Abstract ：

一种基于协同增强学习的小目标分割与分类方法属于计算机视觉中的图像处理领域。本发明充分利用小目标分割和小目标分类任务之间的关联性，以协同优化的方式同时增强分割与分类任务的性能。具体来说，该方法首先利用改进的无监督小目标掩膜提取和基于类激活增强的弱监督小目标分割生成小目标对象融合掩膜，实现了有限的分类标注信息下获取像素级类别信息，解决了轮廓级别标注稀缺的问题。其次利用融合分割掩膜训练小目标分割模型，实现小目标对象的精细化分割。最后，利充分融合掩膜图像指导分类模型，消除了来自真实世界非目标噪声的干扰，有效帮助分类模型准确识别小目标对象。通过此类分割‑分类协同训练的方式，充分利用两个之间的互补性，实现同时小目标的分割与分类。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于集群联邦学习的睡眠分期方法涉及联邦学习领域，本发明利用集群联邦学习架构进行各医疗机构间的协同训练及模型参数共享，客户端无需上传原始数据至服务器端进行集中式训练，在机构利用本地数据进行小批量训练，并上传模型参数至云端聚合，云端将聚合后的参数再次下发至各客户端，迭代进行上述流程，直至模型收敛。此架构既能提升睡眠分期任务的训练精度，同时解决了睡眠数据共享意愿低而带来的数据孤岛问题。其次，本发明以客户端的本地训练损失值来衡量机构所掌握的数据质量，并以损失值的中位数作为基准，以标准差在损失中位数周围划定区域，对每个客户端损失值与中心损失值的距离取反进行加权。进行模型参数的全局聚合，实现有效调度。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提供了一种可生成虚拟样本的二噁英排放浓度软测量模型构建方法，包括基于编码器对高维输入特征进行降维，根据降维后的特征基于二维空间多角度生成虚拟样本，基于解码器将低维虚拟样本进行特征重构，基于协同训练对虚拟样本进行伪标记和筛选，基于真实样本及虚拟样本混合构建软测量模型。本发明提供的可生成虚拟样本的二噁英排放浓度软测量模型构建方法，能够生成虚拟样本，基于混合样本实现二噁英排放浓度软测量模型的构建，便于使用。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提供了一种基于隐变量对抗生成虚拟样本的二噁英排放风险预警方法，包括：获取建模数据，并对其进行原始特征变量选择和DXN风险等级划分，得到风险预警建模样本，基于VAE将风险预警建模样本转换为二维空间内的隐变量，在二维空间中，通过隐变量生成隐变量虚拟样本，以隐变量虚拟样本替代噪声输入GAN网络的生成器，通过与判别器的博弈过程获得原始空间特征维度的候选虚拟样本，基于协同训练策略对候选虚拟样本进行筛选，将筛选后的合格虚拟样本和真实样本进行混合，构建DXN排放风险预警模型。本发明提供的基于隐变量对抗生成虚拟样本的二噁英排放风险预警方法，能够实现二噁英排放风险预警模型的构建，便于使用。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提出了一种利用像素权重提高伪标签置信度的半监督医学图像分割方法，包括下述步骤：采集2D磁共振成像医学图像；对图像进行裁剪，缩放，过滤处理，并添加随机扰动；为每个样本添加一个像素权重矩阵，将带有不同扰动的图片分别放入教师模型和学生模型中，让两个模型进行协同训练，直至收敛。本算法在mean‑teacher模型的基础上，使用伪标记图像结合标记图像来更新分割模型，并将教师和学生模型输出的置信度矩阵进行融合对比从而生成更高质量的伪标签。另为每一个图像添加一个像素权重矩阵，训练时更加关注分割有争议的部分，像素权重矩阵通过两个模型输出的概率分布和置信度矩阵来进行更新。本方法使用少量标注数据训练出分割模型。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

属性图聚类是图数据挖掘领域中的一项基本任务,对探索现实网络的结构与功能具有重要的意义。近年来,图卷积神经网络在属性图聚类任务中取得了重要进展。然而,现有的方法大多基于两阶段的聚类框架,该框架无法实现特征学习与聚类任务的协同训练,难以利用聚类获得的知识来引导特征学习,导致图聚类性能欠佳。为此,本文提出了一种基于模块度优化的图卷积神经网络图聚类方法。该方法将图卷积自编码器和深度k均值聚类进行有效融合,在特征学习中通过引入基于模块度的聚类先验,能够使模型学习到更为友好的聚类特征。与最近的同类算法相比,新算法在四种常用的属性图数据集上具有明显的优势。

