“杨育彬”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果78个，建议您升级VIP下载更多相关专利

[发明专利]一种融合个性化上下文和时域动态特征的时序预测方法-CN202310622811.4在审
发明人： 杨育彬;陈迪 -专利权人：南京大学
申请日： 2023-05-30 - 公布日： 2023-10-03 - 主分类号： G06N3/088 文献下载
摘要：本发明公开了一种融合个性化上下文和时域动态特征的时序预测方法，包含如下步骤：步骤1，对数据集中的时间序列数据进行归一化以及无重叠的窗口化；步骤2，搭建一种多任务联合训练的神经网络模型，使其能够同时捕获个性化上下文和时域动态特征，利用训练数据完成对编码器的预训练；步骤3，基于预训练后的编码器提取数据表征，完成下游预测模块的训练；步骤4，利用最终得到的编码器和预测模块，对测试数据进行预测并评估模型。本发明提供的方法通过多任务联合训练来同时提取个性化上下文和时域动态特征，丰富了编码器所提取的表征信息，能够显著提升对时间序列数据的预测效果。
一种融合个性化上下文时域动态特征时序预测方法

[发明专利]一种基于两阶段主动学习的图像识别分类方法-CN202310715906.0在审
发明人： 杨育彬;范译;江彪 -专利权人：南京大学
申请日： 2023-06-16 - 公布日： 2023-09-29 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于两阶段主动学习的图像识别分类方法，包含如下步骤：使用常规主动学习方法进行第一阶段主动采样；对各视图中的样本进行聚类；计算两个视图间的一致度；使用表达度和稳定度进行第二阶段主动采样；对神经网络进行训练；对模型进行迭代优化。本发明是一种与具体的学习任务无关、与现有主动学习方法解耦的新型主动学习方法，可以应用在多种主动学习场景中，且可以与现有主动学习方法结合使用。此外，本发明同时考虑到了样本的表达性和稳定性，采样出的用于标注的样本具有较高的可信度。本发明实现了准确、扩展性强的基于多视图聚类计算样本表达度和稳定度的两阶段主动学习方法，因此具有较高的使用价值。
一种基于阶段主动学习图像识别分类方法

[发明专利]基于对偶注意力网络的高效图像超分辨率重建方法-CN202310718400.5在审
发明人： 杨育彬;牛中瀚;范译;谢佳鑫 -专利权人：南京大学
申请日： 2023-06-16 - 公布日： 2023-09-12 - 主分类号： G06T3/40 文献下载
摘要：本发明提供了基于对偶注意力网络的高效图像超分辨率重建方法，包括：步骤1，搭建浅层特征提取模块；步骤2，将高维特征均匀分成两部分，用于提取相邻像素信息和远距离像素信息；步骤3，搭建相邻像素信息捕捉模块；步骤4，搭建远距离像素信息捕捉模块；步骤5，搭建通道混合注意力模块；步骤6，堆叠对偶注意力模块并加上残差操作和上采样操作结构形成一个神经网络；步骤7，使用训练图像数据集，对神经网络进行训练；步骤8，将需要进行超分辨率的图像送入神经网络，网络的输出即为图像的超分辨率结果。本发明能够对任意分辨率的图像进行任意放大倍数的超分辨率操作，且超分辨结果能同时考虑到图像的邻近像素依赖关系和远距离像素依赖关系。
基于对偶注意力网络高效图像分辨率重建方法

[发明专利]一种基于邻域信息融合注意力机制的时序异常检测方法-CN202310630405.2在审
发明人： 杨育彬;陈迪 -专利权人：南京大学
申请日： 2023-05-31 - 公布日： 2023-09-01 - 主分类号： G06F11/07 文献下载
摘要：本发明公开了一种基于邻域信息融合注意力机制的时序异常检测方法，包含如下步骤：步骤1，对数据集中的时间序列数据进行预处理；步骤2，搭建基于序列分解和注意力机制的神经网络模型，通过所述网络完成对训练数据的特征提取以及重构；步骤3，使用深度学习算法对网络进行无监督预训练；步骤4，利用最终得到的模型进行异常检测。本发明提供的方法通过结合序列分解和注意力机制，融合邻域信息并加强注意力模块对输入窗口数据的边缘部分的建模能力，能够显著提升无监督场景下模型的异常检测效果。
一种基于邻域信息融合注意力机制时序异常检测方法

