“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_专利查询网

首页在售求购查询申请展会资讯专利榜企服商城升级VIP

立即登录免费注册

在售专利
求购专利
查询专利
新闻资讯
技术展会
招商加盟
专利榜

本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247

本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247

专利名称

专利名称
专利号码
专利分类
申请人
公布日期

农业化学；冶金建筑机械工程区域搜索

主分类

B 作业；运输

C 化学；冶金

D 纺织；造纸

E 固定建筑物

F 机械工程、照明、加热

专利下载VIP

公布日期

2023-10-24 公布专利

2023-10-20 公布专利

2023-10-17 公布专利

2023-10-13 公布专利

2023-10-10 公布专利

2023-10-03 公布专利

2023-09-29 公布专利

2023-09-26 公布专利

2023-09-22 公布专利

2023-09-19 公布专利

专利权人

国家电网公司

华为技术有限公司

中兴通讯股份有限公司

三星电子株式会社

中国石油化工股份有限公司

鸿海精密工业股份有限公司

松下电器产业株式会社

上海交通大学

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]一种图像分类方法、装置、存储介质及终端-CN202111678278.0在审
发明人：刘斌;张睿;何英杰;聂虎 -专利权人：特斯联科技集团有限公司
申请日： 2021-12-31 - 公布日： 2022-05-13 - 主分类号： G06V10/44 文献下载
摘要：本发明公开了一种图像分类方法、装置、存储介质及终端，方法包括：获取待分类的目标图像；将目标图像输入到预先训练的图像分类模型中；其中，预先训练的图像分类模型是依次经过自监督学习、监督学习和半监督学习训练生成的；自监督学习是基于有标签数据集训练的，监督学习是基于无标签数据集训练的，半监督学习时基于伪标签数据集和有标签数据集共同训练的；伪标签数据集是基于无标签数据集生成的；输出目标图像对应的图像类别。
一种图像分类方法装置存储介质终端

[发明专利]基于标记样本扩充和样本选择的数据检索方法及系统-CN202211191707.6在审
发明人：刘兴波;张雪凝;聂秀山;王少华;尹义龙 -专利权人：山东建筑大学
申请日： 2022-09-28 - 公布日： 2023-03-28 - 主分类号： G06F16/53 文献下载
摘要：属于数据挖掘处理技术领域，包括获取待检索的图像样本，利用样本外扩展映射计算其哈希码；计算待检索图像样本与检索数据库中哈希码的海明距离，并按照海明距离从小到大的次序返回相似数据，基于基于标记样本及其标签建立监督损失，基于无标记样本及其伪标签建立无监督损失，根据监督损失和无监督损失建立半监督哈希的目标函数；在目标函数优化和样本选择间迭代，获取检索数据库的哈希码，并利用检索数据库的哈希码学习样本外扩展映射，能够在一定程度上提高半监督哈希方法的训练效率和稳定性
基于标记样本扩充选择数据检索方法系统

[发明专利]基于自适应图的半监督学习方法-CN201811246236.8在审
发明人：袁媛;王琦;李欣 -专利权人：西北工业大学
申请日： 2018-10-25 - 公布日： 2019-03-19 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了一种基于自适应图的半监督学习方法。首先，构造得到样本集合的初始图和标签矩阵，并设置正则化参数；然后，通过最小化目标函数进行半监督学习，得到样本的软标签矩阵；最后，计算得到所有样本的结果标签矩阵。由于在半监督学习中自适应地进行图的更新，不易受到初始图的影响，算法鲁棒性更高；通过设置正则化参数，可以缓解错误标签带来的影响，还可以发现新的类别，在提高方法准确性的同时使得方法更具实用性。
半监督学习自适应矩阵正则化参数样本算法鲁棒性标签矩阵错误标签结果标签目标函数样本集合软标签最小化缓解更新发现

[发明专利]一种基于图论和半监督学习相结合的图像分割方法-CN201410118303.3在审
发明人：朱松豪;陈玲玲;罗青青;李向向 -专利权人：南京邮电大学
申请日： 2014-03-27 - 公布日： 2014-07-23 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于图论和半监督学习相结合的图像分割方法，该方法包括：首先将图像粗分割成一定数量的区域块，并将其映射成加权图；然后，利用半监督学习方法构造关联性矩阵；最后，采用归一化分割方法对图像进行语义分割该方法是基于图论和半监督学习来进行图像分割，能提高图像分割的精度，不仅能够有助于图像分割与目标提取的完善解决，而且还能够有助于推动模式识别、计算机视觉、人工智能等领域的发展。
一种基于监督学习相结合图像分割方法

