“学习分类器”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8965135个，建议您升级VIP下载更多相关专利

[发明专利]一种基于在线学习随机蕨分类器的行人检测方法-CN201610148420.3有效
发明人：罗大鹏;曾志鹏;罗林波;刘永文;张明东;魏龙生;马丽;王勇 -专利权人：中国地质大学（武汉）
申请日： 2016-03-16 - 公布日： 2019-03-01 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了一种基于在线学习随机蕨分类器的行人检测方法，选取在线学习的随机蕨分类器与之级联，通过在线学习的方法，在检测同时提高整体的分类性能，本发明提供了一种基于在线学习随机蕨分类器的行人检测方法，将初始分类器与在线学习的分类器进行级联，构成多种分类器融合的系统用于视频目标检测，其中初始分类器为HOG特征训练SVM分类器，在线学习的分类器为在线随机蕨分类器，通过在线自动选取正负样本训练随机蕨分类，最终形成在线学习的行人检测体系，通过实验可知，在初始分类器上级联在线学习的随机蕨分类器，通过在线学习算法可有效提高整体视频目标检测精度。
一种基于在线学习随机分类行人检测方法

[发明专利]一种可扩展的多层集成多标记学习系统-CN201510662088.8有效
发明人：乔善平;吴鹏;韩士元 -专利权人：济南大学
申请日： 2015-10-09 - 公布日： 2019-02-22 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种可扩展的多层集成多标记学习系统，包括数据集、算法集合、集成策略集合和分类器集合，所述算法集合包括二类分类算法、面向标记集的学习算法和集成多标记学习算法，所述分类器集合包括二类分类器、多标记分类器和集成分类器，所述集成策略集合包括若干个集成策略，所述多层集成多标记学习系统分为二分类学习层、多标记学习层和集成学习层，所述二类分类算法和二类分类器构成二分类学习层，所述面向标记集的学习算法和多标记分类器构成多标记学习层，所述集成多标记学习算法、集成策略和集成分类器构成集成学习层。
一种扩展多层集成标记学习系统

[发明专利]一种基于集成学习的火焰图像分类方法-CN202110577002.7在审
发明人：胡静;宋铁成;张思源;夏玮玮;燕锋;沈连丰 -专利权人：东南大学
申请日： 2021-05-26 - 公布日： 2021-11-02 - 主分类号： G06K9/46 文献下载
摘要：本发明公开了一种基于集成学习的火焰图像分类方法。属于机器学习图像分类技术领域。该方法包括：对火焰图像进行归一化和灰度化，利用HOG算法预处理特征，将转化后的火焰图像特征送入多种机器学习分类器，并行迭代生成多种图像分类器，计算每个分类器对图像的分类准确率与概率，通过软决策‑投票的方式反馈调整多个分类器投票系数，再以加权平均的方式将多种机器学习分类器集成一种新的分类器，并将最终对火焰图像的分类通过符号函数输出结果。本发明融合集成学习投票决策和多种机器学习分类算法，在保留多种机器学习分类器的优点下，有效提升了对火焰图像检测的准确性。
一种基于集成学习火焰图像分类方法

[发明专利]一种基于异构分类器的堆叠泛化方法-CN202210181773.9在审
发明人：李华盛 -专利权人：中云开源数据技术（上海）有限公司
申请日： 2022-02-25 - 公布日： 2022-05-31 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于异构分类器的堆叠泛化方法，包括如下步骤：首先构建堆叠泛化框架、循环神经网络个体分类器和基于浅层学习的NB‑SVM个体分类器；然后基于堆叠泛化框架，用算法的形式描述循环神经网络个体分类器和基于浅层学习的NB‑SVM个体分类器的集成过程；最后根据上述两种异构个体分类器集成过程，学习四种不同的基于深度学习的个体分类器和一种浅层分类器；然后将每种基于深度学习的个体分类器与所述浅层分类器集成，最终得四个不同的集成分类器
一种基于分类堆叠泛化方法

[发明专利]一种基于自主在线学习的目标检测方法-CN202011292596.9在审
发明人：张中;严灯和;张金飞 -专利权人：合肥湛达智能科技有限公司
申请日： 2020-11-18 - 公布日： 2021-02-09 - 主分类号： G06K9/00 文献下载
摘要：本发明涉及目标检测技术领域，具体涉及一种基于自主在线学习的目标检测方法，本发明对输入的图像区域采用自适应级联分类器进行目标检测；并将级联分类器的检测出来的目标验证为虚警；随机提取自适应级联分类器漏检的目标作为在线学习的正样本对级联分类器进行更新；根据自适应级联分类器算法，在线学习完的正负样本还需要存入相应的样本集合保存一段时间；对新一级分类器进行在线训练，最终输出目标检测结果。本发明使用自适应级联分类器算法，将级联分类器与在线学习结合起来，使在线学习的分类器有更大的分类能力提升空间，能自适应的增加级联分类器的级数，从而使在线学习中分类器的分类能力逐步提高满足分类任务的要求。
一种基于自主在线学习目标检测方法

