本发明提供一种基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法,涉及机器视觉与谷物质量检测领域,该方法包括:采集源领域以及目标领域下的谷物样本图像,其中包括合格谷物的样本图像与带有缺陷的谷物的样本图像,选择深度卷积神经网络CNN模型识别缺陷,利用源领域训练好的模型参数初始化CNN模型,并引入迁移学习算法利用源领域样本辅助目标领域样本完成目标领域谷物的质量检测。在CNN模型的训练中提出自适应学习率,并引入二次函数与正态分布模型分别采取梯度下降与梯度上升的方式更新模型参数,优化模型损失。该方法能够提高CNN模型的训练性能,自适应领域的变化,极大程度的提高谷物质量检测的准确性。
📄 2020100199330
📂 G01N21_88
👤 江南大学
📅 2020-01-09
本发明公开了基于深层3D网络与迁移学习的医学图像生成方法,本发明利用图像预处理、制作数据集、数据增强、模型训练、观测模型、网格寻优、再次训练、再次核对、数据测试、评价指标、结果讨论的方式进行模型的训练,并最终利用该模型进行医学图像的生成,涉及医学图像处理技术领域,本发明科学合理,使用安全方便,在本模型中,是将原始图像分成若干个区域,计算各个域的Softmax数值求取平均值,本发明的模型仅仅需要两类医学图像即可,并没有过多的要求,这对于临床实践而言是有意义的;本发明的模型是两个域之间的转换,可以同时进行两种图像的转换,从转换效率而言,本发明的模型转化效率更高。
📄 2021102156724
📂 G06T11_00
👤 江南大学
📅 2021-02-26
本发明公开一种基于迁移学习的光场图像雨条纹检测与去除方法,该方法包括深度图计算模块、雨条纹检测模块和雨水去除模块。本发明首先利用深度图计算模块得到深度图,然后通过雨条纹检测模块检测出合成数据雨条纹图并利用高斯过程模块自监督地检测出真实场景数据雨条纹图,最后将带雨3DEPI体积块、得到的深度图和提取的雨条纹图串联之后,输入到3D递归生成对抗网络中进行雨水的去除,如此反复训练,直到得到高质量的无雨图。相比于同类型工作,本发明利用迁移学习构建自监督网络,能够更准确地提取真实场景的雨条纹并得到高质量的无雨图,具有良好的泛化能力。
📄 2021100947800
📂 G06T5_73
👤 江南大学
📅 2021-01-25
本发明提供一种基于迁移学习的跨平台用户行为分析方法及系统,涉及网络安全技术领域,首先获取源域安全平台的历史网络行为记录数据和目标域安全平台的实时网络行为流数据,前者包含源域用户不同访问场景下的安全行为序列,后者包含目标域用户当前会话的动态安全操作记录,接着对两类数据进行跨域安全特征提取,构建跨域安全行为关联图谱,基于该图谱,通过迁移学习模型将源域历史恶意行为模式知识迁移至目标域,生成跨平台迁移安全特征,再调用安全行为分析模型进行联合建模和时序安全关联分析,识别目标域用户异常安全行为模式,最后根据异常模式匹配网络安全处置规则库,生成并下发防护策略,实现实时风险拦截。
📄 2025113083354
📂 H04L9_40
👤 乐山师范学院
📅 2025-09-15
一种基于自监督学习和迁移学习的抑郁症分类方法,基于弥散张量成像数据跟踪全脑白质纤维束,构建全脑白质纤维束网络,利用自监督学习策略通过对比学习自动学习与下游任务无关的脑网络节点表征和网络表征。基于脑网络表征和和非影像表型信息,构建群组网络,将抑郁症分类问题转换为网络节点分类问题,使用基于谱图卷积的图卷积神经网络模型对抑郁症患者和正常对照分类。本发明利用自监督学习和迁移学习,部分解决了抑郁症样本较少的问题,有效挖掘了抑郁症相关的脑网络水平特征,提高了抑郁症分类的精度。
📄 2021104747038
📂 G06F18_241
👤 浙江工业大学
📅 2021-04-29
本发明公开了一种基于多阶段迁移学习的DCO‑OFDM峰均比抑制方法及系统,通过星座扩展生成候选符号集合;将候选符号集合预处理为特征张量,并输入至一个局部特征提取模块、全局信息交互模块及决策输出模块级联构成的混合深度决策网络中;该网络输出概率化决策权重,并通过一个从决策权重到PAPR计算的全可微通路,设计包含PAPR性能损失项和决策熵正则化项的复合目标函数,采用多阶段渐进式迁移学习策略进行端到端无监督训练。本发明通过专用的网络架构与训练策略,有效降低DCO‑OFDM系统的PAPR,减小非线性失真,同时将复杂的搜索过程转移至离线训练阶段,降低了在线计算复杂度,提升了模型的收敛速度与最终性能。
📄 2026100249962
📂 H04L27_26
👤 南京信息工程大学
📅 2026-01-09