[发明专利]一种基于半监督学习的多光谱河道遥感监测方法-CN202010735133.9在审
发明人：贾克斌;魏之皓;张家琪;冯金超;孙中华;刘鹏宇 -专利权人：北京工业大学
申请日： 2020-07-28 - 公布日： 2020-12-15 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于半监督学习的多光谱河道遥感监测方法，实现对于多光谱河道遥感图像中的河流区域的识别与河道宽度监测的任务。基于多光谱遥感图像的光谱信息，发明一种基于半监督学习的目标区域分类方法，以及基于集成学习的目标区域分类结果融合方法。该方法通过对于多光谱遥感图像进行基于对称卷积神经网络的特征提取，并基于半监督学习和集成学习实现多光谱遥感图像的区域分类识别任务。最后基于计算机视觉设计理念，实现了河道宽度的自动测量监测。
一种基于监督学习光谱河道遥感监测方法

[发明专利]基于群表示特征的半监督学习图像分类方法-CN202110784660.3在审
发明人：孙俊;冒钟杰;吴豪;方伟;吴小俊;陈祺东;李超 -专利权人：匀熵科技（无锡）有限公司
申请日： 2021-07-12 - 公布日： 2021-09-17 - 主分类号： G06K9/62 文献下载
摘要：基于群表示特征的半监督学习图像分类方法，在目前的方法中，常见的是通过对大量未标记数据使用一致性约束进行训练，要求模型预测对于输入样本的噪声具有不变性。我们发现这样的方法和伪标签方法结合，可以得到更加有效的半监督学习分类模型。虽然本发明提出方法的构造很简便，但是它可以在多个半监督学习分类方法基准实验上获得SOTA的结果。
基于表示特征监督学习图像分类方法

[发明专利]一种特征混合图像的半监督分类方法-CN202110599001.2在审
发明人：姚博;文成林;徐晓滨 -专利权人：杭州电子科技大学
申请日： 2021-05-31 - 公布日： 2021-09-21 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种特征混合图像的半监督分类方法，涉及计算机图像处理领域。本发明包括以下步骤：制作半监督数据集；对无标签数据做特征融合增广处理；为网络添加一致性度量方法，设计新的目标函数；最后训练网络，测试网络对特征混合图像的分类效果。本发明将多图像混合样本增容技术融入到半监督模型的增广框架，增加训练数据的多样性，引入多种类型噪声干扰，提升了模型的泛化能力，增强模型的鲁棒性，实现对特征混合图像的准确分类。
一种特征混合图像监督分类方法

[发明专利]基于半监督学习的低照度图像增强方法-CN202210605843.9在审
发明人：陈卫刚;陈雨蓉 -专利权人：浙江工商大学
申请日： 2022-05-30 - 公布日： 2022-09-02 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于半监督学习的低照度图像增强方法，属于图像处理技术领域。针对实际应用场合很难获取与低照度图像对应的标签数据的事实，以基于半监督学习的方法训练用于产生映射系数图的深度卷积神经网络模型。采用本发明提供的半监督学习方法训练的网络模型能有效提升低照度区域的亮度和对比度，改善夜间低照度图像的视觉质量。
基于监督学习照度图像增强方法

[发明专利]一种基于半监督小样本的设备故障诊断方法-CN202310358496.9在审
发明人：季海鹏;王晓茜;刘晶;赵佳;张健楠 -专利权人：河北工业大学
申请日： 2023-04-04 - 公布日： 2023-07-18 - 主分类号： G06F18/2415 文献下载
摘要：本发明提供了一种基于半监督小样本的设备故障诊断方法，属于设备故障诊断的技术领域，包括下述步骤：将标记数据与无标记数据进行数据处理，利用信号分解算法分解为多个信号分量；利用梳理后的数据构建元学习任务；构建半监督故障诊断模型，利用伪标签与一致性正则方式进行半监督训练，通过多通道卷积模型进行故障特征提取与分类；进行元学习训练与测试，利用元学习算法对模型初始参数进行优化，完成小样本下的设备故障诊断。
一种基于监督样本设备故障诊断方法

[发明专利]一种基于半监督和特征融合的小目标检测方法-CN202211556338.6在审
发明人：朱明;顾飞杨;蔺智挺;赵海平;邬全法;王年;唐俊 -专利权人：安徽大学;安徽友坤玻璃有限责任公司
申请日： 2022-12-06 - 公布日： 2023-03-03 - 主分类号： G06V40/16 文献下载
摘要：本发明公开了一种基于半监督和特征融合的小目标检测方法，其步骤包括：1、构建目标检测模型的深度学习网络框架；2、原始图像数据集和半监督数据集的准备；3、构建半监督学习下的伪标签框架；4、加入新型特征融合模块
一种基于监督特征融合目标检测方法

