CN111506832A - 一种基于块矩阵补全的异构对象补全方法 - Google Patents

一种基于块矩阵补全的异构对象补全方法 Download PDF

Info

Publication number
CN111506832A
CN111506832A CN202010313257.8A CN202010313257A CN111506832A CN 111506832 A CN111506832 A CN 111506832A CN 202010313257 A CN202010313257 A CN 202010313257A CN 111506832 A CN111506832 A CN 111506832A
Authority
CN
China
Prior art keywords
completion
matrix
label
user
image
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.)
Granted
Application number
CN202010313257.8A
Other languages
English (en)
Other versions
CN111506832B (zh
Inventor
张争
李东辉
汪伟
裴利沈
丁肖摇
赵雪专
王宇
李涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Breus Technology Co ltd
Original Assignee
Yancheng Chantu Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yancheng Chantu Intelligent Technology Co ltd filed Critical Yancheng Chantu Intelligent Technology Co ltd
Priority to CN202010313257.8A priority Critical patent/CN111506832B/zh
Publication of CN111506832A publication Critical patent/CN111506832A/zh
Application granted granted Critical
Publication of CN111506832B publication Critical patent/CN111506832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stored Programmes (AREA)

Abstract

本发明提供一种基于块矩阵补全的异构对象补全方法，本发明利用丰富的上下文环境，提出了一种新的联合块矩阵补全框架，其在适当的特定热点区域范围内进行信息平均，减小了因计算量太大造成的负担，同时，本发明在将信息平均处理后，还可以方便地进行并行化处理，提高了补全时的计算效率；而且，本发明与现有的仅使用图像‑标签关系和仅使用用户‑项目关系的推荐模型的标签优化、补全和预测方法相比，在关系学习和补全方面具有更强的可扩展性。

