CN109766935A - 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 - Google Patents
一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 Download PDFInfo
- Publication number
- CN109766935A CN109766935A CN201811608281.3A CN201811608281A CN109766935A CN 109766935 A CN109766935 A CN 109766935A CN 201811608281 A CN201811608281 A CN 201811608281A CN 109766935 A CN109766935 A CN 109766935A
- Authority
- CN
- China
- Prior art keywords
- network
- matrix
- laplacian
- hypergraph
- layer
- 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.)
- Withdrawn
Links
Abstract
本发明公开了一种基于超图p‑Laplacian图卷积神经网络的半监督分类方法,属于半监督分类技术领域。包括:1:提取训练样本特征;2:计算超图p‑Laplacian矩阵;3:计算结构信息矩阵;4:建立超图p‑Laplacian的图卷积神经网络模型;5:对训练样本特征进行卷积操作,得到第一层网络输出;6:每一层网络的输出作为下一层网络的输入;7:将最后一层卷积网络的输出作为分类器的输入,得到模型参数;8:然后计算验证样本的交叉熵损失,选择最好的模型参数;9:提取测试样本的特征;10:将最后一层卷积网络输出的特征向量送到分类器进行分类。本申请采用多次卷积操作,能够大幅度提高模型分类效果。
Description
技术领域
本发明涉及一种半监督分类方法,特别是指一种基于超图p-Laplacian图卷积神经网络的半监督分类方法。
背景技术
随着目前社会生活的丰富与扩展,数据所呈现出来的结构变的越来越复杂,如何对这些复杂的结构型数据进行高效的管理与应用成为了目前研究者们所面临的严峻挑战。当前,将深度学习网络应用于复杂结构数据分类任务,可以从原始数据中自动化地去提取丰富的样本特征,有助于更加全面的反映原始数据的信息。相较于传统的方法,深度学习能够学习到更高效的特征与模式。
因此,大量深度学习相关的算法包括卷积神经网络(CNN),Deepwalk,Struc2vec以及图卷积神经网络(GCN)已成功的应用于图结构的数据分类任务中。其中,图卷积神经网络(GCN)能够更加高效的处理这种数据结构并且在半监督的数据分类任务中获得了更好的识别率。GCN通过使用拉普拉斯矩阵表示数据的流形结构,在训练过程中将数据的特征信息与结构信息进行融合,从而提取到丰富的复杂结构的数据特征。但是,如何描述复杂的图结构数据间的差异是十分重要的。上述的分类算法都无法更加精细的描述出数据的流形结构,从而无法得到更好的分类效果。
发明内容
为解决现有技术中的不足,本发明提供一种基于超图p-Laplacian图卷积神经网络的半监督分类方法,HpLapGCN算法使用超图p-Laplacian矩阵表示数据的流形结构,p-Laplacian是标准的图Laplacian矩阵的非线性推广,超图是普通图的推广。超图p-Laplacian能够更加精细反应数据的流形结构,从而提取到更加精细的数据结构信息,最终提取到能够更加全面的反映样本的特征,进而提高数据的识别率。
为解决上述技术问题,本发明提供技术方案如下:
本发明提供一种基于超图p-Laplacian图卷积神经网络的半监督分类方法,包括:
步骤1:提取训练数据的特征向量矩阵;
步骤2:根据特征向量矩阵,计算其数据的超图p-Laplacian矩阵,然后在其基础上计算样本结构信息矩阵;
步骤3:在结构信息矩阵的基础上建立基于超图p-Laplacian的图卷积神经网络模型(HpLapGCN);
步骤4:用HpLapGCN模型对训练样本的特征向量矩阵进行卷积操作,得到第一层网络的输出;
步骤5:将每一层网络的输出特征向量矩阵作为下一层网络的输入,重复可得到多层的HpLapGCN网络;
步骤6:将最后一层网络的输出作为分类器的输入,给出每个训练样本所对应的预测标签以及获得各种不同的实验参数;
步骤7:将训练数据中所学习到网络模型在验证数据集进行训练,得到最优参数的网络模型;
(8)将最优参数的网络模型对测试样本进行多层卷积操作,然后把最后一层网络输出的特征向量矩阵送到分类器进行分类,得到数据的预测标签信息。
进一步的,所述步骤2中,首先计算数据的p-Laplacian矩阵Lp,然后在其基础上计算超图p-Laplacian矩阵HLp;在超图p-Laplacian矩阵HLp的基础上构造样本的局部结构信息矩阵其中,λmax表示HLp矩阵特征分解的最大特征值。
进一步的,所述步骤3中,HpLapGCN模型为
其中,H(L+1)为第L+1层网络输出;
σ表示线性激活函数;
表示样本的结构信息;
H(L)为第L层的网络输出;
W(L)为第L层的权重。
进一步的,所述步骤4中,首先,利用Xavier方法初始化第一层网络权重W1;然后,进行第一层卷积操作
