-
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：CN112465118A
公开(公告)日：2021-03-09
申请号：CN202011343299.2
申请日：2020-11-26
申请人： 大连理工大学
摘要： 一种面向医学影像生成的低秩生成式对抗网络构建方法，属于深度学习领域，构建步骤为：1)利用主成分模式近似GAN模型中的全秩卷积操作，基于张量CP分解的计算规则构建低秩卷积操作；2)利用步骤1的低秩卷积操作，构建低秩维度卷积层和低秩通道卷积层代替全秩卷积层，在低秩卷积层间添加ReLU激活函数和批正则化项，调整低秩卷积层的数据分布，设计低秩生成模型；3)融合低秩生成模型和全秩判别模型，构建完整的医学影像低秩生成式对抗网络。本发明提出的方法具有如下效果：该低秩生成对抗方法在医学影像生成任务中有效地降低了FLOPs、内存及显存和空间的占用等计算资源，同时，具有良好的生成效果。
-
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。
-
公开(公告)号：CN110097112A
公开(公告)日：2019-08-06
申请号：CN201910342717.7
申请日：2019-04-26
申请人： 大连理工大学
IPC分类号： G06K9/62
摘要： 一种基于重构图的图学习模型，属于图像标注领域，包括以下步骤：通过改进最近邻算法，寻找测试图像的语义最近邻、对其构造相似矩阵，并通过随机点积图对图像进行聚类，挖掘其内部联系，得到加权相似矩阵，然后使用图学习算法获取初步图像标注结果。利用标签之间的关系进行标注，在这个过程中考虑标签之间共现的不平衡性，引入最近的图论模型，有效地解决标签不平衡问题。随机点积图用于重建标签的传递矩阵，解决图像标签共存的不对称问题。此外，使用朴素贝叶斯最近邻分类器来建立图像和标签之间的联合似然函数。本发明针对图像标签存在的分类不平衡的特点，提出基于重构图模型的图像标注模型，能够有效的提高标签的召回率。
-
公开(公告)号：CN111259979B
公开(公告)日：2022-11-18
申请号：CN202010084739.0
申请日：2020-02-10
申请人： 大连理工大学
IPC分类号： G06V10/762 , G06F16/55
摘要： 一种基于标签自适应策略的深度半监督图像聚类方法，属于图像聚类与数据挖掘技术领域，1)预训练编解码网络，初始化特征嵌入空间；2)通过K‑means方法在潜在特征空间初始化聚类簇心；3)计算聚类结果的软分配和目标分布，基于KL散度生成聚类损失；4)利用标签自适应策略动态生成临时监督标签，基于交叉熵生成标签损失；5)计算和优化联合目标函数，迭代更新直至满足收敛条件，完成聚类学习。本发明针对图像数据设计了一种深度半监督聚类方法，考虑在聚类过程中的标签漂移问题，并设计了一种标签自适应策略，以动态适应标签的漂移，同时整合聚类损失和标签损失，联合优化潜在特征空间和调整聚类簇心，能有效提高聚类方法的性能。
-
公开(公告)号：CN112578190A
公开(公告)日：2021-03-30
申请号：CN202011341187.3
申请日：2020-11-25
申请人： 中国科学院上海光学精密机械研究所 , 中国科学院国家天文台 , 大连理工大学 , 保定市天河电子技术有限公司
摘要： 一种FAST分布式光纤全域监测系统，包括FAST周界传感光缆，通过该FAST周界传感光缆的分支传输光纤分别与综合监测模块相连的分布式光纤周界安防模块、单向接收的宽带微波光子射频干扰信号监测模块、高透明光窗超宽带电磁防护视频模块、高透明光窗超宽带电磁防护雷达模块和报警信息显示单元模块。本发明实现FAST极端电磁静默环境下周界环境综合要素的多方位安防，具有功能齐全、自身极端电磁屏蔽，满足了特殊场景应用需求和要求；同时也可以为类似电磁防护特别要求的场地、复杂环境多要素安防提供了强力的技术支撑。
-
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：CN111223553A
公开(公告)日：2020-06-02
申请号：CN202010005713.2
申请日：2020-01-03
申请人： 大连理工大学
摘要： 一种两阶段深度迁移学习中医舌诊模型，属于中医辅助诊疗技术领域。首先，基于深度卷积特征范式，构建深度网络，利用金字塔策略，融合多尺度特征，构建对输入舌像的深层抽象表示。然后，设计两阶段的深度迁移学习，针对性地获取舌像诊断中对代表性病灶特征的识别能力，有效解决数据缺乏问题，降低训练成本。在此基础上，设计病灶检查代价函数，训练深度迁移模型，从不同尺度进行检测，标注异常舌像病灶，提高检测精度。最后，根据深度迁移模型的检查结果模拟中医诊疗“众诊合参”过程，进行异常舌像的实时判别，提高诊断的准确率。本发明设计的模型能够模拟中医诊断理论，实时诊断异常舌像，为中医提供临床辅助和诊疗建议。
-
公开(公告)号：CN108009635A
公开(公告)日：2018-05-08
申请号：CN201711418936.6
申请日：2017-12-25
申请人： 大连理工大学
CPC分类号： G06N3/0454 , G06N3/084
摘要： 本发明属于大数据实时处理技术领域，公开了一种支持增量更新的深度卷积计算模型，包括如下步骤：通过堆叠张量卷积层、抽样层以及全链接层构建深度卷积计算模型，通过高阶反向传播算法对模型参数进行训练。在不改变模型连接结构的前提下，根据新增数据的特征，通过设计参数更新算法将模型的张量全连接层参数由θ更新为θ+Δθ，使得更新后的参数能够学习新增相似数据的特征；通过设计结构更新算法不断增加网络计算单元方式来更新模型结构迁移历时知识，实现对高速动态变化的数据特征提取。本发明针对大数据的实时性特点，设计支持增量更新的深度卷积计算模型，能够高效地提取大数据的特征。
-
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。
-
-
-
-
-
-
-
-
-
搜索结果
22 条记录 (耗时 0.035 秒)