Description

一种基于块矩阵补全的异构对象补全方法
技术领域
本发明属于信息检索技术领域，具体涉及一种基于块矩阵补全的异构对象补全方法。
背景技术
在互动的在线社交媒体上，活跃用户每时每刻都在生成大量的用户生成内容(UGC)，这些内容具有丰富的属性和社会联系。异构数据对象(如图像、标签和用户)之间的连接变得更加丰富和复杂。在这种背景下，用户的信息获取需求也随之多样化。各种应用需求在数据爆炸式增长的同时，异构数据对象之间的关系和交互建模技术的空白，使得知识的共享和传播变得困难。因此，开发一种有效的异构数据对象检索方法已成为当务之急。传统上，特定类型数据对象之间的统计相关性是通过特定的学习任务来建模的。例如，为了在现有的人工标记标签的基础上为社会图像获取足够数量的高质量标签，广泛研究了标签优化、补全和多标签学习来处理收集到的社会标签的缺失和噪声。研究推荐模型，发现用户和内容之间的联系。在线社交媒体上异构对象之间的相关性统一采用多层图进行建模。
本发明从丰富的社会语境中探讨了三种重要类型的客体之间的关系。图像，标签和用户。其中，用户-图像关系反映了用户对图像的依赖，图像-标签关系反映了社会标签在不同视觉内容上的分布，用户-标签关系表示用户在标签活动中的行为和倾向。这种对象关系由于用户行为的复杂性而具有噪声性和稀疏性，这给异构数据对象之间的真实关系的量化带来了很大的挑战。
发明内容
本发明的目的是提供一种基于块矩阵补全的异构对象补全方法，该补全方法从多个观察到的关系中补充对象之间的内在关系，将视觉内容作为中心构件，设计了若干成对关系约束，从不同角度描述了基于假设的异构对象关系，相比于其他特定关系的学习模型更加的可靠。
为了达到上述目的，本发明所采用的技术方案是：一种基于块矩阵补全的异构对象补全方法，包括以下步骤：
S1、给定一个包含多种类型数据对象的社交图像集合，多种类型数据对象包括手动标签、GPS位置及其相关用户；
S2、根据所给定的社交图像集合生成原始观测矩阵，该原始观测矩阵分别为用户-图像矩阵、图像-标签矩阵和用户-标签矩阵；
S3、使用有效的训练样本对深度卷积神经网络进行训练，并用训练完成的深度卷积神经网络来表示社交图像的视觉特征；
S4、采用均值漂移从社交图像的GPS位置信息中检测出潜在的热点区域POIs；
S5、通过优化统一的目标函数分别对每个检测到的热点区域POI所对应的数据块进行学习，得到与原始观测矩阵相对应的补全关系矩阵。
进一步的，所述的步骤S5，进行学习的过程为学习热点区域POI所对应的数据块与手动标签之间的关系，其中，手动标签包括图像标签和用户标签。
进一步的，所述的目标函数中包括以下约束条件：用户相关约束、标签关联约束、可视化内容关联约束以及正则化约束。
进一步的，所述的补全关系矩阵分别为用户-图像关系矩阵、图像-标签关系矩阵和用户-标签关系矩阵。
进一步的，所述GPS位置信息包括纬度和经度信息。
进一步的，所述有效的训练样本采用ILSVRC 2012数据集。
与现有技术相比，本发明的有益效果是：本发明利用丰富的上下文环境，提出了一种新的联合块矩阵补全框架，其在适当的特定热点区域范围内进行信息平均，减小了因计算量过大造成的负担，同时，本发明在将信息平均处理后，还可以方便地进行并行化处理，提高了补全时的计算效率；而且，本发明与现有的仅使用图像-标签关系和仅使用用户-项目关系的推荐模型的标签优化、补全和预测方法相比，在关系学习和补全方面具有更强的可扩展性。
附图说明
图1是本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的原理如下：本发明从多个观察到的关系中补充对象之间的内在关系。将视觉内容作为中心构件，设计了若干成对关系约束，从不同角度描述了基于假设的异构对象关系，因此，该异构对象关系可以比其他特定于关系的学习模型更可靠地推断。此外，与通用的基于图的模型相比，本发明更好地反映了异构对象相关性的内在本质，因此可以更准确地学习这种关系。
本发明进一步利用异构对象丰富的社会环境来部署对象关系学习任务。例如，图像位置可能与地理标记和语义密切相关，也可能直接影响到图像中的场景和目标。从用户的角度来看，具有相似社会属性的用户往往同时出现在相同的地方，他们更可能对同一类型的图片感兴趣。因此，对针对热点分布的矩阵补全任务进行约束是合理的，诸如热点区域(POI:Place-of-Interest)。本发明在一个统一的目标函数中学习了特定热点区域矩阵块，在适当的特定热点区域范围内，执行信息平均。本发明的模型在丰富的上下文环境中捕获了更多的异构对象间的信息关系模式，并且所学习的关系是可解释的，因此更适合异构数据对象检索中的信息获取需求。