其中,RELU是线性激活函数,是一种人工神经网络中常用的激活函数,f(x)=max(0,x);其中,H(0)=X表示最初的样本特征向量矩阵,得到第一层网络的输出H(1)。
进一步的,所述步骤5具体为:首先,将第一层卷积网络的输出H(1)作为第二层卷积网络输入的样本特征向量矩阵;其次,利用Xavier方法初始化第二层网络权重W2;
然后,构造第二层卷积网络公式将第二层网络的输入H(1)与结构信息矩阵进行融合,得到第二层网络的输出。
进一步的,所述步骤6具体为:首先,将最后一层卷积网络的输出作为softmax分类器的输入;通过softmax函数将每个样本特征矩阵转换成属于每个类的概率向量矩阵;然后,取概率值最大的作为样本的分类,给出样本的标签信息或者识别率。
进一步的,所述步骤7具体为:根据交叉熵损失函数C=-∑kyklogZK通过使其损失值最小来选择最优的网络模型参数;其中yk表示真实的标签信息,ZK表示经过softmax函数输出的概率向量矩阵。
进一步的,所述第一层网络权重W1和第二层网络权重W2均满足的均匀分布。
为实现有效的半监督分类,本发明所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,包括分别提取训练数据、验证数据、测试数据的特征向量矩阵;对提取特征后的训练数据进行预处理,首先计算其数据的超图p-Laplacian矩阵,然后在其基础上计算样本结构信息矩阵,由于超图p-Laplacian矩阵是超图理论和p-Laplacian矩阵的结合体,因此利用基于超图p-Laplacian矩阵计算的样本结构信息矩阵能够包含比基于LapLacian矩阵的样本结构信息矩阵更加精细的数据局部几何信息;在结构信息矩阵的基础上建立基于超图p-Laplacian的图卷积神经网络模型(HpLapGCN),此模型比GCN模型能够学习到更加丰富的样本特征;用HpLapGCN模型对训练样本的特征向量矩阵进行卷积操作,得到第一层网络的输出;将每一层网络的输出特征向量矩阵作为下一层网络的输入可得到多层的HpLapGCN网络;将最后一层网络的输出作为分类器的输入,给出每个训练样本所对应的预测标签以及获得各种不同的实验参数;将训练数据中所学习到网络模型在验证数据集进行训练,通过不断降低样本的交叉熵损失值,进而选择最好的网络模型参数,提高模型分类效果;将最优实验参数的网络模型对测试样本进行多层卷积操作,然后把最后一层网络输出的特征向量矩阵送到分类器进行分类,得到数据的预测标签信息。
与现有技术相比,本发明具有以下有益效果:
本发明通过建立超图p-Laplacian的图卷积神经网络模型(HpLapGCN)的基础上,采用多次卷积操作,在每一层卷积的过程中利用基于超图p-Laplacian的结构信息矩阵,提高模型分类效果。
附图说明
图1为本发明的基于超图p-Laplacian图卷积神经网络的半监督分类方法的结构示意图;
图2所示为本发明的基于超图p-Laplacian图卷积神经网络的半监督分类方法的流程图;
图3所示为本发明所采用的第一层卷积网络的流程图;
图4所示为本发明所采用的第二层卷积网络的流程图;
图5所示为本发明所采用的分类器层和模型优化参数的流程图;
图6所示为本发明的采用的二层卷积网络时的算法流程图;
图7为本发明实施例1和对比例1-4在Citeseer数据库上的实验结果图;
图8为本发明实施例1和对比例1-4在Cora数据库上的实验结果图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例1
一种基于超图p-Laplacian图卷积神经网络的半监督分类方法,如图1-6所示。首先向数据存储设备中输入各种数据信息,既可以是用户输入的数据也可以是网上公开的数据库。数据存储设备中的数据信息被分为训练数据、验证数据、测试数据。接着提取数据的特征向量矩阵;其次,采用我们所设计的模型对训练数据的特征向量矩阵进行训练,得到训练数据的预测标签及各种实验参数;再者,将学习到的各种实验参数的不同模型在验证数据进行训练,通过不断的减小其损失函数的值,来选择最优的网络参数;最后,将最优参数的网络模型在测试数据进行训练,给出测试数据的分类标签。
本发明设计的方法如图2所示。步骤10是起始动作。步骤11是根据提取的数据特征向量矩阵计算样本的结构信息矩阵;步骤12是对第一层的权重参数W1进行初始化;步骤13是建立HpLapGCN模型,利用所设计的模型对数据的特征向量矩阵进行第一层卷积操作,得到第一层网络的输出。步骤11、12和13的详细说明如图3所示;每一层卷积网络的过程是类似的,步骤14将第一层网络的输出作为第二层网络的输入;步骤15是采用与第一层网络相同的初始化方法对第二层网络权重W2操作;步骤16是利用所设计的模型对第二层的数据特征向量矩阵进行第二层卷积操作,步骤14、15和16的详细说明如图4所示;步骤17是将最后一层网络的输出送入分类器中,给出预测的数据标签或者识别率;此外,在训练数据和验证数据中进行训练时,需要选择最优实验参数的过程,步骤18是将在训练数据中学习到的不同实验参数的网络模型在验证数据上进行训练,通过不断的降低数据的损失函数值,来选择最优的网络模型参数,步骤17和18的详细说明如图5所示。步骤19为结束状态。