[发明专利]一种自然场景中的任意形状文本检测方法-CN202010305563.7有效
发明人： 杨育彬;钱锡俊 -专利权人：南京大学
申请日： 2020-04-17 - 公布日： 2023-07-04 - 主分类号： G06V20/62 文献下载
摘要：本发明提供了一种自然场景中的任意形状文本检测方法，包括如下步骤：步骤1，对文本图片数据集中的训练图片进行预处理；步骤2，搭建分割网络，利用所述网络完成对训练图片的特征提取、分割预测，得到文本区域和文本中心区域的预测；步骤3，利用一种随着训练过程渐进衰减的权重来控制损失函数的计算，对网络进行监督训练得到检测器模型；步骤4，对待检测图片进行检测；步骤5，通过后处理算法得到文本中心核的预测图，过滤部分错误预测区域，然后直接扩张预测文本中心核得到最终检测结果。
一种自然场景中的任意形状文本检测方法

[发明专利]一种轻量级注意力机制的图像超分辨率重构方法-CN202110456563.1在审
发明人： 杨育彬;罗润宇 -专利权人：南京大学
申请日： 2021-04-26 - 公布日： 2022-10-28 - 主分类号： G06T3/40 文献下载
摘要：本发明提供了一种轻量级注意力机制的图像超分辨率重构方法，包括：步骤1，对数据集中的训练图片进行预处理；步骤2，搭建超分网络，通过所述网络完成对训练图片的特征提取以及重构；步骤3，使用深度学习算法，对网络进行监督训练；步骤4，对低分辨率图像进行处理得到高分辨率图像。
一种轻量级注意力机制图像分辨率方法

[发明专利]一种使用注意力网络的值分解多智能体强化学习训练方法-CN202210387353.6在审
发明人： 杨育彬;顾志浩 -专利权人：南京大学
申请日： 2022-04-13 - 公布日： 2022-08-05 - 主分类号： G06N20/00 文献下载
摘要：本发明提供了一种使用注意力网络的值分解多智能体强化学习训练方法，包括使用探索策略的经验收集和联合动作值函数计算。在计算联合动作值函数时使用了两种方法以提升效果：使用注意力网络和分离式的值分解结构。注意力网络使用全局状态作为输入，使得网络可以注意到全局状态中重要的部分，更加精确的计算权重。分离式的值分解结构采用了两层加权网络，每层网络使用不同的全局状态编码，减小超网络学习的难度。每个智能体独立的动作值函数使用超网络融合，最终输出联合动作值函数。本发明使用的注意力网络和分离式值分解结构有效的提升了学习效率，加速了模型收敛，提高了多智能体协作策略的效果。
一种使用注意力网络分解智能强化学习训练方法

[发明专利]一种基于主动域自适应学习降低标注需求的目标检测方法-CN202210270638.1在审
发明人： 杨育彬;江彪;龙坤 -专利权人：南京大学
申请日： 2022-03-18 - 公布日： 2022-07-08 - 主分类号： G06V10/778 文献下载
摘要：本发明公开了一种基于主动域自适应学习降低标注需求的目标检测方法，包括：构建网络模型；进行符合主动学习特征的初始数据划分；确定主动采样过程的采样策略并进行主动采样；对挑选出来的数据进行专家标注；使用更新后的标注数据对模型进行微调；依据当前相关条件及模型表现，决定是否继续迭代模型；利用最后得到的模型进行目标检测。本发明通过将主动学习与域自适应学习结合，提出了一种新的主动域自适应学习策略，大大减少了目标检测任务所需的数据标注量，节省标注成本；依据域自适应过程中的全局与局部特征对齐过程设计了一种新的采样策略，同时考虑了图像级和目标实例级特征，能提升对富信息样本的挑选效果，并有利于模型的性能提升。
一种基于主动自适应学习降低标注需求目标检测方法

