CN108596264A - 一种基于深度学习的社区发现方法 - Google Patents
一种基于深度学习的社区发现方法 Download PDFInfo
- Publication number
- CN108596264A CN108596264A CN201810408837.8A CN201810408837A CN108596264A CN 108596264 A CN108596264 A CN 108596264A CN 201810408837 A CN201810408837 A CN 201810408837A CN 108596264 A CN108596264 A CN 108596264A
- Authority
- CN
- China
- Prior art keywords
- matrix
- network
- node
- input
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明公开了一种基于深度学习的社区发现方法,包括以下步骤:对输入进行预处理,结合节点间邻居个数和距离得到网络的相似度矩阵;采用卷积与全连接结合的方式构建深度学习网络,从而提取网络深层次非线性特征;将第一层网络得到的特征作为第二层网络的输入,并依此类推构成最终深度网络;采用输入与输出的差值以及稀疏性限制和正则化作为损失函数训练网络;将训练完成得到的特征输入聚类算法中得到社区的划分结果。
Description
技术领域
本发明涉及数据挖掘领域,具体涉及一种基于深度学习的社区发现方法。
背景技术
复杂网络是由大量节点以及节点之间错综复杂的关系共同构成的网络结构,除了小世界和无标度等特性外,复杂网络还呈现出明显的社区结构。给定一个网络,社区发现根据网络中节点问的相互关系,将所有节点聚合成一系列子结构,即社区。与不同社区间节点之间的连接关系相比,同一社区内的节点之问通常具有较强的连接关系.目前,主流的社区发现算法分为层次聚类方法(Radicchi,GN,Newman,CNM)、矩阵分块方法(MB-DSGE,OQC)、骨架图方法(gCluSkeleton)、标签传播方法(LPA,HANP,SLPA)、图嵌入方法(Deepwalk,LE,GraRep)等。大多数社区发现方法都可以被分为两类,模块度最大化方法和随机模型。本质上,这两类算法都是将网络映射到一个潜在空间的特征表示,模块度最大化方法通过特征值分解映射,而随机方法则通过非负矩阵分解(NMF),但这些映射都是线性的,不能很好的提取到真是网络中大量的非线性特征。因而可以使用深度学习去提取特征。
深度学习方法的主要思想是:通过建立具有多个层次的神经网络,实现对输入数据的深层次表达,从而实现更好的分类与特征抽取。其中,前一个层次的输出为后一个层次的输入。使用深度学习方法可以让计算机自动地学习到人工方法难以发现的重要特征。深度学习方法在机器学习和人工智能等领域得到了充分的研究.针对深度学习的理论研究、算法设计和应用系统在许多领域被广泛提出,例如语音识别、图像分类、自然语言处理等.目前,主流的深度学习方法有自动编码器(autoencoder,简称AE)、限制玻尔兹曼机(restricted Boltzmann machines,简称RBM)、深度置信网络(deep belief network,简称DBN)、卷积神经网络(convolutional neural network,简称CNN)、循环神经网络(recurrent neural network,简称RNN)等.其中,AE,RBM,DBN是无监督的深度学习方法,CNN,RNN是有监督的深度学习方法。
发明内容
发明目的:本发明的目的是针对现有的社区发现方法无法更好的提取真实网络的非线性特征,提出一种基于深度学习的社区发现方法。该方法能够对非线性特征的提取以及社区发现的效果。为了实现上述目的,本发明提供了一种在复杂网络中实现社区发现的方法,包括以下步骤:
步骤1,数据预处理:通过考察网络数据间的联系,定义节点间相似性与两个节点的最短路径长度负相关和共同的邻居节点个数正相关,得到相似度矩阵;
步骤2,提取网络特征:构建深度学习网络,并使用其提取网络的结构特征矩阵;
步骤3,使用聚类算法对提取到的网络的结构特征进行聚类,得到社区发现的结果。
步骤1包括以下步骤:
步骤1-1,输入数据为网络的邻接矩阵A∈RN×N,即邻接矩阵A是一个N×N的实数矩阵RN×N,N为网络中节点个数,两个节点相连则表示两个节点相邻,互为邻居节点;
