“半监督学习”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561572个，建议您升级VIP下载更多相关专利

[发明专利]基于代价敏感和半监督分类的客户分类方法及装置-CN201810258062.0在审
发明人：肖进;刘潇潇 -专利权人：四川大学
申请日： 2018-03-27 - 公布日： 2018-08-10 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于代价敏感和半监督分类的客户分类方法及装置，其中方法包括：获取有类别标签数据集L、无类别标签数据集U和测试集Test；对有类别标签数据集L和无类别标签数据集U采用随机子空间法训练N个基本分类模型本发明将代价敏感学习、半监督学习和随机子空间相结合，既能够使用代价敏感学习较好地处理类别不平衡的数据，又能够使用半监督学习将无类别标签样本中包含的大量信息加以利用，同时还能利用随机子空间提高模型的目标客户选择性能
类别标签数据集随机子空间分类结果敏感基本分类模型半监督学习客户分类目标客户选择性能半监督测试集分类样本学习投票

[发明专利]一种基于结构光与深度学习的单帧三维测量方法-CN202210728482.7在审
发明人：孔令豹;万名烛 -专利权人：复旦大学
申请日： 2022-06-24 - 公布日： 2022-09-16 - 主分类号： G06T7/521 文献下载
摘要：本发明属于结构光三维测量技术领域，具体为一种基于结构光与深度学习的单帧三维测量方法。本发明通过无监督学习预训练与监督学习微调得到的深度神经网络进行条纹图像分析，实现三维测量；其中：无监督学习预训练以结构光系统采集的单帧条纹图像为输入，监督学习以采集的四种频率12步相移条纹图像为输入，所用的深度神经网络由本发明通过深度神经网络完成单帧三维测量，能够用于测量动态场景，且测量精度高；无监督与监督学习的结合使得采集的条纹图像数量减少，提高了深度学习方法的训练效率。
一种基于结构深度学习三维测量方法

[发明专利]一种基于魔方切分复原的半监督多器官分割方法-CN202211630590.7在审
发明人：王妍;陈铎文 -专利权人：华东师范大学
申请日： 2022-12-16 - 公布日： 2023-03-24 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了基于魔方切分的半监督多器官分割方法，将三维图像视作魔方，将所有图像切成小块，用于图像内分支；对于图像间分支，标记图像和无标记图像的小块随机进行跨图像混合，组成新的混合图像；这两个分支的输入分别经过深度神经网络后对于标记数据，利用真值标签监督两个分支恢复后的预测；对于无标记数据，将图像内分支的预测与教师网络的预测进行加权求和得到伪掩膜，以监督图像间分支的预测。本发明利用多器官的解剖学先验来解决半监督学习中有标记数据和无标记数据之间分布不匹配的问题，显著提高了半监督学习场景下多器官分割的准确率。
一种基于魔方切分复原监督器官分割方法

[发明专利]一种用于文本分类的半监督学习方法和系统-CN202110173996.6在审
发明人：李越超 -专利权人：中关村科学城城市大脑股份有限公司
申请日： 2021-02-09 - 公布日： 2021-03-19 - 主分类号： G06F16/35 文献下载
摘要：本发明实施例提供的一种用于文本分类的半监督学习方法和系统，包括：获取用于相关任务的样本集，所述样本集包括标注样本集和未标记样本集；对所述样本集进行预处理；对预处理后的未标记样本集进行预测和分类标注，对所述样本集进行扩充；采用扩充后的样本集，对深度学习模型进行训练。该方法该方法能够监督学习中缺少标签数据的问题，以及利用未标注的数据和标注的样本集来学习任务，并且使用无监督方法中的聚类方法解决缺少类别标签的情况。在本文提出的方法中，少量标注数量的情况下，极大的提高文本分类的效率，降低人工成本，以及提高无监督分类的准确率。
一种用于文本分类监督学习方法系统

[发明专利]基于双工相似性度量的弱监督学习方法及装置-CN202310018356.7在审
发明人：鲁继文;周杰;郑文钊;汪诚琨 -专利权人：清华大学
申请日： 2023-01-06 - 公布日： 2023-06-13 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了基于双工相似性度量的弱监督学习方法及装置，该方法包括：获取图像样本；将图像样本提取出的样本特征输入至神经网络模型进行处理，得到真实图像特征与虚假图像特征；根据真实图像特征与虚假图像特征计算样本特征间的双工相似性度量本发明可以同时利用正向监督信号和反向监督信号来指导训练过程并隐式地让网络自适应地去权衡两种信号。本发明能够同时提高噪声标签学习、部分标签学习以及半监督学习的基准性能。
基于双工相似性度量监督学习方法装置