[发明专利]一种基于迭代式筛选和预训练增强的机器阅读理解方法-CN202210264639.5在审
发明人： 杨育彬;雷伟俊;李昕宜 -专利权人：南京大学
申请日： 2022-03-17 - 公布日： 2022-07-01 - 主分类号： G06F16/33 文献下载
摘要：本发明公开了一种基于迭代式筛选和预训练增强的机器阅读理解方法，包括：构建迭代式筛选网络：用HotpotQA数据集的问题和文档对训练初始筛选网络；从包含干扰文档的原始数据中找出与当前最为相关的文档；迭代筛选过程，根据初始网络得到的文档以及原始的问题，从当前文档集中筛选出与初始筛选网络和文档最为相关的支撑文档，得到与问题相关的两步支撑文档。构建阅读器网络：用预训练模型对SQuAD数据就进行微调得到单步阅读理解模型；在多步阅读理解数据集上进行两次联合训练，得到关于问题和文档的答案和支撑事实。本发明无需构建复杂的图神经网络以及对多步问题进行分解，即可实现更好的多步机器阅读理解效果。
一种基于迭代式筛选训练增强机器阅读理解方法

[发明专利]一种基于主动采样对抗学习的真实世界图像超分辨率方法-CN202210276575.0在审
发明人： 杨育彬;龙坤;江彪 -专利权人：南京大学
申请日： 2022-03-21 - 公布日： 2022-06-28 - 主分类号： G06T3/40 文献下载
摘要：本发明提供了一种基于主动采样对抗学习的真实世界图像超分辨率方法，包括：使用已有高分辨图像与对应的经过双三次插值(bicubic)退化的低分辨率图像以有监督方式训练超分辨率模型；将真实世界图像首先经过无监督去噪网络进行首次去噪处理；将经过一轮去噪的真实世界图像及已有且配对的高分辨率图像‑低分辨率图像输入基于生成对抗网络的网络框架中，利用主动采样策略采样出图像块进行整个模型的训练。最终的模型能够直接对真实世界的低分辨率图像进行超分辨率重建，得到高分辨率输出图像。相较于现有技术，本发明提出的针对真实世界图像的超分辨方法减少了训练成本，并且可以实现更好的图像重建效果。
一种基于主动采样对抗学习真实世界图像分辨率方法

[发明专利]一种提高图像分辨率的方法-CN202210154779.7在审
发明人： 杨育彬;谢佳鑫 -专利权人：南京大学
申请日： 2022-02-21 - 公布日： 2022-05-27 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种提高图像分辨率的方法，包括：使用DIV2K数据集训练图像超分辨率模型；在训练完成得到最终的图像超分辨率模型之后，把需要测试的图像裁剪成96*96大小的图像块，然后依次将每个图像块输入到图像超分辨率模型中；输入图像块经过卷积神经网络浅层特征提取、Transformer块深层特征提取以及像素重组图像重建得到高分辨率输出图像块；将得到的一系列高分辨率输出图像块按照它们在输入图片中的顺序拼接起来，形成最终的高分辨率输出图像。相较现有技术，本发明中提出来的图像超分辨率模型包含更少的参数量，并且可以实现更好的图像重建效果。
一种提高图像分辨率方法