图3给出了图2步骤中11、12和13的详细描述,具体说明了如何构造样本的结构信息矩阵、第一层卷积网络权重参数W1初始化方法和第一层网络卷积的过程。步骤1100是起始状态。步骤1101是首先计算数据的p-Laplacian矩阵Lp,然后在其基础上计算超图p-Laplacian矩阵HLp。步骤1102是在超图p-Laplacian矩阵HLp的基础上构造样本的局部结构信息矩阵其中λmax表示HLp矩阵特征分解的最大特征值。步骤1201是利用Xavier方法初始化第一层网络权重W1,满足的均匀分布。步骤1301是首先建立每一层的网络模型公式然后进行第一层卷积其中RELU是线性激活函数。通过第一层卷积,将输入的特征向量矩阵H(0)与结构信息矩阵融合,得到第一层网络的输出H(1)。1302是结束状态。
图4给出了图2步骤中14、15和16的详细描述,具体说明了如何进行第二层网络卷积的过程。步骤1400是起始状态。步骤1401是将第一层网络的输出H(1)作为第二层网络的输入。步骤1501是采用与第一层卷积网络相同的Xavier方法更新权重W2,满足的均匀分布。步骤1601是构造第二层卷积网络公式将第二层网络的输入H(1)与结构信息矩阵进行融合,得到第二层网络的输出。1602是结束状态。
图5给出了图2步骤中17和18的详细描述,具体说明了分类器如何进行分类以及如何选择最优参数提高分类效果的过程。步骤1700是起始状态。步骤1701是将第二层的输出H(2)作为分类器的输入。步骤1702是通过softmax函数将特征向量矩阵H(2)转换成概率向量矩阵,即将每个样本特征矩阵转换成属于每个类的概率向量矩阵。步骤1703是根据概率值最大的值判别为哪一类,然后给出样本的标签信息或者识别率。步骤1801是训练数据和验证数据更新参数的过程。当模型在训练数据学习到不同的网络参数之后,将其应用到验证数据中训练,根据其真实的标签信息和概率向量矩阵计算损失值C=-∑kyklogZK,其中yk表示真实的标签信息,Zk表示数据的概率向量矩阵。通过使损失值最小来选择最优的网络模型参数,得到最优的模型。1802是结束状态。
为了验证超图p-Laplacian图卷积神经网络(HpLapGCN)算法的有效性,仅以上述实施例为例构建对比例如下。
对比例1
采用现有的GCN模型进行分类。
对比例2
本对比例为pLapGCN模型。
对比例3
本对比例为HpLapGCN-1,p为恰当的p值。
HpLapGCN-1(恰当的p值)是结构信息矩阵非最优的情况下的方法。
为了验证超图p-Laplacian图卷积神经网络(HpLapGCN)算法的有效性,我们采用Citeseer和Cora数据库进行了实验。其中,数据集被划分三部分:1000个有标签样本作为测试集,500个有标签样本作为验证集,剩余数据作为训练集。此外训练集中分别随机选取20%,30%,40%,50%和60%的样本作为有标签样本,其他都是无标签样本。在相同的条件下,分别测得GCN,pLapGCN,HpLapGCN-1(恰当的p值)以及HpLapGCN(恰当的p值)的识别率。HpLapGCN-1(恰当的p值)是结构信息矩阵非最优的情况下的方法。
图7和图8说明了实验的结果,横坐标表示训练样本的标签率,纵坐标表示数据集的总识别率,在不同的标签数量下重复五次实验,每次实验的训练样本标签是随机选取的。从图7和图8所示的误差棒柱状图中可以看出,就平均识别率(即误差棒柱状图中中间的那条线)而言,HpLapGCN(恰当的p值)优于前三种算法,实现了最好的分类效果。
综上可知,本申请中在建立超图p-Laplacian图卷积神经网络模型的基础上,采用多次卷积操作,在每一层卷积的过程中利用基于超图p-Laplacian的结构信息矩阵,能够大幅度提高模型分类效果。
以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,包括:
步骤1:提取训练数据的特征向量矩阵;
步骤2:根据特征向量矩阵,计算其数据的超图p-Laplacian矩阵,然后在其基础上计算样本结构信息矩阵;
步骤3:在结构信息矩阵的基础上建立基于超图p-Laplacian的图卷积神经网络模型(HpLapGCN);
步骤4:用HpLapGCN模型对训练样本的特征向量矩阵进行卷积操作,得到第一层网络的输出;
步骤5:将每一层网络的输出特征向量矩阵作为下一层网络的输入,重复可得到多层的HpLapGCN网络;
步骤6:将最后一层网络的输出作为分类器的输入,给出每个训练样本所对应的预测标签以及获得各种不同的实验参数;
步骤7:将训练数据中所学习到网络模型在验证数据集进行训练,得到最优参数的网络模型;
步骤8:将最优参数的网络模型对测试样本进行多层卷积操作,然后把最后一层网络输出的特征向量矩阵送到分类器进行分类,得到数据的预测标签信息。
2.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述步骤2中,首先计算数据的p-Laplacian矩阵Lp,然后在其基础上计算超图p-Laplacian矩阵HLp;在超图p-Laplacian矩阵HLp的基础上构造样本的局部结构信息矩阵其中,λmax表示HLp矩阵特征分解的最大特征值。
3.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述步骤3中,HpLapGCN模型为
其中,H(L+1)为第L+1层网络输出;
σ表示线性激活函数;
表示样本的结构信息;
H(L)为第L层的网络输出;
W(L)为第L层的权重。
4.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述步骤4中,首先,利用Xavier方法初始化第一层网络权重W1;然后,进行第一层卷积操作
