“半监督”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果320412个，建议您升级VIP下载更多相关专利

[发明专利]一种图的特征选择方法及系统-CN202010679163.2有效
发明人：何芳;贾维敏;张峰干;伍宗伟;沈晓卫;赵建伟;胡豪杰;金伟;何佑明;朱玉杰 -专利权人：中国人民解放军火箭军工程大学
申请日： 2020-07-15 - 公布日： 2023-09-29 - 主分类号： G06V10/771 文献下载
摘要：所述方法包括根据图的像素点构造自适应近邻图；根据所述图的像素点确定投影矩阵；对所述初始图和所述投影矩阵进行半监督学习，得到半监督特征选择模型；获取待特征选择的图；采用所述半监督特征选择模型对所述待特征选择的图进行特征选择
一种特征选择方法系统

[发明专利]一种基于半监督的超像素谱聚类彩色图像分割方法-CN201811384849.8在审
发明人：刘汉强;赵静;赵凤 -专利权人：陕西师范大学
申请日： 2018-11-20 - 公布日： 2019-04-05 - 主分类号： G06T7/11 文献下载
摘要：本发明公开一种基于半监督的超像素谱聚类彩色图像分割方法，包括以下步骤：步骤一、输入待处理的RGB彩色图像；步骤二、初始化SLIC参数的超像素初始化尺寸和规范系数，计算超像素，并提取每个超像素块像素点的均值，生成超像素图像；步骤三、在超像素图像中，通过人工标记划线的方式获取半监督信息；步骤四、利用上一步中得到的半监督信息，构造超像素块之间的相似性；步骤五、利用NJW谱聚类算法结合构造的半监督相似性矩阵，进行彩色图像分割
彩色图像分割半监督像素半监督信息分割结果像素图像像素块聚类相似性矩阵像素初始化方式获取划分结果结合构造聚类算法人工标记输入图像图像分割像素区域初始化像素点算法划线

[发明专利]基于流形正则化和宽度网络的半监督宽度学习分类方法-CN201910572421.4在审
发明人：赵慧敏;郑建杰;邓武;徐俊洁 -专利权人：中国民航大学
申请日： 2019-06-28 - 公布日： 2019-09-27 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及宽度学习系统技术领域，尤其涉及基于流形正则化和宽度网络的半监督宽度学习分类方法，包括以下步骤：S1：利用输入数据建立特征节点；S2：利用已建立的特征节点建立增强节点；S3：输出权重的求解，本发明通过将流形正则化框架引入BLS中，提出了半监督宽度学习系统(Semi‑supervised Broad Learning System，简称SS‑BLS)，该方法通过流形正则化框架扩展了BLS，从而提升了BLS的适用性，SS‑BLS完全具有BLS的学习能力和计算效率，同时，该方法能够高效的完成不同复杂数据集下的半监督分类任务，各种数据集的实验结果表明SS‑BLS具有极强的适应性和较高的稳定性，此外，数据集的实验结果还证明所提出的方法与最先进的半监督方法相比具有竞争力
半监督正则化流形特征节点学习系统数据集分类复杂数据计算效率框架扩展输出权重学习能力增强节点求解网络学习引入

[发明专利]一种基于相似度的半监督学习数据分类算法-CN202010852138.X在审
发明人：孙栓柱;陈广;高阳;周春蕾;李逗;孙彬;王林;王其祥;高进;李春岩;沈洋;黄治军;张磊;傅高健;周心澄 -专利权人：江苏方天电力技术有限公司;江苏万维艾斯网络智能产业创新中心有限公司
申请日： 2020-08-21 - 公布日： 2020-11-17 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于相似度的半监督学习数据分类算法，包括三个部分：无标记样本的k‑means聚类，半监督相似度计算，无标记样本的k‑means聚类与半监督相似度计算相结合来扩展量少类进行模型分类，再评估模型的分类效果本发明并没有按照k=2的方式粗略的进行聚类，而是根据半监督学习中的平滑假设和聚类假设的原理确定了一套算法机制，通过度量量少类与聚类类别之间的相似度的方式确定k值，进而确定距离量少类最近的数据集合，并扩充到标记数据中
一种基于相似监督学习数据分类算法