另一方面，本发明通过将任务分解成特定热点区域关系矩阵完成子任务，可以减少内存开销，提高计算效率。该模型优化方法在批量学习中得到了很好的应用。一种高效的迭代次梯度下降算法可以以一种迭代优化的方式同时学习特定热点区域关系矩阵块。因此，本发明可以向大规模的对象关系矩阵扩展。
本发明利用丰富的社会环境，提出了一种高效的块矩阵补全模型(EBMC)，该模型能联合学习异构对象之间的补全关系。关系矩阵补全可以有效地执行在分块的批量学习方式。在真实社会多媒体数据集上的实验证明了本发明的方法的潜力。
以下对本发明一种基于块矩阵补全的异构对象补全方法进行详细说明，具体包括以下步骤：
一、建立对象集合
给定一个包含多种类型数据对象的社交图像集合，多种类型数据对象包括手动标签、GPS位置及其相关用户，本发明试图要解决的问题是如何自动补充丢失的条目和在三对对象关系矩阵过间滤噪声项，具体如下：
用n表示l用户上传图片的数量，用m表示数据集中唯一标签的数量。将三个原始观测关系矩阵分别表示为:
用户-图像矩阵：
Figure BDA0002458468000000051
是观察到的二进制用户图像矩阵，表示用户如何与图像关联(例如:所有权、评论、转发)，如果图像i属于用户r，则
Figure BDA0002458468000000052
为1，否则为0。经过简单的排列，用户图像矩阵可以改写为:
Figure BDA0002458468000000053
其中，C∈{0,1}l-s×n-s是观察到的二进制矩阵，表明n-s图像和l-s用户之间某种所有权；Is为与匿名用户s个图像对应的单位矩阵；在
Figure BDA0002458468000000061
中加入匿名用户使本发明的方法能够处理新上传的社交图像上的关系学习。
图像-标签矩阵：
Figure BDA0002458468000000062
是二进制矩阵，其中，如果标签j赋值给图像i，则
Figure BDA0002458468000000063
设为1，否则设为0。
Figure BDA0002458468000000064
表示每个图像上的标签行为，而图像的标签对多样化的视觉内容提供一些弱标签。
用户-标签矩阵：
Figure BDA0002458468000000065
是观察的用户-标签矩阵，其中，
Figure BDA0002458468000000066
如果图像i属于用户r，并且|rn|表示用户r的图像数，它可以被看作是用户标签的标准化直方图。
本发明提出的框架的目标是通过补全相应的原始观测矩阵
Figure BDA0002458468000000067
Figure BDA0002458468000000068
和
Figure BDA0002458468000000069
来最终获得补全关系矩阵
Figure BDA00024584680000000610
和
Figure BDA00024584680000000611
在补全图像-标签关系矩阵T中的每个条目Tij表示将标签j赋值给图像i的概率，在U中的Urj表示将标签j赋值给用户r的概率。同理，X中的元素Xri表示图像i与用户r关联的概率，表示用户r对图像i的偏好程度。
如上所述，用户和标签可以用三个原始观测矩阵表示。本发明使用在ILSVRC 2012数据集上训练的深度卷积神经网络(CNN)的特征来表示视觉特征的图像，将视觉特征矩阵表示为
Figure BDA00024584680000000612
其中第i行对应于图像i的d维视觉特征。
二、矩阵分割的热点检测
通常，大量的图像使得补全关系矩阵T，U和X也很大。因此，直接处理如此大的矩阵的计算负担是昂贵的和令人望而却步的。
由于地理相邻的图像可能具有相似的视觉内容或语义信息的概率更高，这表明存在潜在热点区域(POI)。因此，本发明采用均值漂移从社会图像的GPS位置信息(纬度和经度信息)中检测POIs。根据POI的检测结果，将所有的关系矩阵根据POIs划分成一组子矩阵。均值漂移法的关键计算步骤为:
Figure BDA0002458468000000071
其中x＝<lat,lon>、xi＝<lati,loni>分别表示POI中心和第i幅图像的经纬度。使用核函数g进行密度估计，带宽参数为h，在迭代更新过程中执行均值漂移算法，其过程如下:
xt+1＝xt+π(xt) (3)
在均值漂移过程收敛后，得到POIs。然后得到每个检测到的POI对应的数据块，用于后续的模型学习。
三、模型学习方法
在不失一般性的情况下，本发明将热点区域(POI)的索引称为k。相应地，用下标k来表示关于第k个POI的数据块。对于这三个关系矩阵，本发明考虑以下类型的约束条件：
3.1用户相关约束
对于同一用户上传的所有在同一热点区域的所有图片，他们倾向于从自己和其他用户分配相同的标记结果，Uk的第r行描述了用户r的实际标签分布，类似的，乘积XkTk的第r行揭示了关于用户r的图像标签分布的加权和。为了在单个热点区域中表示用户标签行为的用户对一致性，本发明计算了用户对相似性