其中,RELU是线性激活函数,是一种人工神经网络中常用的激活函数,f(x)=max(0,x);其中,H(0)=X表示最初的样本特征向量矩阵,得到第一层网络的输出H(1)。
5.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述步骤5具体为:首先,将第一层卷积网络的输出H(1)作为第二层卷积网络输入的样本特征向量矩阵;其次,利用Xavier方法初始化第二层网络权重W2;
然后,构造第二层卷积网络公式将第二层网络的输入H(1)与结构信息矩阵进行融合,得到第二层网络的输出。
6.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述步骤6具体为:首先,将最后一层卷积网络的输出作为softmax分类器的输入;通过softmax函数将每个样本特征矩阵转换成属于每个类的概率向量矩阵;然后,取概率值最大的作为样本的分类,给出样本的标签信息或者识别率。
7.根据权利要求1所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述步骤7具体为:根据交叉熵损失函数C=-∑kyklogZK通过使其损失值最小来选择最优的网络模型参数;其中yk表示真实的标签信息,ZK表示经过softmax函数输出的概率向量矩阵。
8.根据权利要求3或4所述的基于超图p-Laplacian图卷积神经网络的半监督分类方法,其特征在于,所述第一层网络权重W1和第二层网络权重W2均满足的均匀分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811608281.3A CN109766935A (zh) | 2018-12-27 | 2018-12-27 | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811608281.3A CN109766935A (zh) | 2018-12-27 | 2018-12-27 | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109766935A true CN109766935A (zh) | 2019-05-17 |
Family
ID=66451063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811608281.3A Withdrawn CN109766935A (zh) | 2018-12-27 | 2018-12-27 | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766935A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175229A (zh) * | 2019-05-27 | 2019-08-27 | 言图科技有限公司 | 一种基于自然语言进行在线培训的方法和系统 |
CN110289987A (zh) * | 2019-05-27 | 2019-09-27 | 杭州电子科技大学 | 基于表征学习的多智能体系统网络抗攻击能力评估方法 |
CN110889015A (zh) * | 2019-10-31 | 2020-03-17 | 天津工业大学 | 面向图数据的独立解耦卷积神经网络表征算法 |
CN111695011A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于张量表示的动态超图结构学习分类方法及系统 |
CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111966865A (zh) * | 2020-07-21 | 2020-11-20 | 西北大学 | 利用基于查表子网络的空域图卷积层进行特征提取的方法 |
CN111985520A (zh) * | 2020-05-15 | 2020-11-24 | 南京智谷人工智能研究院有限公司 | 一种基于图卷积神经网络的多模态分类方法 |
CN113822757A (zh) * | 2021-07-28 | 2021-12-21 | 同盾科技有限公司 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
-
2018
- 2018-12-27 CN CN201811608281.3A patent/CN109766935A/zh not_active Withdrawn
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175229A (zh) * | 2019-05-27 | 2019-08-27 | 言图科技有限公司 | 一种基于自然语言进行在线培训的方法和系统 |
CN110289987A (zh) * | 2019-05-27 | 2019-09-27 | 杭州电子科技大学 | 基于表征学习的多智能体系统网络抗攻击能力评估方法 |
CN110289987B (zh) * | 2019-05-27 | 2022-02-18 | 杭州电子科技大学 | 基于表征学习的多智能体系统网络抗攻击能力评估方法 |