[发明专利]一种基于SSGAN的古代残损纺织物图像修复方法-CN201910774334.7在审
发明人：李云红;穆兴;汤汶;张宝军;贺如月;李传真;张轩;毕远东;李弘昊;文达 -专利权人：西安工程大学
申请日： 2019-08-21 - 公布日： 2019-11-19 - 主分类号： G06T5/00 文献下载
摘要：SSGAN的古代残损纺织物图像修复方法，其特征在于，具体按照如下方式实施：步骤1，采集残损或信息丢失的古代纺织物的图片，对图片进行预处理，得到尺寸统一的图片，所有尺寸统一的图片组成训练集；步骤2，建立半监督生成式对抗网络模型，所述半监督生成式对抗网络模型包括生成器G(z)和判别器D(x)；步骤3，对所述半监督生成式对抗网络模型进行训练；步骤4，在训练集中选取一张图片作为输入图片，利用训练好的半监督生成式对抗网络模型对输入图片进行修复
网络模型半监督生成式对抗输入图片纺织物图片修复预处理模糊现象缺失修复图像修复信息丢失信息缺失连贯性判别器生成器训练集采集视觉图像输出统一

[发明专利]一种基于半监督图神经网络的智能可疑交易监测方法-CN201910664372.7在审
发明人：周春英;朱明杰;闵薇;唐溶;胡宸章 -专利权人：上海氪信信息技术有限公司
申请日： 2019-07-23 - 公布日： 2019-11-01 - 主分类号： G06Q40/04 文献下载
摘要：本发明公开了一种基于半监督图神经网络的智能可疑交易监测方法，所述方法包括：采集和存储原始的交易流水；在账号级别构建基于交易关系的资金交易网络；将资金交易网络中的账号划分入不同的交易社区；对交易社区进行风险评估与筛选，生成高风险密度资金交易网络；衍生账号的个体交易特征；向半监督图神经网络中输入高风险密度资金交易网络和账号的个体交易特征，半监督图神经网络输出账号的资金交易风险概率，将资金交易风险概率高于第一阈值的账号判断为高洗钱风险帐号本发明的有益效果为可以判断个体账户的异常风险，通过深度的数据挖掘与图算法挖掘构建先进的半监督分类模型，可以为传统风险控手段带来显著的提升。
资金交易半监督神经网络风险概率交易特征可疑交易构建网络神经网络输出分类模型风险评估交易关系交易流水数据挖掘账号判断智能监测社区交易存储采集筛选账户挖掘

[发明专利]一种基于半监督的图像去雾方法-CN202111436173.4在审
发明人：赵丽;张笑钦 -专利权人：温州大学
申请日： 2021-11-29 - 公布日： 2022-03-08 - 主分类号： G06T5/00 文献下载
摘要：本发明提供了一种基于半监督的图像去雾方法，该方法包括：步骤Step1：获取图像数据集，并对所述训练集进行预处理，得到合成的有雾图像和真实雾图；步骤Step2：构建基于深度学习的图像复原模型，将预处理后提取的有雾图像输入所述图像复原模型，实现图像特征的提取分析，得到去雾后的图像信息；步骤Step3：利用所述图像复原模型构建半监督图像复原网络，并对所述半监督图像复原网络进行训练，得到训练好的图像复原模型；步骤Step4：获取待复原雾图组成的原始图像集，并将所述原始图像集输入训练好的半监督图像复原网络得到最终的复原图像，本发明可实现图像自动复原，图像去雾效率更高、且复原图像质量更加可靠。
一种基于监督图像方法