步骤1-2,定义节点i和节点j之间的距离dis(i,j)为两个节点间的最短路径;
步骤1-3,定义com(i,j)为节点i和节点j之间共同邻居节点的个数;
步骤1-4,定义节点i和节点j的相似度为sim(i,j),采用下式计算:
sim(i,j)=αe1-dis(i,j)+γ(1-e-com(i,j)),
其中α和γ是权重因子,用来衡量两部分所占比重,一般设置α为0.9,γ为0.1。e是一个数学常数,为自然对数函数的底数。
最后得到相似度矩阵X,该矩阵的第i行第j列元素xij=sim(i,j)。
步骤2包括以下步骤:
步骤2-1,将步骤1得到的相似度矩阵X,作为输入层X输入到深度学习网络中;
步骤2-2,对输入层X进行二维卷积操作,分别用K个卷积核和K个偏置进行卷积,得到K个特征映射feature maps,即:
Hk=σ(Wk*X+bk),
其中,Hk为第k个特征映射feature maps,Wk为第k个卷积核,bk是第k个偏置,为一个实数,σ(.)为激活函数,此处激活函数选择为ReLu函数(线性整流函数);
步骤2-3,得到全部K个特征映射,k取值为1~K,Hk∈RN×N,即Hk是一个N×N的实数矩阵;定义是第k个特征映射的第i列,则然后将得到的k个特征映射的每一列映射到一列上,得到一个和输入同样大小的矩阵T,其中每一个节点对应的n维向量,即矩阵T的一列ti如下式计算:
其中,k表示第k个特征映射,表示第k个权值矩阵,dH∈RN×1表示输出层的偏置,σ(.)为激活函数,此处激活函数选择为ReLu函数(线性整流函数);
步骤2-4,为了学习得到深度学习网络的潜在特征,需要最小化输入数据X和输出数据T的差距L(X,T),通过训练,而优化参数(这里WH没加上标k表示权值矩阵,但是不特指某一个权值矩阵),使得T能够最大化的拟合原始的输入数据,如下式:
其中,Lφ(X,T)是用来测量误差的距离函数,此处选择欧氏距离;为第k个卷积核,卷积核的大小为m×m;xm×m则为对应于卷积核的输入;i表示第i列数据,N表示总数为N,即矩阵总共有N列,xi表示输入矩阵X的第i列,ti表示输出矩阵T的第i列;
步骤2-5,由于K个隐藏层中含有大量参数,需要在损失函数中增加稀疏性限制,使用KL散度,即相对熵作为稀疏性限制:
其中,p是一个接近于0的常数,使用pk来表示隐藏层的平均活跃度,KL(p||pk)表示分别以p和pk为均值的两个变量之间的相对熵;
步骤2-6,为了防止过拟合并减少模型复杂度,在损失函数上添加L2正则,最终的损失函数为:
其中β和λ为平衡各个部分权重的超参,||.2为变量的2范数;
步骤2-8,采用堆叠的策略构建深度学习网络:第n层的输入是第n-1层的K个隐藏层对应求和之后的矩阵X(n),最终输出结果为网络的结构特征矩阵。
为了避免随着层数增多带来的参数空间指数倍增长,采用堆叠的策略去构建网络的后面几层。也就是说,第二层的输入X(2)将是第一层的K个隐藏层对应求和之后的矩阵这里表示第一层的第一个特征映射,同理的,表示第一层的第K个特征映射。同样,第三层的输入就是第二层的K个隐藏层对应求和之后的矩阵。
步骤2-5,中,通过如下公式计算pk:
步骤2-5中,KL(p||pk)的计算公式如下:
步骤3中,使用KMeans聚类算法对步骤2-8得到的矩阵X(n)进行聚类。
有益效果:本发明通过使用深度学习的结构,使其能够更好的处理真实网络结构中的非线性特征;同时聚类出来的社区,更符合真实的社区结构,提高了社区发现的效果;而深度学习框架中使用卷积操作,避免了全连接带来的过大计算量的问题,使本发明能够比目前使用深度学习的算法效率更高,时间更短,计算量更少。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明的架构图。
图2是本发明中深度学习网络(ConvAE)其中一层的结构。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本发明提供了一种在复杂网络中实现社区发现的方法,包括以下步骤:
步骤1,数据预处理:通过考察网络数据间的联系,定义节点间相似性与两个节点的最短路径长度负相关和共同的邻居节点个数正相关,得到相似度矩阵;
步骤2,提取网络特征:构建深度学习网络,并使用其提取网络的结构特征矩阵;
步骤3,使用聚类算法对提取到的网络的结构特征进行聚类,得到社区发现的结果。
步骤1包括以下步骤:
步骤1-1,输入数据为网络的邻接矩阵A∈RN×N,即邻接矩阵A是一个N×N的实数矩阵RN×N,N为网络中节点个数,两个节点相连则表示两个节点相邻,互为邻居节点;
