一种基于跨类别迁移主动学习的图像分类方法

    公开(公告)号:CN105701509B

    公开(公告)日:2019-03-12

    申请号:CN201610021429.8

    申请日:2016-01-13

    IPC分类号: G06K9/62

    摘要: 本发明公开了一种基于跨类别迁移主动学习的图像分类方法,包括如下步骤:对辅助类别数据与目标类别数据中的图像进行向量化特征表示;构建辅助类别属性表示和目标类别属性表示;构造目标函数;优化求解目标函数,得到生成函数;利用生成函数及目标类别属性表示得到分类模型;利用分类模型计算目标类别数据中所有无标注图像的不确定性;选取不确定性最大的无标注图像进行标注;对目标类别数据中图像的权重进行更新,重新构造目标函数。本发明能够有效地在目标类别数据中挑选最有信息量的图像样本进行标注,有助于在目标类别只有极少有标注数据的情况下训练出准确的分类模型,降低标注成本。

    一种关系型数据库到MongoDB的模型转换和数据迁移方法

    公开(公告)号:CN106126543A

    公开(公告)日:2016-11-16

    申请号:CN201610424619.4

    申请日:2016-06-15

    IPC分类号: G06F17/30

    摘要: 本发明公开了一种关系型数据库到MongoDB的模型转换和数据迁移方法,包括以下步骤:提取关系型数据库的概念模型;对关系型数据库的日志信息进行分析,获得关系型数据库的描述特征;根据描述特征进行模型转换获得MongoDB的物理模型;根据MongoDB的物理模型进行数据迁移。本发明通过对关系型数据库的日志信息进行了挖掘,以此为基础进行更加科学的模型转换,形成完整、有效的数据模型,并将模型转换和数据迁移相结合,以模型转换的结果为基础进行数据迁移,使数据迁移更加简单高效,且提高了应用的性能。

    一种Neo4j向关系型数据库的模型转换和数据迁移方法

    公开(公告)号:CN105912665B

    公开(公告)日:2019-05-03

    申请号:CN201610224210.8

    申请日:2016-04-12

    IPC分类号: G06F16/28 G06F16/21

    摘要: 本发明公开了一种Neo4j向关系型数据库的模型转换和数据迁移方法,包括如下步骤:S1:提取Neo4j的概念模型;S2:用户筛选需要进行转换的标签实体和关系实体;S3:查找所有包含属性的关系实体,并将所述包含属性的关系实体全部转换成关系型数据库概念模型中的表;S4:将需要进行转换的所有标签实体转换成关系型数据库概念模型中的表;S5:建立表达关系型数据库概念模型中各个表之间的关系属性;S6:建成完整的关系型数据库的概念模型;S7:进行数据迁移。本发明利用模型转换的方法解决了Neo4j向关系型数据库数据迁移的问题,同时使数据迁移更加准确,并且更加容易操作。

    一种基于共享模型空间学习的零镜头图像分类方法

    公开(公告)号:CN105701510B

    公开(公告)日:2019-03-12

    申请号:CN201610022295.1

    申请日:2016-01-13

    IPC分类号: G06K9/62

    摘要: 本发明公开了一种基于共享模型空间学习的零镜头图像分类方法,包括如下步骤:步骤S1:构建源类别图像特征向量和目标类别图像特征向量;步骤S2:构建源类别属性表示和目标类别属性表示;步骤S3:利用源类别图像特征向量、目标类别图像特征向量、源类别属性表示和目标类别属性表示构造零镜头学习函数;步骤S4:优化求解零镜头学习函数,并得到共享模型空间;步骤S5:利用共享模型空间以及目标类别属性表示,直接产生各个目标类别对应的一级分类模型;步骤S6:利用一级分类模型以及目标类别图像特征向量产生最终的目标类别分类结果。本发明通过共享的模型空间产生相应类别的一级分类模型,直接从图像特征得到分类结果,从而提高了分类模型的准确性。

    一种基于共享模型空间学习的零镜头图像分类方法

    公开(公告)号:CN105701510A

    公开(公告)日:2016-06-22

    申请号:CN201610022295.1

    申请日:2016-01-13

    IPC分类号: G06K9/62

    CPC分类号: G06K9/6256 G06K9/6268

    摘要: 本发明公开了一种基于共享模型空间学习的零镜头图像分类方法,包括如下步骤:步骤S1:构建源类别图像特征向量和目标类别图像特征向量;步骤S2:构建源类别属性表示和目标类别属性表示;步骤S3:利用源类别图像特征向量、目标类别图像特征向量、源类别属性表示和目标类别属性表示构造零镜头学习函数;步骤S4:优化求解零镜头学习函数,并得到共享模型空间;步骤S5:利用共享模型空间以及目标类别属性表示,直接产生各个目标类别对应的一级分类模型;步骤S6:利用一级分类模型以及目标类别图像特征向量产生最终的目标类别分类结果。本发明通过共享的模型空间产生相应类别的一级分类模型,直接从图像特征得到分类结果,从而提高了分类模型的准确性。