[发明专利]基于深度学习的半监督中文命名实体识别方法-CN201810686249.0有效
发明人：李东升;李真真;冯大为 -专利权人：中国人民解放军国防科技大学
申请日： 2018-06-28 - 公布日： 2022-02-08 - 主分类号： G06F40/295 文献下载
摘要：本发明属于人工智能领域中的信息抽取技术，针对只有少量标注数据和大量未标注数据的特定领域的中文文本，提供一种基于深度学习的半监督中文命名实体识别方法。具体包括：第一步，构建基于字符的深度学习命名实体识别模型；第二步，设计打分器，利用有标注数据训练学习器和打分器；第三步，设计半监督学习框架，利用无标注数据实现半监督中文命名实体识别。
基于深度学习监督中文命名实体识别方法

[发明专利]一种基于局部低秩表示的半监督高光谱图像分类方法-CN201711067416.5有效
发明人：任守纲;万升;顾兴健;徐焕良;李庆铁 -专利权人：南京农业大学
申请日： 2017-11-03 - 公布日： 2020-08-25 - 主分类号： G06K9/62 文献下载
摘要：本发明提出一种基于局部低秩表示的半监督高光谱图像分类方法，利用局部低秩系数来刻画空谱信息，最终借助获得的空谱信息得到一种增强的高光谱图像半监督分类方法。本方法首先通过局部低秩表示对空谱信息进行刻画，然后对无标记的样本进行标签初始化，最后基于已获得的空谱信息对高光谱图像进行半监督分类。
一种基于局部表示监督光谱图像分类方法

[发明专利]一种遥感图像的分类方法-CN201210410634.5有效
发明人：孙莉;张群;马苗;田光见;李秀秀;马润年 -专利权人：中国人民解放军空军工程大学
申请日： 2012-10-23 - 公布日： 2017-02-08 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了遥感图像的分类方法，首先获取遥感图像中地物的样本，然后构建用于地物分类的半监督神经网络模型，最后基于半监督神经网络进行地物分类。本发明在半监督神经网络中引入结构性误差代替经验误差，有效地避免了当目标函数局部取得局部极小值带来的分类错误；并在极值求解过程中引入了用于求解非线性优化的拟牛顿极值求解算法，从而有效地提高了地物分类精度，
一种遥感图像分类方法

[发明专利]半监督分类方法和系统-CN202010089862.1有效
发明人：余本功;汲浩敏;王胡燕;朱梦迪 -专利权人：合肥工业大学
申请日： 2020-02-13 - 公布日： 2021-09-07 - 主分类号： G06F16/35 文献下载
摘要：本发明提供一种半监督分类方法和系统，涉及文本数据处理技术领域。本发明使用文本向量模型层，在不损失样本或者特征的情况下获得样本之间的分歧，取代现有的半监督分类方法中的重采样与随机子空间方法，能有效降低文本样本数量的损失或特征的损失，同时，使用基分类器组的设计，使用不同的基分类器获取相同样本的不同特征，获得基分类器之间的分歧，进一步降低特征的损失，从而有效了提高了半监督分类方法的分类结果准确度。
监督分类方法系统

[发明专利]基于不确定性知识域自适应的半监督图像分割方法及系统-CN202210423986.8有效
发明人：袭肖明;孙良运;聂秀山;张光 -专利权人：山东建筑大学
申请日： 2022-04-22 - 公布日： 2022-08-02 - 主分类号： G06V10/26 文献下载
摘要：本申请属于图像分割技术领域，具体涉及一种基于不确定性知识域自适应的半监督图像分割方法及系统，包括以下步骤：获取待分割图像；基于所获取的待分割图像和预设的图像分割模型，进行待分割图像的分割处理；其中，所述图像分割模型采用半监督分割模型，基于所构建的不确定性知识库提取所获取的待分割图像的图像样本特征，基于特征迁移的域自适应将所提取到的图像样本特征迁移到半监督分割模型，完成待分割图像的分割处理。
基于不确定性知识自适应监督图像分割方法系统

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：76009968。

关于我们寻求报道投稿须知广告合作版权声明网站地图友情链接企业标识联系我们

在线咨询

400-8765-105周一至周五 9:00-18:00

版权所有钻瓜科技（天津）有限公司津ICP备15000985号津公网安备 12019202000206号http://www.vipzhuanli.com/公布日期

咨询在线客服

咨询在线客服

tel code back_top