[发明专利]一种基于半监督学习的人体运动检测系统及方法-CN201711228115.6在审
发明人：印金汝;刘贵全;叶剑鸣 -专利权人：合肥赑歌数据科技有限公司
申请日： 2017-11-29 - 公布日： 2018-03-30 - 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人体运动检测系统及方法，涉及数据信息分类系统。本发明中传感监测部分中，通过传感器对人体运动状态进行相应监测；状态参数部分中，包括相应状态的动作范围值，包括对状态范围值的上下限调整；半监督学习部分中，包括学习分类器以及学习分类器对传感器监测到的数据信息的分析匹配操作本发明通过建立预设的人体动作参数范围值，利用传感监测和视频监测方式，对人体运动状态进行正确分析，判断出学习分类器对数据样本的状态分类准确性，通过参数范围调整修正方式，建立出精准的状态参数范围，从而高效精准的对大量后续未知样本进行人体运动状态分类
一种基于监督学习人体运动检测系统方法

[发明专利]一种基于学习图的快速多视图半监督学习方法及系统-CN202111447155.6有效
发明人：张斌;强倩瑶;王飞 -专利权人：西安交通大学
申请日： 2021-11-30 - 公布日： 2023-09-19 - 主分类号： G06V10/56 文献下载
摘要：本发明公开了一种基于学习图的快速多视图半监督学习方法及系统，属于多视图图像分类领域。本发明的基于学习图的快速多视图半监督学习方法，可以在减小基于图的多视图图像分类方法计算复杂度的前提下，有效地完成多视图图像分类任务。为不同图像特征的锚点图自动分配权重，利用原始图像特征和预测标签共同学习得到了一个最优的多视图一致性锚点图。
一种基于学习快速视图监督学习方法系统

[发明专利]基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法-CN201911289020.4在审
发明人：李建平;顾小丰;胡健;蒋涛;王青松;陈强强;贺喜;李天凯 -专利权人：电子科技大学
申请日： 2019-12-12 - 公布日： 2020-04-21 - 主分类号： G06K9/20 文献下载
摘要：本发明公开了一种基于膜电压驱动的spiking神经元监督学习模型的光学字符识别方法，该方法包括获取光学字符样本集，采用相位编码方法将采用相位编码方法脉冲序列，建立基于膜电压驱动的spiking神经元监督学习模型并进行训练，利用训练后的spiking神经元监督学习模型对待检测光学字符进行识别。本发明通过采用相位编码方法将采用相位编码方法脉冲序列，建立基于膜电压驱动的spiking神经元监督学习模型并进行训练，利用训练后的spiking神经元监督学习模型对待检测光学字符进行识别，显著提高了spiking神经元序列学习的效率，进一步提高了光学字符识别的效率和准确率。
基于电压驱动 spiking 神经元监督学习模型光学字符识别方法

[发明专利]基于标签传播对比半监督学习的图像分类方法与系统-CN202210825399.1在审
发明人：徐晓华;李好;何萍 -专利权人：扬州大学
申请日： 2022-07-14 - 公布日： 2022-11-29 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于标签传播对比半监督学习的图像分类方法与系统，本发明首先为图像数据学习有意义的自监督对比学习的潜在特征。其次采用标签传播算法在无监督特征上传播已知标签，以自动方式有效地标记整个图像数据集。然后使用相似对齐方法选择匹配图像样本并构成可靠图像样本数据集。最后在匹配可靠图像样本数据集上训练半监督网络模型。在不匹配的图像样本进行无监督对比学习提取特征预测标签进行分类。本发明可在极低的监督设置下提高半监督图像分类的性能，可解决图像数据在进行图像分类时因为图像数据分布不平衡导致数据在标记时不匹配引起的模型性能严重下降的问题，提高图像数据分类的准确性，同时有效减少人工注释的工作
基于标签传播对比监督学习图像分类方法系统

[发明专利]文本分类方法和装置-CN202010468798.8在审
发明人：陈利琴;闫永泽;刘设伟 -专利权人：泰康保险集团股份有限公司;泰康在线财产保险股份有限公司
申请日： 2020-05-28 - 公布日： 2020-08-11 - 主分类号： G06F16/35 文献下载
摘要：该方法包括：基于携带类别标签的文本数据构建第一训练样本集，基于未携带类别标签的文本数据构建第二训练样本集；对第一训练样本集进行有监督学习，并确定有监督学习下损失函数的值；对第二训练样本集进行无监督学习，并确定无监督学习下损失函数的值；根据有监督学习下损失函数的值和无监督学习下损失函数的值，确定混合损失函数的值；根据混合损失函数的值对文本分类模型的参数进行更新，以得到训练好的文本分类模型；基于训练好的文本分类模型确定待检测文本的类别
文本分类方法装置