    一种Neo4j向关系型数据库的模型转换和数据迁移方法

    公开(公告)号:CN105912665A

    公开(公告)日:2016-08-31

    申请号:CN201610224210.8

    申请日:2016-04-12

    IPC分类号: G06F17/30

    CPC分类号: G06F16/214 G06F16/284

    摘要: 本发明公开了一种Neo4j向关系型数据库的模型转换和数据迁移方法,包括如下步骤:S1:提取Neo4j的概念模型;S2:用户筛选需要进行转换的标签实体和关系实体;S3:查找所有包含属性的关系实体,并将所述包含属性的关系实体全部转换成关系型数据库概念模型中的表;S4:将需要进行转换的所有标签实体转换成关系型数据库概念模型中的表;S5:建立表达关系型数据库概念模型中各个表之间的关系属性;S6:建成完整的关系型数据库的概念模型;S7:进行数据迁移。本发明利用模型转换的方法解决了Neo4j向关系型数据库数据迁移的问题,同时使数据迁移更加准确,并且更加容易操作。

    一种基于跨类别迁移主动学习的图像分类方法

    公开(公告)号:CN105701509A

    公开(公告)日:2016-06-22

    申请号:CN201610021429.8

    申请日:2016-01-13

    IPC分类号: G06K9/62

    CPC分类号: G06K9/6262 G06K9/6277

    摘要: 本发明公开了一种基于跨类别迁移主动学习的图像分类方法,包括如下步骤:对辅助类别数据与目标类别数据中的图像进行向量化特征表示;构建辅助类别属性表示和目标类别属性表示;构造目标函数;优化求解目标函数,得到生成函数;利用生成函数及目标类别属性表示得到分类模型;利用分类模型计算目标类别数据中所有无标注图像的不确定性;选取不确定性最大的无标注图像进行标注;对目标类别数据中图像的权重进行更新,重新构造目标函数。本发明能够有效地在目标类别数据中挑选最有信息量的图像样本进行标注,有助于在目标类别只有极少有标注数据的情况下训练出准确的分类模型,降低标注成本。

    一种知识产权综合服务系统

    公开(公告)号:CN109389534A

    公开(公告)日:2019-02-26

    申请号:CN201710653643.X

    申请日:2017-08-02

    IPC分类号: G06Q50/18

    CPC分类号: G06Q50/184

    摘要: 本发明提供了一种知识产权综合服务系统。本系统为用户提供一个具有知识产权查询、委托申请、自助申请功能以及可以进行知识产权交易的综合服务平台,用户可以在本系统中选择不同的委托方式来委托知识产权业务可以了解到知识产权服务人员的具体情况,直接挑选符合自己的要求的知识产权服务人员进行委托;并且由于减少了委托过程中的诸多中间环节,使用户与提供服务的知识产权服务人员直接联系和交流,大大缩短了业务处理周期;用户还可以应用本系统进行知识产权信息的查询、实现自助撰写知识产权申请文件并提交知识产权申请以及进行知识产权的交易。

    一种带有数据采集的用户自选数据库检索方法

    公开(公告)号:CN107092682A

    公开(公告)日:2017-08-25

    申请号:CN201710266172.7

    申请日:2017-04-21

    IPC分类号: G06F17/30

    CPC分类号: G06F16/3338 G06F16/3323

    摘要: 本发明提供了一种带有数据采集的用户自选数据库检索方法,包括关键词分类模块、近义词模块、关键词排序模块和数据库;所述关键词分类模块设置有数据检索框和关键词框,关键词分类模块将客户输入在数据检索框的数据信息进行关键词解析分类,然后输出到关键词框;所述近义词模块设置有近义词框,近义词模块将关键词框内的关键词进行近义词解析,所述关键词排序模块设置有数据重组框、数据采集模块和网络服务器,所述网络服务器对数据采集模块的数据进行处理,将客户的习惯记录;所述数据库设置有输出端;所述输出端用来将客户需要的信息反馈给客户,同样还能给客户推荐针对性的广告。