本申请揭示了迁移学习方法,迁移学习网络包括任务训练网络和域分类网络,任务训练网络还包括任务训练模型,域分类网络还包括域分类器,所述方法包括:将指定任务的标注数据输入任务训练模型进行训练,以获取到确定特征提取层的第一参数;锁定所述第一参数,将未标注数据和所述标注数据混合输入域分类网络,以获取到域分类器区分未标注数据和所述标注数据的第二参数;锁定所述第二参数,所述域分类器联合所述任务训练模型共同训练所述特征提取层,以获取所述特征提取层不区分所述未标注数据和所述标注数据的第三参数;基于所述第三参数,将所述特征提取层根据所述标注数据训练得到的训练结果迁移至所述未标注数据,对所述未标注数据进行识别。
📄 2018103452545
📂 G06K9_62
👤 平安科技(深圳)有限公司
📅 2018-04-17
本发明涉及语言信号处理领域,本发明提出一种基于迁移学习的歌声合成方法、装置及存储介质,其中的方法包括:基于语音数据库获取读模型训练数据;基于读模型训练数据训练读模型,读模型输出与语音特征及语音标签数据对应的声音声学特征;获取唱模型训练数据,基于唱模型训练数据创建唱模型;将待合成歌声的歌词输入读模型,生成与歌词对应的目标声音声学参数,同时将待合成的乐谱特征和读模型输出的与歌词对应的声音声学参数输入唱模型,输出目标歌声声学参数;通过声码器将目标歌声声学参数转换为歌声输出。本发明通过将歌声合成分为读与唱两个步骤,能够在有限的歌声数据下,学习出更好的歌声合成效果。
📄 2019102627138
📂 G10L13_033
👤 平安科技(深圳)有限公司
📅 2019-04-02
本发明涉及图像处理技术领域,尤其涉及一种面向钢材表面缺陷检测的迁移学习方法,包括通过工业相机获取钢材表面图像样本并对图像样本进行预处理,将预处理后的钢材图像样本分为源域和目标域,并对源域钢材缺陷样本进行标记;采用ResNet50网络提取源域和目标域的钢材缺陷特征,并将源域和目标域数据映射到联合子空间内;通过线性判别分析方法对高维特征进行降维处理实现源域和目标域子空间对齐;从源域和目标域两个方面选择目标域样本子集进行伪标记,通过迭代学习完成对所有目标域钢材表面缺陷样本的伪标记。本发明能够准确、快速的钢材表面缺陷进行检测,并提高钢材表面缺陷检测的泛化能力,降低缺陷检测对数据量的要求。
📄 2023103494479
📂 G06T7_00
👤 常州大学
📅 2023-04-04
本发明公开了一种基于TJM迁移学习的机械故障诊断方法及系统。所述方法通过引入CEEMDAN分解,在解决模式混合问题的同时减少了算法计算量,同时利用迁移学习方法解决了传统的机器学习方法在训练和测试数据分布存在一定程度的差异时,所建立的分类模型推广能力差、甚至有时出现不能通用的问题;同时解决了旋转机械因为不同工况间数据差异引起的故障诊断效率低的问题,还解决了因为某些工作状态中的旋转机械数据采集量不够,造成故障状态不完备、无法正确完整进行故障诊断的问题。本发明利用TJM迁移学习方法中联合执行跨领域的特征匹配和实例重加权的特性最大程度地减小了源域和目标域数据差异大所造成的识别诊断率不高的问题,极大地提高了故障诊断精度。
📄 2019108389010
📂 G06K9_00
👤 燕山大学
📅 2019-09-05
本发明公开了一种基于脑电特征迁移学习的驾驶状态检测方法及系统,包括:采集被试用户的脑电信号,对所述脑电信号进行预处理,提取特征构建第一目标特征集;从多组第一源数据集中筛选疲劳特征集和情绪数据集,组合成第二源特征集;通过第一迁移学习算法进行实例迁移,得到第三源特征集;基于第三源数据集和第一目标数据集使用第二迁移学习算法进行特征迁移学习,得到第四源特征集、第二目标数据集;使用第四源数据集构建多分类判别模型,将第二目标特征集输入多分类判别模型,得到被试用户的驾驶状态结果。本发明在保证准确率的同时减少了样本标注的繁琐工作,大大提高分类识别的鲁棒性和准确性。
📄 2020110621507
📂 A61B5_372
👤 燕山大学
📅 2020-09-30
本发明公开了一种基于先验知识和迁移学习的定位方法,属于位置服务技术领域,所述方法在离线阶段利用移动设备采集来自不同AP或者基站的信号强度值进行数据预处理并建立离线指纹库,然后利用机器学习方法训练机器学习模型用于定位,在在线阶段基于加速度传感器和电子罗盘等传感器来确定特殊点获取特征,以匹配先验知识;将特殊点采集到的数据与离线指纹库中特殊点的数据进行对比来确定AP或者基站是否改变,若未改变则直接进行定位,若发生了改变则判断出改变了的AP或者基站并利用迁移学习方法进行知识迁移并重新训练模型。本发明在实际应用中更加适应环境的变化,对环境变化的响应速度更快,能够提高在环境发生改变的情况下的定位精度。
📄 2022107003005
📂 H04W64_00
👤 燕山大学
📅 2022-06-20