步骤1-2,定义节点i和节点j之间的距离dis(i,j)为两个节点间的最短路径;
步骤1-3,定义com(i,j)为节点i和节点j之间共同邻居节点的个数;
步骤1-4,定义节点i和节点j的相似度为sim(i,j),采用下式计算:
sim(i,j)=αe1-dis(i,j)+γ(1-e-com(i,j)),
其中α和γ是权重因子,用来衡量两部分所占比重,一般设置α为0.9,γ为0.1。e是一个数学常数,为自然对数函数的底数。
最后得到相似度矩阵X,该矩阵的第i行第j列元素xij=sim(i,j)。
步骤2包括以下步骤:
步骤2-1,将步骤1得到的相似度矩阵X,作为输入层X输入到深度学习网络中;
步骤2-2,如图2所示,对输入层X进行二维卷积操作,分别用K个卷积核和K个偏置进行卷积,得到K个特征映射feature maps,即:
Hk=σ(Wk*X+bk),
其中,Hk为第k个特征映射feature maps,Wk为第k个卷积核,bk是第k个偏置,为一个实数,σ(.)为激活函数,此处激活函数选择为ReLu函数(线性整流函数);
步骤2-3,得到全部K个特征映射,k取值为1~K,Hk∈RN×N,即Hk是一个N×N的实数矩阵;定义是第k个特征映射的第i列,则然后将得到的k个特征映射的每一列映射到一列上,得到一个和输入同样大小的矩阵T,其中每一个节点对应的n维向量,即矩阵T的一列ti如下式计算:
其中,k表示第k个特征映射,表示第k个权值矩阵,dH∈RN×1表示输出层的偏置,σ(.)为激活函数,此处激活函数选择为ReLu函数(线性整流函数);
步骤2-4,为了学习得到深度学习网络的潜在特征,需要最小化输入数据X和输出数据T的差距L(X,T),通过训练,而优化参数,使得T能够最大化的拟合原始的输入数据,如下式:
其中,Lφ(X,T)是用来测量误差的距离函数,此处选择欧氏距离;为第k个卷积核,卷积核的大小为m×m;xm×m则为对应于卷积核的输入;i表示第i列数据,N表示总数为N,即矩阵总共有N列,xi表示输入矩阵X的第i列,ti表示输出矩阵T的第i列;
步骤2-5,由于K个隐藏层中含有大量参数,需要在损失函数中增加稀疏性限制,使用KL散度,即相对熵作为稀疏性限制:
其中,p是一个接近于0的常数,使用pk来表示隐藏层的平均活跃度,KL(p||pk)表示分别以p和pk为均值的两个变量之间的相对熵;
步骤2-6,为了防止过拟合并减少模型复杂度,在损失函数上添加L2正则,最终的损失函数为:
其中β和λ为平衡各个部分权重的超参,||.2为变量的2范数;
步骤2-8,采用堆叠的策略构建深度学习网络:第n层的输入是第n-1层的K个隐藏层对应求和之后的矩阵X(n),最终输出结果为网络的结构特征矩阵。
为了避免随着层数增多带来的参数空间指数倍增长,采用堆叠的策略去构建网络的后面几层。也就是说,第二层的输入将是第一层的K个隐藏层对应求和之后的矩阵同理的,第三层的输入就是第二层的K个隐藏层对应求和之后的矩阵。
步骤2-5,中,通过如下公式计算pk:
步骤2-5中,KL(p||pk)的计算公式如下:
步骤3中,使用KMeans聚类算法对步骤2-8得到的矩阵X(n)进行聚类。
实施例
本实施例在公开的真实的社区发现数据集上验证了本发明的模型和算法。包括:
Football:根据美国大学生足球联赛在2000年的秋季常规赛而创建的一个复杂的社会网络,其中网络中的节点代表足球队,两个节点之间的边表示两只球队之间进行过一场比赛。
Karate:通过对一个美国大学空手道俱乐部进行观测而构建出的一个社会网络。其中个体表示俱乐部中的成员,而边表示成员之间存在的友谊关系。
Polblogs:由Lada Adamic于2005年编译完成,表示博客的政治倾向。包含1490个节点和19090条边。数据集中的每个节点都有一个属性描述(用0或者1表示),表示民主或者保守
Dolphins:D.Lusseau等人使用长达7年的时间观察新西兰Doubtful Sound海峡62只海豚群体的交流情况而得到的海豚社会关系网络。节点表示海豚,而边表示海豚间的频繁接触。
Polbooks:Kerbs收集的包含了105本美国政治书的网络。
School Friendship:该网络结构是基于高中学生自我报告。网络的真实划分大致与学生的年级相关(从7到12),根据社区划分情况,分为了School Friendship6和SchoolFriendship7。
基于本发明的方法所实现的程序使用python实现,整个网络结构基于tensorflow架构。
