/906
摘要： 一种深度对抗多模态数据聚类方法，构建模态编码网络、模态融合网络、模态生成器和模态融合判别器。首先，模型将数据的每个模态通过对应的模态编码网络映射到深度特征空间，学习各模态私有的深度特征。然后，模态融合网络学习各模态私有特征，获取带有模态扰动的融合特征。最后，模态生成器利用融合特征生成样本，模态融合判别器判断样本的真伪，两者通过生成对抗的策略拟合数据分布。相应设计对抗循环一致聚类损失函数指导模型的训练，其包含循环一致损失函数、跨模态对抗损失函数和聚类嵌入损失函数。本发明中的深度对抗多模态数据聚类方法学习数据的融合特征，挖掘数据的内在规律；能够有效提取多模态数据中隐藏的语义一致性信息，提高多模态数据聚类的性能。
-
公开(公告)号：CN112464005B
公开(公告)日：2021-12-03
申请号：CN202011343296.9
申请日：2020-11-26
申请人： 大连理工大学
摘要： 本发明提出了一种深度强化图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练编解码网络，初始化潜在特征空间；2)采用传统K‑means方法在潜在特征空间对聚类质心初始化，并为各质心分配伯努利‑逻辑斯蒂单元；3)计算该点与单元间的逻辑回归参数和伯努利分布；4)利用奖励回归策略动态分配临时奖赏，联合辅助目标分布计算各质心运动轨迹；5)计算权重，迭代优化聚类单元直至满足收敛条件，完成深度强化图像聚类过程。本发明同时基于强化学习思想以奖励回归策略联合利用潜在特征表示和调整聚类质心，充分将全部聚类信息尤其是临近区域聚类信息作用于聚类分析的过程中，在环境与行为的交互中有效的改善聚类模糊的问题，有效提升聚类性能。
-
公开(公告)号：CN112464004A
公开(公告)日：2021-03-09
申请号：CN202011343290.1
申请日：2020-11-26
申请人： 大连理工大学
摘要： 本发明公开了一种多视角深度生成图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练各视角独立的编解码网络，发现各视角潜在特征空间；2)预训练多视角特征融合编解码网络，发现多视角融合特征空间；3)随机初始化高斯混合模型参数；4)计算数据样本由某一子高斯模型生成的概率作为图像聚类结果，生成聚类损失，计算高斯混合模型参数更新值，更新参数直到收敛。本发明针对图像数据设计了一种多视角深度生成图像聚类方法，主要考虑利用多视角图像数据中的互补信息优化特征的学习，提高图像聚类和特征学习效果，并为此设计一种多视角特征融合策略，端到端地融合多个视角中的数据信息，该策略可以有效提高多视角数据信息的利用率，提高图像聚类算法性能。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.064 秒)