[发明专利]一种基于条件变分自编码的光谱数据增强方法-CN202111546557.1在审
发明人：穆国庆;纪乃华;孙文静;张媛媛;孟凡云;纪佳瑶 -专利权人：青岛理工大学
申请日： 2021-12-17 - 公布日： 2022-03-25 - 主分类号： G06F30/27 文献下载
摘要：本发明公布了一种基于条件变分自编码的光谱数据增强方法，主要包括以下四个步骤：步骤一：预处理收集的历史数据；步骤二：训练条件变分自动编码器以生成虚拟样本；步骤三：训练半监督阶梯网络以构建标定模型；步骤四：使用半监督阶梯网络构建的标定模型在线检测组分含量。本发明中条件变分自动编码器旨在生成与组分浓度相同分布的虚拟光谱，以增强训练集，便于开发标定模型，为了使用生成的虚拟光谱进行建模，使用了一种基于半监督阶梯网络的回归学习模型；该方法将生成的虚拟未标记光谱与真实标记样本相结合，能够确保生成的虚拟光谱和实际标记的光谱分布相同，确保了半监督学习的有效性。
一种基于条件编码光谱数据增强方法

[发明专利]基于判别性原子嵌入半监督网络的图像分类方法及系统-CN202210667551.8在审
发明人：袭肖明;王瑞丰;聂秀山;张光;尹义龙;刘新锋 -专利权人：山东建筑大学;山东第一医科大学第一附属医院（山东省千佛山医院）;山东大学
申请日： 2022-06-14 - 公布日： 2022-09-13 - 主分类号： G06V10/764 文献下载
摘要：本发明属于图像分类领域，提供了一种基于判别性原子嵌入半监督网络的图像分类方法及系统，包括获取输入图像数据；基于输入图像数据进行预处理，得到每个子类的初始化判别性原子；利用预先训练好的半监督网络图像分类模型对输入图像和初始化判别性原子进行对比预测得到每个子类的对比得分，计算其最大得分所对应的子类别和类别作为预测分类结果；本发明以经典的半监督学习网络mean‑teacher作为基本框架，引入判别原子学习区分性特征，构建关系对偶网络结构，每个子网络包含特征提取器和关系学习器，基本判别性原子嵌入和关系对偶的半监督学习思想的算法，能够满足图像分类任务的深度学习要求。
基于判别原子嵌入监督网络图像分类方法系统

[发明专利]一种基于深度半监督模型的图像细粒度分类方法-CN202210787416.7在审
发明人：赵理莉;胡彬;李跃华;丁卫平 -专利权人：南通大学
申请日： 2022-07-05 - 公布日： 2022-09-09 - 主分类号： G06V10/26 文献下载
摘要：本发明提供一种基于深度半监督模型的图像细粒度分类方法，包括以下步骤：S1、获取原始图片，提取原始图片图像特征，组成全局特征矩阵；S2、对原始图片进行超像素分割，计算得出成特征分配映射；S3、将全局特征矩阵和特征分配映射进行非线性特征编码，得到超像素局部区域特征；S4、检测每个部分的发生概率，利用对齐概率分布得到超像素区域发生概率正则化项；S5、创建半监督神经网络，根据超像素区域发生概率正则化项和损伤函数训练半监督神经网络；S6、用训练好的半监督神经网络进行图像细粒度分类
一种基于深度监督模型图像细粒度分类方法

[发明专利]一种自适应近邻图优化的高光谱半监督分类方法-CN202210418259.2在审
发明人：何佑明;何芳;李毅;马荣荣;王颖;谢群;凡成福;徐宏翠;施培松;雷金方 -专利权人：安徽文达信息工程学院
申请日： 2022-04-20 - 公布日： 2022-09-02 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及高光谱分类技术领域，具体为一种自适应近邻图优化的高光谱半监督分类方法，包括以下步骤：步骤1：构建初始的自适应近邻图模型；输入高光谱图像其中n表示样本点的个数，d表示样本的维数，xi为X中的第i个样本点；步骤2：构建自适应近邻图优化的高光谱半监督分类模型，构建的初始自适应近邻图具有参数少、运算简单的优点，为后续图的学习奠定了良好的基础，根据高光谱半监督分类目标构建的图优化学习模型，能够获得更加稳健的图模型，通过数值推导同时得到了优化图和样本标签，实现了图的学习和高光谱半监督分类的同步
一种自适应近邻优化光谱监督分类方法