本方法在上述数据集上的效果如下表1所示,其中SP为谱方法,FN为Fast-Newman算法,EO为the external optimization补充优化算法,CoDDA为一个使用自动编码器的社区发现算法,DNR_L2和DNR_CE为深度非线性重构模型,其中L2为损失函数加上L2正则,CE为使用交叉熵所谓距离函数,而ConvAE为本申请的方法:
表1
表格中的数值为评价带label的社区结构的指标,NMI系数,对网络的真实社区分布A和算法得到的社区划分B而言,公式如下
其中,N是节点的个数,CA是A划分的社区个数,CB是B划分的社区个数。C是一个混淆矩阵,矩阵中的元素Cij表示的是既属A划分中第i个社区又属于B划分中第j个社区的节点个数。Ci为矩阵C中第i行的和,同样的,Cj为矩阵C中第j行的和。
从表格可以看出,在大部分数据集上,本发明方法都能获得最好的结果,在社区结构存在两种可能的School Friendship数据集上,本发明方法的结果也是第二名。
从上述实验结果数据中,充分反映了本发明的方法在实现社区发现时所具有的良好效果,能够很好地反映社会结构的实际情况。
本发明提供了一种基于深度学习的社区发现方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于深度学习的社区发现方法,其特征在于,包括以下步骤:
步骤1,数据预处理:通过考察网络数据间的联系,定义节点间相似性与两个节点的最短路径长度负相关和共同的邻居节点个数正相关,得到相似度矩阵;
步骤2,提取网络特征:构建深度学习网络,并使用其提取网络的结构特征矩阵;
步骤3,使用聚类算法对提取到的网络的结构特征进行聚类,得到社区发现的结果。
2.根据权利要求1所述的方法,其特征在于,步骤1包括以下步骤:
步骤1-1,输入数据为网络的邻接矩阵A∈RN×N,即邻接矩阵A是一个N×N的实数矩阵RN ×N,N为网络中节点个数,两个节点相连则表示两个节点相邻,互为邻居节点;
步骤1-2,定义节点i和节点j之间的距离dis(i,j)为两个节点间的最短路径;
步骤1-3,定义com(i,j)为节点i和节点j之间共同邻居节点的个数;
步骤1-4,定义节点i和节点j的相似度为sim(i,j),采用下式计算:
sim(i,j)=αe1-dis(i,j)+γ(1-e-com(i,j)),
其中α和γ是权重因子,用来衡量两部分所占比重,e是一个数学常数,为自然对数函数的底数;
最后得到相似度矩阵X,该矩阵的第i行第j列元素xij=sim(i,j)。
3.根据权利要求2所述的方法,其特征在于,步骤2包括以下步骤:
步骤2-1,将步骤1得到的相似度矩阵X,作为输入层X输入到深度学习网络中;
步骤2-2,对输入层X进行二维卷积操作,分别用K个卷积核和K个偏置进行卷积,得到K个特征映射feature maps,即:
Hk=σ(Wk*X+bk),
其中,Hk为第k个特征映射feature maps,Wk为第k个卷积核,bk是第k个偏置,为一个实数,σ(.)为激活函数,此处激活函数选择为ReLu函数(线性整流函数);
步骤2-3,得到全部K个特征映射k取值为1~K,Hk∈RN×N,即Hk是一个N×N的实数矩阵;定义是第k个特征映射的第i列,则然后将得到的k个特征映射的每一列映射到一列上,得到一个和输入同样大小的矩阵T,其中每一个节点对应的n维向量,即矩阵T的一列ti如下式计算:
其中,k表示第k个特征映射,表示第k个权值矩阵,dH∈RN×1表示输出层的偏置,σ(.)为激活函数,此处激活函数选择为ReLu函数(线性整流函数);
步骤2-4,为了学习得到深度学习网络的潜在特征需要最小化输入数据X和输出数据T的差距L(X,T),通过训练,而优化参数使得T能够最大化的拟合原始的输入数据,如下式:
其中,Lφ(X,T)是用来测量误差的距离函数,此处选择欧氏距离;为第k个卷积核,卷积核的大小为m×m;xm×m则为对应于卷积核的输入;i表示第i列数据,N表示总数为N,即矩阵总共有N列,xi表示输入矩阵X的第i列,ti表示输出矩阵T的第i列;
步骤2-5,由于K个隐藏层中含有大量参数,需要在损失函数中增加稀疏性限制,使用KL散度,即相对熵作为稀疏性限制:
其中,p是一个接近于0的常数,使用pk来表示隐藏层的平均活跃度,KL(p||pk)表示分别以p和pk为均值的两个变量之间的相对熵;
步骤2-6,为了防止过拟合并减少模型复杂度,在损失函数上添加L2正则,最终的损失函数为:
其中β和λ为平衡各个部分权重的超参,||.||2为变量的2范数;