[发明专利]对小样本学习任务生成集成分类器的可视分析系统和方法-CN202110542475.3在审
发明人：刘世霞;杨维铠;张幸幸;肖岚茜;朱军 -专利权人：清华大学
申请日： 2021-05-18 - 公布日： 2021-09-03 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种用于对小样本学习任务生成集成分类器的可视分析系统和方法，其中，系统包括：接收模块用于接收多个基学习器和多个样本；基学习器选择模块用于根据多个基学习器和多个样本，选择适合小样本学习任务的基学习器；样本选择模块用于根据选择的基学习器和多个样本，选择适合小样本学习任务的有标注样本；集成分类器生成模块用于根据选择的基学习器和选择的有标注样本，生成集成分类器；可视化模块用于显示集成分类器对多个样本的分类结果
样本学习任务生成集成分类可视分析系统方法

[发明专利]一种基于增量集成学习的多时相影像分类方法-CN201510582557.5有效
发明人：谷延锋;刘欢 -专利权人：哈尔滨工业大学
申请日： 2015-09-14 - 公布日： 2018-11-02 - 主分类号： G06K9/62 文献下载
摘要：一种基于增量集成学习的多时相影像分类方法，涉及多时相遥感图像分类技术领域。本发明是为了解决多时相影像分类精度低的问题。本发明在集成学习的基础之上，引入增量学习，构造多时相分类器，实现连续地在线学习。首先，每个时相的影像数据分别作为支持向量机SVM算法的基本核函数，然后通过集成学习算法得到强分类器C₀；其次，引入新的训练数据，更新原始的训练数据集，得到增量数据集，再通过集成学习算法得到强分类器C₁；依次引入新的训练数据，通过集成学习算法得到强分类器C_n；最后各个强分类器相加得到最终分类器，用于测试样本的分类。本发明适用于多时相影像分类。
一种基于增量集成学习多时影像分类方法

[发明专利]一种代价敏感的集成学习分类方法及系统-CN202011143487.0在审
发明人：皇甫伟;沈一佳;刘娅汐 -专利权人：北京科技大学
申请日： 2020-10-23 - 公布日： 2021-02-19 - 主分类号： G16H50/20 文献下载
摘要：本发明公开了一种代价敏感的集成学习分类方法及系统，该方法包括：获取样本数据集，并将样本数据集分成训练样本集和测试样本集；基于训练样本集对多个不同类型的分类器分别进行训练，并基于测试样本集对训练好的各分类器分别进行分类测试，得到各分类器的分类结果；基于各分类器的分类结果为每一分类器分配对应的权重；基于各分类器的权重，对各分类器进行加权集成，得到集成分类器；利用集成分类器对待测样本进行分类，得到相应的分类结果。本发明使集成学习模型具有各个基学习器的优点，弱化各个基学习器的缺点。并通过权重分配和调整集成学习的门限，改善了集成分类器的分类效果。
一种代价敏感集成学习分类方法系统

[发明专利]基于极限学习机和boosting多核学习的目标跟踪方法-CN201610637804.1有效
发明人：孙锐;张东东;王旭;高隽 -专利权人：合肥工业大学
申请日： 2016-08-05 - 公布日： 2018-08-28 - 主分类号： G06T7/246 文献下载
摘要：本发明公开了一种基于极限学习机和boosting多核学习的目标跟踪方法，其特征包括：1多次boosting迭代得到优秀的分类器，将每次boosting迭代中通过多核学习得到的弱分类器组合成强分类器，再用强分类器对特征进行分类2为了进一步减少计算量和提升分类性能，不同于传统多核学习以支持向量机(SVM)为基分类器，而采用极限学习机作为基分类器，极限学习机结构简单，训练速度非常快，并且比SVM有更好的泛化能力。本发明能使多核分类器进行快速分类，从而使跟踪算法在复杂场景下也能保证跟踪的鲁棒性和实时性。
基于极限学习机 boosting 多核学习目标跟踪算法

[发明专利]文本分类方法、装置、电子设备及存储介质-CN202110719786.2有效
发明人：文浩宇 -专利权人：中国平安财产保险股份有限公司
申请日： 2021-06-28 - 公布日： 2023-10-17 - 主分类号： G06F18/241 文献下载
摘要：本发明涉及智能决策技术，揭露了一种文本分类方法，包括：利用标注后的样本集分别对预构建的集成模型中的每个初级学习器进行初级分类训练及分类测试，得到每个初级学习器的分类特征集，对所有所述分类特征集进行加权求平均的整合，将整合后的分类特征集及预构建的细粒度标签体系作为集成训练集，选择所述集成模型中的其中一个初级学习器作为所述集成模型的次级学习器，利用所述集成训练集对所述次级学习器进行集成分类训练直到所述集成分类训练满足预设条件，利用所述次级学习器对待分类文本进行文本分类。本发明还提出一种文本分类装置、电子设备及存储介质。本发明可以解决单一机器学习模型文本分类精确性和鲁棒性低的问题。
文本分类方法装置电子设备存储介质