[发明专利]一种融合无监督学习和监督学习的反馈式分类方法-CN201910510414.1在审
发明人：李刚;张政儒;许仕杰;蒋永华;焦卫东 -专利权人：浙江师范大学
申请日： 2019-06-13 - 公布日： 2019-11-08 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种融合无监督学习和监督学习的反馈式分类方法：通过无监督学习对原始特征集合进行分类，获得带标签信息的分类结果；将分类结果随机均分为训练组和对照组，训练组作为监督学习的输入，采用特征选择算法，使监督学习的分类准确率最高，并获得对应的特征子集；重构对照组特征集合，即依据特征子集的特征类别提取对照组特征集合相对应的特征子集，将重构后的对照组特征集合作为训练组获得的监督学习模型的输入，计算其分类准确率；通过设定分类准确率阈值作为迭代的终止条件
分类准确率无监督学习分类结果特征集合特征子集训练组迭代重构分类原始特征反馈式监督学习集合特征选择算法标签信息分类标签分类问题特征类别预设条件终止条件融合预设

[发明专利]一种基于自监督学习神经网络的点目标相位检索方法-CN202111260725.0有效
发明人：郭弘扬;徐杨杰;唐薇;王子豪;黄永梅;贺东;王强 -专利权人：中国科学院光电技术研究所
申请日： 2021-10-28 - 公布日： 2023-08-15 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于自监督学习神经网络的点目标相位检索方法，利用的系统包括：成像探测器与自监督学习神经网络模块。在训练过程中，自监督学习神经网络将输入的光斑图像的数据样本映射到Zernike系数，然后通过光学成像系统利用Zernike系数计算出光斑图像，根据输入与输出光斑图像之间的相似度计算损失函数实现自监督学习测试过程中，成像探测器采集的单幅离焦光斑图像输入到自监督学习神经网络中，根据映射关系输出系统所需的波前参数，实现相位检索。该方法不依赖任何标签值，仅通过畸变光斑数据的内在特征，建立采集光斑样本之间的映射关系；有效地避免了传统监督学习需要大量标签样本的技术瓶颈，有利于神经网络相位检索方法的实际应用。
一种基于监督学习神经网络目标相位检索方法

[发明专利]一种基于潜在扩散模型和多级上下文交叉一致性的半监督分割方法-CN202310959223.X在审
发明人：张立斌;丁卓;丁建睿;汤丰赫 -专利权人：长江时代通信股份有限公司;哈尔滨工业大学（威海）
申请日： 2023-08-01 - 公布日： 2023-10-27 - 主分类号： G06V10/26 文献下载
摘要：本发明公开一种基于潜在扩散模型和多级上下文交叉一致性的半监督分割方法，该方法包括两个阶段，图像生成阶段和半监督学习阶段。在图像生成阶段包括如下步骤：首先将图像输入到变分自动编码器的编码器中生成潜在空间编码，将对应图像的潜在空间编码输入到潜在扩散模型中，其次利用去噪自动编码器对加噪后的潜在空间编码计算去噪拟合损失以学习去噪分布为了利用图像生成阶段生成的大量有价值合成无标记样本，半监督学习阶段包括如下步骤：首先将有标记图像和无标记合成图像样本输入到编码器以提取高级语义特征，其次引入多个辅助解码器，对辅助解码器和主解码器的输入特征提取不同等级的全局上下文信息，并对辅助解码器的输入特征额外施加噪声扰动，最后通过保持主解码器和辅助解码器之间输出结果的一致性来学习生成的未标记样本。发明可以用于任何利用合成图像进行半监督学习的任务。
一种基于潜在扩散模型多级上下文交叉一致性监督分割方法

[发明专利]一种基于ACGAN图像半监督分类算法-CN201910883908.4在审
发明人：肖红光;赵准登 -专利权人：长沙理工大学
申请日： 2019-09-18 - 公布日： 2020-01-03 - 主分类号： G06K9/62 文献下载
摘要：本发明基于ACGAN图像半监督分类算法解决在半监督学习中标签过少导致分类过拟合的问题，通过ACGAN网络中的生成器生成假数据及其对应的标签，并把假数据放入分类器中进行分类，增加带有标签的数据量，从而提高分类模型的泛化能力
标签假数据半监督学习分类模型分类算法半监督分类器生成器数据量分类放入拟合图像网络

[发明专利]一种监督与无监督学习联合的单像素成像方法和装置-CN202211664724.7在审
发明人：付莹;田烨;张军 -专利权人：北京理工大学
申请日： 2022-12-23 - 公布日： 2023-06-06 - 主分类号： G06T11/00 文献下载
摘要：本发明涉及一种监督与无监督学习联合的单像素成像方法和装置，属于计算摄像技术领域。该方法设计了一种基于Transformer的单像素一步成像网络，能够直接从欠采样的单像素测量值中重建目标图像，无需求解近似结果的步骤，同时采用监督学习和无监督学习结合的方式来训练该网络，保证了方法的强泛化性通过构建均方损失函数和全变分损失函数的结合的无监督损失函数，防止网络出现过拟合问题，保证了方法的重建性能。所述装置包括数据采集子模块、监督学习子模块、无监督学习子模块和重建子模块。
一种监督学习联合像素成像方法装置