步骤2-8,采用堆叠的策略构建深度学习网络:第n层的输入是第n-1层的K个隐藏层对应求和之后的矩阵X(n),最终输出结果为网络的结构特征矩阵。
4.根据权利要求3所述的方法,其特征在于,步骤2-5,中,通过如下公式计算pk:
5.根据权利要求4所述的方法,其特征在于,步骤2-5中,KL(p||pk)的计算公式如下:
6.根据权利要求5所述的方法,其特征在于,步骤3中,使用KMeans聚类算法对步骤2-8得到的矩阵X(n)进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810408837.8A CN108596264A (zh) | 2018-04-26 | 2018-04-26 | 一种基于深度学习的社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810408837.8A CN108596264A (zh) | 2018-04-26 | 2018-04-26 | 一种基于深度学习的社区发现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596264A true CN108596264A (zh) | 2018-09-28 |
Family
ID=63620370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810408837.8A Pending CN108596264A (zh) | 2018-04-26 | 2018-04-26 | 一种基于深度学习的社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596264A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363674A (zh) * | 2019-06-26 | 2019-10-22 | 陕西师范大学 | 基于ap聚类的班级社交群体检测方法 |
CN110532436A (zh) * | 2019-07-17 | 2019-12-03 | 中国人民解放军战略支援部队信息工程大学 | 基于社区结构的跨社交网络用户身份识别方法 |
CN111310290A (zh) * | 2018-12-12 | 2020-06-19 | 中移动信息技术有限公司 | 一种节点的社区划分的方法、装置及计算机可读存储介质 |
CN111371611A (zh) * | 2020-02-28 | 2020-07-03 | 广州大学 | 一种基于深度学习的加权网络社区发现方法及装置 |
CN111899115A (zh) * | 2020-05-30 | 2020-11-06 | 中国兵器科学研究院 | 一种确定社交网络中社区结构的方法、装置及存储介质 |
CN112053376A (zh) * | 2020-09-07 | 2020-12-08 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
CN112925989A (zh) * | 2021-01-29 | 2021-06-08 | 中国计量大学 | 一种属性网络的群体发现方法及系统 |
-
2018
- 2018-04-26 CN CN201810408837.8A patent/CN108596264A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310290A (zh) * | 2018-12-12 | 2020-06-19 | 中移动信息技术有限公司 | 一种节点的社区划分的方法、装置及计算机可读存储介质 |
CN110363674A (zh) * | 2019-06-26 | 2019-10-22 | 陕西师范大学 | 基于ap聚类的班级社交群体检测方法 |
CN110363674B (zh) * | 2019-06-26 | 2023-06-02 | 陕西师范大学 | 基于ap聚类的班级社交群体检测方法 |
CN110532436A (zh) * | 2019-07-17 | 2019-12-03 | 中国人民解放军战略支援部队信息工程大学 | 基于社区结构的跨社交网络用户身份识别方法 |
CN110532436B (zh) * | 2019-07-17 | 2021-12-03 | 中国人民解放军战略支援部队信息工程大学 | 基于社区结构的跨社交网络用户身份识别方法 |