CN110175229B (zh) * | 2019-05-27 | 2021-07-06 | 言图科技有限公司 | 一种基于自然语言进行在线培训的方法和系统 |
CN110889015A (zh) * | 2019-10-31 | 2020-03-17 | 天津工业大学 | 面向图数据的独立解耦卷积神经网络表征算法 |
CN110889015B (zh) * | 2019-10-31 | 2024-01-30 | 天津工业大学 | 面向图数据的独立解耦卷积神经网络表征方法 |
CN111985520A (zh) * | 2020-05-15 | 2020-11-24 | 南京智谷人工智能研究院有限公司 | 一种基于图卷积神经网络的多模态分类方法 |
CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111812450B (zh) * | 2020-06-01 | 2022-03-18 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111695011B (zh) * | 2020-06-16 | 2022-10-28 | 清华大学 | 一种基于张量表示的动态超图结构学习分类方法及系统 |
CN111695011A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于张量表示的动态超图结构学习分类方法及系统 |
CN111966865A (zh) * | 2020-07-21 | 2020-11-20 | 西北大学 | 利用基于查表子网络的空域图卷积层进行特征提取的方法 |
CN111966865B (zh) * | 2020-07-21 | 2023-09-22 | 西北大学 | 利用基于查表子网络的空域图卷积层进行特征提取的方法 |
CN113822757A (zh) * | 2021-07-28 | 2021-12-21 | 同盾科技有限公司 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766935A (zh) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 | |
CN110442684B (zh) | 一种基于文本内容的类案推荐方法 | |
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN102314614B (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
CN110083700A (zh) | 一种基于卷积神经网络的企业舆情情感分类方法及系统 | |
CN106778882B (zh) | 一种基于前馈神经网络的智能合约自动分类方法 | |
CN107644235A (zh) | 基于半监督学习的图像自动标注方法 | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN106951825A (zh) | 一种人脸图像质量评估系统以及实现方法 | |
CN109582782A (zh) | 一种基于用弱监督深度学习的文本聚类方法 | |
CN106960214A (zh) | 基于图像的物体识别方法 | |
CN106326288A (zh) | 图像搜索方法及装置 | |
CN106919951A (zh) | 一种基于点击与视觉融合的弱监督双线性深度学习方法 | |
CN110046656A (zh) | 基于深度学习的多模态场景识别方法 | |
Borwarnginn et al. | Breakthrough conventional based approach for dog breed classification using CNN with transfer learning | |
CN110399490A (zh) | 一种弹幕文本分类方法、装置、设备及存储介质 | |
CN107506786A (zh) | 一种基于深度学习的属性分类识别方法 | |
CN106570521A (zh) | 多语言场景字符识别方法及识别系统 | |
CN109308319A (zh) | 文本分类方法、文本分类装置和计算机可读存储介质 | |
CN110097060A (zh) | 一种面向树干图像的开集识别方法 | |
CN109741341A (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
CN110263174B (zh) | —基于焦点关注的主题类别分析方法 | |
CN109583519A (zh) | 一种基于p-Laplacian图卷积神经网络的半监督分类方法 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN109961093A (zh) | 一种基于众智集成学习的图像分类方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190517 |
|
WW01 | Invention patent application withdrawn after publication |