Keyword ：

图卷积神经网络 属性图聚类 深度k均值 模块度优化

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本文基于协同训练模型(co-training)提出了一种新的在线虚假评论识别方法CoDeRI以解决虚假评论识别中模型训练数据不足的问题.对同一评论信息,本文通过构建两个特征视图相互学习以识别虚假评论信息:视图一的特征来自于评论文本的词项(Term);视图二的特征来自于对评论进行深度语法树分析之后得到的概率上下文无关语法规则(PCFG,probabilistic context-free grammars).利用朴素贝叶斯(na(i)ve Bayes)作为基分类器,本文提出了两种特定于CoDeRI方法的分类后样本选择策略:CoDeRI-C策略和CoDeRI-U策略.CoDeRI-C策略在对未标注信息进行标注之后,选取分类置信度最高的评论信息以扩大训练样本集;CoDeRI-U策略则随机均匀的选取标注之后的评论信息以扩大训练样本集.实验表明,CoDeRI算法在虚假评论信息识别上与现有方法相比能够取得较好的分类结果.并且,CoDeRI-U策略的虚假评论识别准确率优于CoDeRI-C策略.本文的研究为电子商务中的平台、商家和消费者如何识别在线虚假评论提供了一定的管理启示.

Keyword ：

协同训练 CoDeRI 虚假评论 朴素贝叶斯 概率上下文无关文法

Cite：

Copy from the list or Export to your reference management。

Abstract ：

对于传统的恶意程序检测方法,将机器学习算法应用在未知恶意程序的检测方法进行研究.使用单一特征的机器学习算法无法充分发挥其数据处理能力,检测效果一般.使用两视图协同训练,对于一个未知样本两个分类器预测结果相反时处理不佳.因此,在机器学习的基础上,采用一种三视图协同训练算法,三个分类器对未知样本预测有分歧时,基于"少数服从多数"的思想进行"投票"决定,具有比较理想的效果.该方法对APK软件进行逆向分析和特征提取,选取权限申请特征、API调用序列特征和OpCode特征三个非重叠子视图,针对每个子视图甄选最优算法分别生成分类器.在此基础上,采用Co-training算法思想,对三个分类器协同训练,实现了在已知样本较少的情况下,三个单独分类器检测性能的同步提升.从安卓市场下载各类良性样本4600个,从恶意软件样本分享网站VirusShare下载最新恶意样本4360个,按照已标记样本数量从30到120个分为10组实验,对约1800个样本进行分类测试,实验结果表明该检测方法具有更优的效果.

Keyword ：

机器学习 Co-training 投票 三视图 分类器

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于几何图像参数化的三维网格模型生成方法，能够无监督地生成几何‑法向图像对，并确保其像素级的可靠性和几何‑法向的内在一致性，生成具有多样性和真实性的三维网格模型，生成的人脸网格保持人脸几何结构且具有丰富的面部细节特征和表情特征。该方法通过构建新的网络框架实现，网络框架由对抗生成部分和预测部分构成；对抗生成部分的两路对抗网络分别对应生成几何图像和法向图像，预测部分将两个子网络关联，刻画了基于法向预测的一致性约束；所述网络框架实现几何对抗网和法向对抗网的协同训练；该方法学习得到几何‑法向联合分布，在输入任意向量的情况下，该网络输出与之对应的几何‑法向图像对，通过该图像对重建对应的三维网格模型。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法属于数字图像/视频信号处理领域，首先设计了人脸细节信息增强的处理流程；然后根据此流程进行网络结构的设计，LR图像通过该网络得到HR图像；最后，HR图像通过人脸识别网络进行人脸验证准确性评估。本发明可完成含有LR人脸图像细节信息的增强，并提升人脸验证的准确性；其次，本发明的生成网络先完成图像高频信息的补偿，再由亚像素卷积完成图像放大，最后级联结构完成图像逐步放大，完成图像细节信息增强；属性约束模块与感知模块、对抗模型协同训练，一起微调生成网络重建图像的性能；最后，本发明将生成网络的重建图像输入人脸验证网络，人脸验证的准确性有所提升。

Cite：

Copy from the list or Export to your reference management。