公开(公告)号：CN107169566A

公开(公告)日：2017-09-15

申请号：CN201710432700.1

申请日：2017-06-09

申请人： 山东师范大学

发明人： 王强 ,  张化祥 ,  房晓南 ,  王振华 ,  郭培莲

IPC分类号： G06N3/08

CPC分类号： G06N3/084

摘要： 本发明公开了一种动态神经网络模型的训练方法和装置，训练方法包括：将原始一维数据输入到第一层神经元，相应的输出值即该层特征，然后增加神经元层数，将上层输出的特征作为下一层神经元的输入，得到相应层的特征，重复该步骤直至层数达到预设值；在最终的输出特征与分类的类别之间建立全连接层，通过BP反向传播算法确定全连接层间的连接系数；其中，将神经元建模为动态神经元；评价模型性能，若性能达到预期，训练结束；反之，继续在生成的网络模型中增加新的神经元层直至模型性能达到预期。本发明的方法能够更加高效地提取数据特征，从而提高训练效率。

公开(公告)号：CN109446347A

公开(公告)日：2019-03-08

申请号：CN201811269039.8

申请日：2018-10-29

申请人： 山东师范大学

发明人： 张化祥 ,  芦旭 ,  李静 ,  朱磊 ,  刘丽 ,  王振华 ,  郭培莲

IPC分类号： G06F16/43 ,  G06K9/62

摘要： 本发明公开了一种有监督的快速离散多模态哈希检索方法和系统，所述方法包括：接收多模态训练数据集，其中每个样本包含成对的多模态数据特征；利用联合的多模态特征映射，将多模态训练数据集投影为联合多模态中间表示；对于多模态训练数据集的联合多模态中间表示，构造有监督的快速离散多模态哈希目标函数；求解所述目标函数，得到哈希函数；接收多模态检索数据集和多模态测试数据集，将其中的样本均投影为联合多模态中间表示，然后根据哈希函数，投影至海明空间得到哈希码；基于哈希码，针对多模态测试数据集中的样本在多模态检索数据集中进行检索。本发明为异构的多模态数据学习离散的哈希码，同时保证了学习效率和检索的精度。

公开(公告)号：CN106777402B

公开(公告)日：2018-09-11

申请号：CN201710141807.0

申请日：2017-03-10

申请人： 山东师范大学

发明人： 张化祥 ,  张滨 ,  王振华 ,  王强 ,  孟丽丽 ,  任玉伟 ,  吴鸿辰 ,  郭培莲 ,  季辉 ,  邵秀婷 ,  李圣涛

IPC分类号： G06F17/30 ,  G06N3/04

摘要： 本发明公开了一种基于稀疏神经网络的图像检索文本方法，构建两个独立的稀疏神经网络模型，然后分别把图像和文本的底层特征输入到稀疏神经网络模型中，将两个稀疏神经网络模型的输出作为图像和文本的语义理解，并将其视为图像和文本的语义空间，在此语义空间中进行图像检索文本操作，并根据检索结果排序，检索出与查询图像最匹配的文本。本发明将图像和文本投影到二者共同的语义空间，充分利用了二者的语义信息，并将稀疏编码的思想引入传统的反向传播神经网络，稀疏的限制强制网络去学习有用的信息，所以能提高检索准确度。

公开(公告)号：CN107402993B

公开(公告)日：2018-09-11

申请号：CN201710581083.1

申请日：2017-07-17

申请人： 山东师范大学

发明人： 张化祥 ,  卢旭 ,  万文博 ,  刘丽 ,  郭培莲 ,  任玉伟 ,  孙建德 ,  王强

IPC分类号： G06F17/30 ,  G06K9/62

摘要： 本发明提出了一种基于判别性关联最大化哈希的跨模态检索方法，包括：对训练数据集进行多模态提取，得到训练多模态数据集；对于训练多模态数据集，构造该数据集上的基于判别性关联最大化哈希的目标函数；求解所述目标函数，得到图像、文本的投影到公用的海明空间的投影矩阵、图像文本对的联合哈希码；对于测试数据集，投影到所述公用的海明空间，并通过哈希函数量化为训练集样本的哈希码；基于哈希码进行跨模态检索。本发明提高了跨媒体检索的效率和准确度。

公开(公告)号：CN107402993A

公开(公告)日：2017-11-28

申请号：CN201710581083.1

申请日：2017-07-17

申请人： 山东师范大学

发明人： 张化祥 ,  卢旭 ,  万文博 ,  刘丽 ,  郭培莲 ,  任玉伟 ,  孙建德 ,  王强

IPC分类号： G06F17/30 ,  G06K9/62

CPC分类号： G06F17/30321 ,  G06K9/6256

摘要： 本发明提出了一种基于判别性关联最大化哈希的跨模态检索方法，包括：对训练数据集进行多模态提取，得到训练多模态数据集；对于训练多模态数据集，构造该数据集上的基于判别性关联最大化哈希的目标函数；求解所述目标函数，得到图像、文本的投影到公用的海明空间的投影矩阵、图像文本对的联合哈希码；对于测试数据集，投影到所述公用的海明空间，并通过哈希函数量化为训练集样本的哈希码；基于哈希码进行跨模态检索。本发明提高了跨媒体检索的效率和准确度。

公开(公告)号：CN106777402A

公开(公告)日：2017-05-31

申请号：CN201710141807.0

申请日：2017-03-10

申请人： 山东师范大学

发明人： 张化祥 ,  张滨 ,  王振华 ,  王强 ,  孟丽丽 ,  任玉伟 ,  吴鸿辰 ,  郭培莲 ,  季辉 ,  邵秀婷 ,  李圣涛

IPC分类号： G06F17/30 ,  G06N3/04

CPC分类号： G06F17/30244 ,  G06F17/30634 ,  G06N3/0454

摘要： 本发明公开了一种基于稀疏神经网络的图像检索文本方法，构建两个独立的稀疏神经网络模型，然后分别把图像和文本的底层特征输入到稀疏神经网络模型中，将两个稀疏神经网络模型的输出作为图像和文本的语义理解，并将其视为图像和文本的语义空间，在此语义空间中进行图像检索文本操作，并根据检索结果排序，检索出与查询图像最匹配的文本。本发明将图像和文本投影到二者共同的语义空间，充分利用了二者的语义信息，并将稀疏编码的思想引入传统的反向传播神经网络，稀疏的限制强制网络去学习有用的信息，所以能提高检索准确度。