[发明专利]一种面向图像分类任务的多层字典学习方法-CN202010377838.8在审
发明人：王立春;李爽;王少帆;孔德慧;尹宝才 -专利权人：北京工业大学
申请日： 2020-05-07 - 公布日： 2020-09-25 - 主分类号： G06K9/62 文献下载
摘要：一种面向图像分类任务的多层字典学习方法，其能够解除多个字典之间关系定义的局限性，提升字典学习应用于分类问题的精度。这种面向图像分类任务的多层字典学习方法，用于提取图像样本中的类别信息，包括：(1)将多层字典之间的依赖关系定义为残差学习，基于多层残差判别字典学习框架来学习多层字典及分类器；(2)基于步骤(1)学习的多层字典依次计算待分类数据的多轮编码向量，再利用相应的分类器进行分类，加和各分类器预测值得到最终识别结果。
一种面向图像分类任务多层字典学习方法

[发明专利]元学习方法、文本分类方法、装置、电子设备及存储介质-CN202310994203.6在审
发明人：李莉;陈伟;倪守奇;林佳佳;周峰;林金曙 -专利权人：恒生电子股份有限公司
申请日： 2023-08-09 - 公布日： 2023-09-12 - 主分类号： G06F16/35 文献下载
摘要：本发明实施例提供一种元学习方法、文本分类方法、装置、电子设备及存储介质，涉及数据处理技术领域。该方法包括：获取原始文本数据集，将原始文本数据集划分为多个任务并进行预处理以得到待训练任务集合，初始化元学习器，初始化各文本分类模型，得到各文本分类模型的分类层参数对应的梯度特征值，将各梯度特征值输入元学习器以得到各任务自适应学习率，在判断对应的文本分类模型未收敛的情况下更新分类层参数，直至各文本分类模型收敛，判断元学习器是否收敛，若否，更新元学习器，直至元学习器收敛得到训练好的元学习器。基于上述训练好的元学习器进行新领域的文本分类，使得训练好的文本分类模型能够更好地适应具有少量样本的目标域。
学习方法文本分类方法装置电子设备存储介质

[发明专利]一种基于宽度学习的时间序列多分类方法及系统-CN202110270402.3在审
发明人：宣琦;冯婷婷;姚虹蛟;徐东伟 -专利权人：浙江工业大学
申请日： 2021-03-12 - 公布日： 2021-07-13 - 主分类号： G06K9/62 文献下载
摘要：一种基于宽度学习的时间序列多分类方法，包括：S1，对输入数据进行归一化处理；S2，把宽度学习系统作为二分类器，采用一对一的方法构建宽度学习多分类器，将输入数据按照类别两两组合，构建与各宽度学习二分类模型对应的子样本集；S3，将各个子样本集输入相应的宽度学习二分类模型进行训练，得到宽度学习多分类器，实现多分类的功能；S4，将宽度学习多分类器用于时间序列数据多分类任务。本发明还提供一种基于宽度学习的时间序列多分类系统。本发明不仅简单易行，训练时间短，缓解了宽度学习算法在面对大数据量和多分类任务时，存在的内存问题和识别率低的问题。
一种基于宽度学习时间序列分类方法系统

[发明专利]基于模型无关元学习的图像分类方法和装置-CN202310308863.4在审
发明人：黄俊;饶淑珍 -专利权人：中国科学院上海高等研究院
申请日： 2023-03-27 - 公布日： 2023-06-23 - 主分类号： G06V10/764 文献下载
摘要：本申请提供一种基于模型无关元学习的图像分类方法和装置，分类方法，包括：获取图像分类模型和损失网络；对图像分类任务做特征提取，得到任务表示向量；得到图像分类任务的相似系数；根据任务表示向量和相似系数得到增强任务表示向量；根据增强任务表示向量得到图像分类模型的第一初始化参数、以及损失网络的第二初始化参数；更新图像分类模型，得到任务学习器；测试各任务学习器，得到测试损失；根据测试损失更新第一初始化参数和第二初始化参数，得到元学习器；在测试集上，训练元学习器，得到目标任务学习器；利用目标任务学习器对目标任务进行图像分类。本申请的图像分类方法和装置，能够进一步提高多模式小样本图像分类的准确率。
基于模型关元学习图像分类方法装置

[发明专利]模型训练方法、文本分类方法、装置、计算机设备和介质-CN202011133979.1有效
发明人：李志韬;王健宗;吴天博;程宁 -专利权人：平安科技（深圳）有限公司
申请日： 2020-10-21 - 公布日： 2023-08-08 - 主分类号： G06F16/35 文献下载
摘要：本申请涉及人工智能和模型构建领域，通过将本地分类模型的模型参数和本地分类结果上传至联邦学习服务器进行联合学习，可以提高文本数据在模型训练过程中的安全性。尤其涉及一种文本分类模型训练方法、文本分类方法、装置、计算机设备和介质，该训练方法包括：获取文本训练集合，根据文本训练集合对本地分类模型进行文本分类训练；将训练后的本地分类模型的模型参数和本地分类结果加密后上传至联邦学习服务器进行联合学习，以得到学习参数；接收联邦学习服务器发送的学习参数，并根据学习参数更新训练后的本地分类模型，将更新后的本地分类模型作为训练完成的文本分类模型。
模型训练方法文本分类装置计算机设备介质

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条