[发明专利]一种模型训练方法、装置、电子设备及存储介质-CN202210441633.0在审
发明人：李莹莹;蒋旻悦;杨喜鹏;孙昊 -专利权人：北京百度网讯科技有限公司
申请日： 2022-04-25 - 公布日： 2022-08-09 - 主分类号： G06K9/62 文献下载
摘要：具体实现方案为：获取用于模型训练的各个样本；将所获取的样本分别输入待训练的半监督模型，得到输出结果；利用所述输出结果与各个样本所具有的标签的差异，以及所述伪标签对应的损失权重，计算模型损失；基于所述模型损失调整所述半监督模型的模型参数，从而获得目标半监督模型。通过本方案，可以提升半监督模型的精度；并且，通过更为准确的模型损失，可以使得模型的收敛速度得到加快，降低针对计算资源的占用时长，从而节省模型训练时所利用的计算资源。
一种模型训练方法装置电子设备存储介质

[发明专利]包含未见软件数据的半监督业务感知训练推理方法和系统-CN202210173217.7在审
发明人：叶翰嘉;詹德川;周志华;韩路 -专利权人：南京大学
申请日： 2022-02-24 - 公布日： 2022-07-15 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种包含未见软件数据的半监督业务感知训练推理方法和系统，应用于通信领域，包括样机信号搜集步骤、业务感知模型预训练步骤、业务感知模型半监督训练步骤和业务感知模型推理步骤；所述样机信号搜集步骤中，通过部署样机搜集业务APP以及其他各种未见APP传输的通信包信号；所述业务感知模型预训练步骤和业务感知模型半监督训练步骤分别利用收集到的业务APP和未见APP通信包数据通过提出的半监督学习技术训练一个业务感知模型
包含软件数据监督业务感知训练推理方法系统

[发明专利]一种双编码半监督非靶向食品污染物检测方法-CN202211152644.3在审
发明人：关佶红;李辉;李文根;张毅超 -专利权人：同济大学
申请日： 2022-09-21 - 公布日： 2022-12-30 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种双编码半监督非靶向食品污染物检测方法，包括：利用食品特征成分数据集，以半监督学习形式训练双编码半监督异常检测模型；该模型采用编码器‑解码器‑编码器结构，其中两个编码器结构相同，但网络参数不同，如此，训练过程中将产生两个隐含嵌入层；将两个隐含嵌入层特征之间的差异引入目标损失函数；对双编码半监督异常检测模型完成训练后，对待检测食品数据进行非靶向污染物检测。
一种编码监督靶向食品污染物检测方法

[发明专利]基于小样本的分类方法、装置及相关设备-CN202211616589.9在审
发明人：文成林;孙洁晓 -专利权人：广东石油化工学院
申请日： 2022-12-15 - 公布日： 2023-04-25 - 主分类号： G06V10/764 文献下载
摘要：本发明提供了一种基于小样本的分类方法、装置及相关设备，该方法包括：获取标注数据集；基于预先选定的目标分类器，与具有特征提取功能的卷积层相结合，构建在半监督深度模型中的嵌入式打标器；利用所述标注数据集对所述嵌入式打标器进行训练并利用嵌入式打标器对标注数据集中的无标注数据生成伪标签，将所述伪标签以及伪标签对应的无标注数据作为伪标签样本，以及将小样本标注数据以及小样本标注数据的标签作为标注样本；将所述伪标签样本以及所述标注样本输入到半监督深度模型中进行深度训练，使得所述训练后的半监督深度模型实现对标注数据集的半监督分类。
基于样本分类方法装置相关设备