[发明专利]一种解决部件不对齐的行人再识别方法-CN201911024291.7有效
发明人： 杨育彬;林喜鹏 -专利权人：南京大学
申请日： 2019-10-25 - 公布日： 2022-05-17 - 主分类号： G06V40/10 文献下载
摘要：本发明公开了一种解决部件不对齐的行人再识别方法，包括：对行人图像进行数据预处理，调整行人图像的大小并进行数据增强，再进行数据标准化处理；构造行人再识别的网络模型，即构造行人图像的深度表征，通过骨干网络模型提取多层特征，使用子模块增强并融合多层特征，形成多分支的结构，提取各个分支的部件特征与全局特征；训练所构造的网络模型，定义实验相关配置，对网络模型的模型参数进行优化；行人再识别，通过训练好的网络模型提取查询图像的深度表征，使用二范式范化后根据每个查询图像与被查询集的相似度，返回每个查询图像的识别结果。通过基于融合多尺度特征解决部件不对齐的行人再识别方法，实现了现阶段最佳的行人再识别性能。
一种解决部件对齐行人识别方法

[发明专利]基于点对关系学习和重构的图像特征二值编码表示方法-CN201810203371.8有效
发明人： 杨育彬;甘元柱;毛晓蛟 -专利权人：南京大学
申请日： 2018-03-13 - 公布日： 2022-03-18 - 主分类号： G06F16/583 文献下载
摘要：本发明公开了基于点对关系学习和重构的图像特征二值编码表示方法，包括：步骤1，将数据转换为字典表示形式，求解约束问题得到表示形式中的系数矩阵；步骤2，对步骤1中获得的系数矩阵构造表示图的权值矩阵，在这个图上通过谱聚类将字典项分割成k个组，从而实现字典分割；步骤3，给定新样本，计算它在所有字典项组上的重构残差，选取最小的重构残差对应的最优字典项组来进行线性表示，从而完成点对关系的学习；步骤4，求解最优模型，学习保持点对关系的最优的二值编码，实现点对关系的重构。
基于关系学习图像特征编码表示方法

[实用新型]一种可调节的眼科医疗支撑架-CN202121052389.6有效
发明人： 杨育彬 -专利权人： 杨育彬
申请日： 2021-05-17 - 公布日： 2021-12-14 - 主分类号： A61G13/12 文献下载
摘要：本实用新型属于医疗器械领域，尤其是一种可调节的眼科医疗支撑架，针对现有的支撑架不能够根据患者的头部大小来调节支撑架的大小，降低了使用范围，降低了使用实用性的问题，现提出如下方案，其包括底座，所述底座的顶部固定连接有调节箱，所述调节箱内设有调节组件，所述调节组件上对称固定连接有两个支撑柱，两个支撑柱的顶端均延伸至调节箱的顶部上方并固定连接有同一个U形架，所述U形架的底部内壁上固定连接有橡胶座，本实用新型结构合理，操作便利，通过对U形架的高度进行调节，可以满足不同的使用需求，且可以使两个夹紧板相互靠近，能够对不同的患者头部进行固定，扩大了使用范围，具有较强的实用性。
一种调节眼科医疗支撑架

[发明专利]一种基于感知损失和匹配注意力机制的图像分类方法-CN201810468906.4有效
发明人： 杨育彬;刘路飞 -专利权人：南京大学
申请日： 2018-05-16 - 公布日： 2021-10-12 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于感知损失和匹配注意力机制的图像分类方法，包括：步骤1，针对目标数据集和源数据集分别设计一个基于卷积核的特征提取网络；步骤2，在特征提取网络中间层之间增加匹配注意力机制。步骤3，设计一个针对提取出的特征的分类网络。步骤4利用带类标的源数据集训练步骤1～步骤3构建的整个网络,利用训练出的参数作为网络下一阶段训练的初始化。步骤5，利用训练好的分类器构造一个感知损失函数，感知函数用于衡量特征提取网络提取出特征分布的距离。步骤6，再设计判别器网络用于区分特征提取网络提取出特征分布的不同。步骤7，优化步骤1～步骤3构建的网络；步骤8，得到图像的分类结果。
一种基于感知损失匹配注意力机制图像分类方法

1
2
3
4
5
6
下一页»
尾页
共 78 条