CN111371611A (zh) * | 2020-02-28 | 2020-07-03 | 广州大学 | 一种基于深度学习的加权网络社区发现方法及装置 |
CN111899115A (zh) * | 2020-05-30 | 2020-11-06 | 中国兵器科学研究院 | 一种确定社交网络中社区结构的方法、装置及存储介质 |
CN111899115B (zh) * | 2020-05-30 | 2021-03-23 | 中国兵器科学研究院 | 一种确定社交网络中社区结构的方法、装置及存储介质 |
CN112053376A (zh) * | 2020-09-07 | 2020-12-08 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
CN112053376B (zh) * | 2020-09-07 | 2023-10-20 | 南京大学 | 一种基于深度信息的工件焊缝识别方法 |
CN112925989A (zh) * | 2021-01-29 | 2021-06-08 | 中国计量大学 | 一种属性网络的群体发现方法及系统 |
CN112925989B (zh) * | 2021-01-29 | 2022-04-26 | 中国计量大学 | 一种属性网络的群体发现方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596264A (zh) | 一种基于深度学习的社区发现方法 | |
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
Zhang et al. | Hyperspectral classification based on lightweight 3-D-CNN with transfer learning | |
CN113011499B (zh) | 一种基于双注意力机制的高光谱遥感图像分类方法 | |
CN107464210B (zh) | 一种基于生成式对抗网络的图像风格迁移方法 | |
CN103729678B (zh) | 一种基于改进dbn模型的水军检测方法及系统 | |
CN109685819B (zh) | 一种基于特征增强的三维医学图像分割方法 | |
CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
CN107766850A (zh) | 基于结合人脸属性信息的人脸识别方法 | |
CN111079795B (zh) | 基于cnn的分片多尺度特征融合的图像分类方法 | |
CN108764128A (zh) | 一种基于稀疏时间分段网络的视频动作识别方法 | |
CN108009594B (zh) | 一种基于变分组卷积的图像识别方法 | |
CN106651915B (zh) | 基于卷积神经网络的多尺度表达的目标跟踪方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN110210486A (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
Huang et al. | Efficient parallel inflated 3D convolution architecture for action recognition | |
CN107680077A (zh) | 一种基于多阶梯度特征的无参考图像质量评价方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN105631415A (zh) | 一种基于卷积神经网络的视频行人识别方法 | |
CN104050507B (zh) | 基于多层神经网络的超光谱图像分类方法 | |
CN106503731A (zh) | 一种基于条件互信息和K‑means的无监督特征选择方法 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
CN110070116A (zh) | 基于深度树状训练策略的分段式选择集成图像分类方法 | |
CN107292336A (zh) | 一种基于dcgan的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |