“无监督”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1238152个，建议您升级VIP下载更多相关专利

[发明专利]一种视频去噪装置-CN202211719412.1在审
发明人：尹东;刘学彦;刘文庭;丁美玉;董鹏宇 -专利权人：上海富瀚微电子股份有限公司
申请日： 2022-12-30 - 公布日： 2023-03-28 - 主分类号： G06T5/00 文献下载
摘要：本发明提供一种视频去噪装置，包括噪声强度估计模块、去噪网络结构、无监督训练模块和参数调节模块，噪声强度估计模块采集多帧带噪视频和原始图像数据，并得到带噪视频图像对应的噪声强度；无监督训练模块提供训练损失函数同时根据训练损失函数对去噪网络结构进行训练；参数调节模块用于控制去噪网络结构的时域合成力度，能够在只拥有真实带噪视频没有不带噪源视频的情况下训练视频去噪模型，并且方便部署到嵌入式设备上，支持用户灵活调节参数；噪声估计模块的噪声估计和无监督学习模块的无监督学习均真实带噪视频展开的
一种视频装置

[发明专利]基于特征重构的无监督域自适应OCT图像分割方法及系统-CN202310668191.8在审
发明人：石霏;刁胜勇;陈新建 -专利权人：苏州大学
申请日： 2023-06-07 - 公布日： 2023-09-29 - 主分类号： G06T7/11 文献下载
摘要：本发明提供一种基于特征重构的无监督域自适应OCT图像分割方法及系统，涉及图像分割技术领域。该方法包括采集不同OCT图像构建数据集，将数据集划分为源域图像数据和目标域图像数据；对所述源域图像和所述目标域图像进行预处理；构建基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型，并将预处理后的源域图像和目标域图像输入到网络中进行训练，得到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型；将待分割图像输入到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型中，得到分割结果。
基于特征监督自适应 oct 图像分割方法系统

[发明专利]一种基于相似筛选的无监督目标重识别方法、装置及介质-CN202311152784.5在审
发明人：魏志强;宋美瑶;黄磊 -专利权人：中国海洋大学
申请日： 2023-09-08 - 公布日： 2023-10-20 - 主分类号： G06V10/762 文献下载
摘要：本发明公开了一种基于相似筛选的无监督目标重识别方法、装置及介质，涉及重识别技术领域。方法包括：利用公开数据集预训练以初始化无监督目标重识别模型的神经网络以及内存库，对获取的目标域图像集进行特征提取和聚类更新内存库；根据目标域图像集依据相机样本比例进行采样确定采样数据；根据采样数据计算总损失迭代训练神经网络，利用神经网络新提取的特征和聚类结果更新内存库，直至总损失不再下降确定无监督目标重识别模型；获取待进行重识别的预定目标图像以及多目标图像集；根据无监督目标重识别模型，从多目标图像集中识别出与预定目标图像相同目标的目标图像数据集
一种基于相似筛选监督目标识别方法装置介质

[发明专利]一种基于双重十字耦合关联的无监督KPI异常检测方法-CN202310886612.4在审
发明人：王意洁;徐鸿祚;刘铭宇;周小晖;包涵;王勇军;李一舟;胡小雨;李彬;张如意;阚浚晖;张凯鑫 -专利权人：中国人民解放军国防科技大学
申请日： 2023-07-19 - 公布日： 2023-10-27 - 主分类号： G06F18/2415 文献下载
摘要：本发明公开了一种基于双重十字耦合关联的无监督KPI异常检测方法，先构建由历史KPI序列数据库、预处理模块、输入模块、基于双重十字耦合关联的KPI片段特征提取模型、特征转换模块、特征空间距离计算模块、训练优化模块和在线异常检测模块构成的基于双重十字耦合关联的无监督先对无监督KPI异常检测系统进行训练，KPI片段特征提取模型同时建模KPI数据内部时序维度的耦合关联和KPI序列间的耦合关联，提取待检测KPI数据的特征向量，特征空间距离计算模块计算特征向量与特征空间中心点的距离采用本发明能有效提高无监督KPI异常检测准确率。
一种基于双重十字耦合关联监督 kpi 异常检测方法

[发明专利]基于无监督智能学习算法的非法运营车辆识别方法-CN201510180572.7有效
发明人：王佐成;任子晖;王汉林;马韵洁;张凯;范联伟;刘畅;张伟;周春寅;许亚军 -专利权人：安徽四创电子股份有限公司
申请日： 2015-04-17 - 公布日： 2018-09-07 - 主分类号： G06F17/30 文献下载
摘要：本发明涉及基于无监督智能学习算法的非法运营车辆识别方法，包括：输入待识别车辆的筛选条件；在Hadoop大数据平台上检索出与筛选条件相关的车辆的过车数据；对检索出来的过车数据进行数据预处理；采用无监督智能学习算法对预处理后的过车数据进行分析处理本发明还公开了基于无监督智能学习算法的非法运营车辆识别系统。本发明对符合筛选条件的车辆的过车数据进行快速检索，接着进行数据预处理，使用无监督智能学习算法进行分析，并将分析结果呈现给用户，从而提高运管部门对非法营运车辆的监控管理能力。
基于监督智能学习算法非法运营车辆识别方法系统

[发明专利]文本分类方法、装置、计算机设备和存储介质-CN201810283100.8有效
发明人：朱汝维;游永明 -专利权人：广州市申迪计算机系统有限公司
申请日： 2018-04-02 - 公布日： 2021-06-04 - 主分类号： G06F16/35 文献下载
摘要：对训练文本进行训练得到的分类模型的步骤包括：将训练文本中标注文本输入预设分类模型，进行监督对抗训练，并将训练文本中无标注文本输入监督对抗训练后的所述预设分类模型，进行无监督虚拟对抗训练，获得分类模型。分类模型的无监督虚拟对抗过程中可以利用了大量的无标注的数据作为输入来进行虚拟对抗训练，而不需要全部使用标注数据来充当预设分类模型训练，可以提高训练过程中输入的数据量，且大大减轻对人工标注数据量的需求，降低分类模型建立的人力成本
文本分类方法装置计算机设备存储介质

[发明专利]一种漫画手绘图无监督上色方法及装置-CN201710533652.5有效
发明人：刘怡俊;梁培俊 -专利权人：广东工业大学
申请日： 2017-07-03 - 公布日： 2020-08-07 - 主分类号： G06T11/40 文献下载
摘要：本发明公开了一种漫画手绘图无监督上色方法及装置，通过获取多张动漫图像，作为漫画原图像；提取漫画原图像的轮廓，生成漫画手绘图；将漫画原图像以及漫画手绘图拼接为一张图像，作为训练数据集中的训练样本；根据训练数据集，基于条件生成式对抗网络训练得到无监督上色模型，条件生成式对抗网络由包含的生成器模型以及判别器模型以对抗的方式进行优化训练得到；采用训练好的无监督上色模型对输入的手绘图像进行上色处理。本申请所提供的方法及装置可以在无监督的情况下，对手绘图像的上色模式进行学习，使用学习获得的模型即可对输入的手绘图像进行自动上色处理，不仅无需人工干预，还能够保持较好的视觉效果。
一种漫画绘图监督上色方法装置

[发明专利]一种新型的半监督文本实体信息抽取方法-CN201911369784.4有效
发明人：寿黎但;王珏;陈珂;陈刚;伍赛;骆歆远 -专利权人：浙江大学
申请日： 2019-12-26 - 公布日： 2021-09-24 - 主分类号： G06F40/295 文献下载
摘要：本发明公开了一种新型的半监督文本实体信息抽取方法。文档短语分割得候选实体集合；建立有、无监督学习部分，有、无标注的文档分别有、无监督学习；文档和实体类型输入实体抽取模块输出实体信息；文档和短语输入类型选择模块输出短语概率分布；两模块损失值相加为损失；文档输入实体抽取模块获得每个实体类型的损失本发明能够利用海量无标注数据，显著增强模型性能，在小样本标注数据的条件下有着显著的提升，也适用于零样本学习的半监督文本数据处理。
一种新型监督文本实体信息抽取方法

[发明专利]一种无监督立体图像重定向方法-CN202011528334.8有效
发明人：雷建军;范晓婷;张哲;彭勃 -专利权人：天津大学
申请日： 2020-12-22 - 公布日： 2022-07-29 - 主分类号： G06T3/00 文献下载
摘要：本发明公开了一种无监督立体图像重定向方法，所述方法包括：利用多级注意力生成模块获取立体图像的注意力图；利用左右图像之间的视点间的相关性，构建视点合成损失；利用立体图像在重定向前后的一致性，构建立体循环一致性损失；基于视点合成损失、立体循环一致性损失构建总损失函数，通过总损失函数对无监督立体图像重定向进行训练，获得重定向后的立体图像。本发明利用无监督深度学习方式，采用多级注意力生成模块提取高层特征，提取显著区域的信息，并利用无监督视点合成损失和立体循环一致性损失，保证立体图像的几何结构和深度信息，实现立体图像重定向。
一种监督立体图像定向方法

[发明专利]基于无监督权重深度模型的偏振图像去雾方法及装置-CN202211186406.4有效
发明人：孙波;马铜伟;叶壮;李道胜 -专利权人：泉州装备制造研究所
申请日： 2022-09-28 - 公布日： 2022-12-30 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于无监督权重深度模型的偏振图像去雾方法及装置，涉及图像去雾处理领域，以解纠缠的表示学习思想为起点，根据stokes理论，直接解算光波的偏振信息，将第一图像与第二图像直接输入无监督权重深度模型，依次经过编码层、融合层和解码层，输出得到去雾后的偏振图像，在模型训练方法上，通过在权重测量层内设计两个权重，从而考虑了不同模态信息的保留方式，将两个权重计入损失函数中对无监督权重深度模型进行训练，最终实现远距离场景去雾采用分焦平面型偏振成像系统采集不同雾霾条件下的偏振图像，通过无监督权重深度模型进行偏振去雾处理，以解决目前图像去雾时对远距离场景去雾效果不佳的问题。
基于监督权重深度模型偏振图像方法装置

[发明专利]一种基于无监督特征重构的小样本目标检测方法-CN202211058982.0有效
发明人：汪俊;戴黎;单忠德;李大伟 -专利权人：南京航空航天大学
申请日： 2022-08-31 - 公布日： 2022-11-15 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于无监督特征重构的小样本目标检测方法，包括：获取遥感图像，构建小样本数据集，构建基于卷积的双向长短时记忆网络作为小样本数据集训练的嵌入网络，提取遥感图像的特征向量；将遥感图像的特征向量输入无监督的自适应特征重构模块中进行训练，直至特征级重建损失函数收敛，完成对无监督的自适应特征重构模块的训练；实时采集遥感图像，输入基于卷积的双向长短时记忆网络和训练好的无监督的自适应特征重构模块中，输出重构特征向量；将重构特征向量采用基于余弦相似度的分类器进行分类
一种基于监督特征样本目标检测方法

[发明专利]基于重构映射一致的无监督密集匹配方法及系统-CN202111008712.4有效
发明人：金飞;王番;官恺;刘智;芮杰;刘潇;郭昊珺;汪建峰;缪毓喆;王淑香;林雨准;魏麟苏;高雪梅;李华 -专利权人：中国人民解放军战略支援部队信息工程大学;中国人民解放军61363部队
申请日： 2021-08-31 - 公布日： 2023-06-09 - 主分类号： G06V10/75 文献下载
摘要：本发明属于密集匹配技术领域，涉及一种基于重构映射一致的无监督密集匹配方法及系统，构建密集匹配网络，利用无监督损失函数作为目标约束函数来学习输入图像到视差图的映射，其中，无监督损失函数包含重构映射一致性损失函数本发明利用重构映射一致损失并结合平滑和左右一致损失作为无监督目标约束函数，提升网络模型训练收敛速度及精度，使用于密集匹配网络更加稳定，保证密集匹配效果和质量。
基于映射一致监督密集匹配方法系统

[发明专利]基于对抗流模型的机械设备无监督故障诊断方法-CN202111138262.0有效
发明人：王俊;戴俊;江星星;黄伟国;朱忠奎 -专利权人：苏州大学
申请日： 2021-09-27 - 公布日： 2023-05-16 - 主分类号： G06F18/2413 文献下载
摘要：本发明公开了一种基于对抗流模型的机械设备无监督故障诊断方法，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、先验分布设计：根据机械设备状态的K个类别设计具有K个子分布的高斯混合模型；步骤(3)、模型搭建：把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型；步骤(4)、模型训练：利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法训练所述无监督故障诊断模型；步骤(5)、故障诊断：将机械设备的状态数据输入到训练好的所述无监督故障诊断模型中，得到数据聚类结果和故障诊断结果。
基于对抗模型机械设备监督故障诊断方法

[发明专利]基于无监督学习的卫星组件温度场确定方法-CN202011162058.8有效
发明人：龚智强;周炜恩;张小亚;姚雯 -专利权人：中国人民解放军军事科学院国防科技创新研究院
申请日： 2020-10-27 - 公布日： 2023-03-24 - 主分类号： G06F30/23 文献下载
摘要：本发明公开了一种基于无监督学习的卫星组件温度场确定方法，包括：对卫星组件的结构进行近似描述，建立卫星组件布局的结构模型；生成多个包括卫星组件布局的训练数据集和多个包括卫星组件布局及其对应的温度场分布的测试数据集；构建内嵌物理知识的无监督学习损失函数；基于无监督学习损失函数，利用训练数据集和测试数据集对深度学习模型进行训练以拟合卫星组件布局与温度场分布的映射关系；将待计算温度场分布的卫星组件布局输入训练后的深度学习模型本发明的方法通过利用深度学习模型和内嵌物理知识的无监督学习损失函数，能实现卫星组件温度场分布的快速计算，所需计算资源和工作量少，精度和效率高。
基于监督学习卫星组件温度场确定方法

[发明专利]基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质-CN202110273807.2有效
发明人：洪楷铎;郑伟诗 -专利权人：中山大学
申请日： 2021-03-15 - 公布日： 2023-03-31 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质，包括下述步骤：生成训练数据，得到元训练集和元测试集；构造卷积神经网络模型，在卷积神经网络模型中引入快权重和慢权重，所述快权重在内部循环中进行迭代，所述慢权重在外部循环进行优化求解；利用元训练集和元测试集对优化后的卷积神经网络模型进行训练，得到优化后的神经网络模型；引入无监督相关损失，提高卷积神经网络模型分类效果；将待分类的图像输入到训练好的卷积神经网络本发明结合数据采样、数据增强、和无监督图像分类中的方法，提升模型无关原学习方法的训练速度，解决少样本学习无监督样本生成和计算效率的问题。
基于模型关元学习监督样本图像分类方法系统存储介质