Figure BDA0002458468000000072
与用Frobenius范数估计的
Figure BDA0002458468000000081
之间的差异。然后将用户相关约束因子定义为
Figure BDA0002458468000000082
其中:
Figure BDA0002458468000000083
在图像标签中，标签共现被证明是有效的。两个图像共享的标签越多，它们的语义相似度就越高。除了用户相似度外，反映标签共现的标签相似度也应该是一致的，因为附加到同一用户的图像在单个POI中共享其标记行为。因此，本发明以Frobenius形式最小化来反映图像
Figure BDA0002458468000000084
和用户
Figure BDA0002458468000000085
标签差异的约束条件
Figure BDA0002458468000000086
其中：
Figure BDA0002458468000000087
3.2标签关联约束
与
Figure BDA0002458468000000088
类似，原始图像标签子矩阵的标签相似度计算为
Figure BDA0002458468000000089
为了在优化前后保持标签同现的一致性Tk，本发明通过最小化
Figure BDA00024584680000000810
和
Figure BDA00024584680000000811
定义约束项，表示为
Figure BDA00024584680000000812
其中，
Figure BDA00024584680000000813
3.3可视化内容关联约束
可视内容和带注释的标记通常具有内在的语义关系。这种关系能很大改进在图像-标签矩阵补全中利用视觉信息。为了增强视觉内容与标签之间的语义一致性，本发明可以利用Frobenius式惩罚视觉特征空间与文本语义空间的相似性差值，表示为
Figure BDA00024584680000000814
但是，对于给定图像的语义表示，低级视觉特征的能力不如标签。为了减少语义差异，本发明引入了一个特征映射矩阵
Figure BDA00024584680000000815
它可以直接将视觉特征映射到文本语义空间中。则视觉约束项可改写为:
Figure BDA0002458468000000091
3.4正则化约束
为了避免Tk，Uk的稠密解，本发明要求只有少量的Tk和Uk的项是非零的，即每个图像或用户都附加了少量的惟一标记。对于Xk，本发明需要与给定用户关联的少量图像。本发明可以引入了一个11范数正则化项||Tk||1+||Uk||1+||Xk||1来追求Tk，Uk和Xk的稀疏解。对于共享映射矩阵W，本发明还增加了一个11范数来增强稀疏性；
3.5全局损失函数
最后，根据以上所有这些准则，将优化问题表述如下：
Figure BDA0002458468000000092
Figure BDA0002458468000000093
其中，α,β,γ,λ,θ＞0是参数，其值可以很容易地在交叉验证过程中进行调优；
3.6优化
取POI k中的Tk，以Uk和Xk为例来描述本发明所采用算法的细节。求解上述优化问题的一个直观思路是对每个目标矩阵进行交替优化。由于几个非二次正则化项的存在，目标函数是非凸的。所以本发明采用次梯度下降法求解非凸优化问题，该方法是最常用的有效迭代方法之一。因此，本发明设计了一个交替优化程序来解决大规模OSM数据集的问题。
另一方面，如果直接用交替次梯度下降法求解原问题，可以得到密度的中间解
Figure BDA0002458468000000101
k∈{1,...,p}。它将显著增加每次迭代的计算时间成本。为了避免这一不适定条件，本发明可以根据复合函数优化方法将目标函数分解为两部分。特别地，本发明构造一个辅助函数如下:
Figure BDA0002458468000000102
辅助函数相对于各关系子矩阵的子梯度为:
Figure BDA0002458468000000103
Figure BDA0002458468000000104
Figure BDA0002458468000000105
子梯度用W表示：
Figure BDA0002458468000000106
然后根据(S∈{Tk,Uk,Xk,W})辅助函数，从迭代t到t+1计算每个目标矩阵的中间最优解：
Figure BDA0002458468000000107
其中，δt是步长，基于这些中间解和其余的非凸正则项，本发明将每个模型参数矩阵的辅助优化问题表述为(S∈{Tk,Uk,Xk}和
Figure BDA0002458468000000108
和S＝W和
Figure BDA0002458468000000109
)：
Figure BDA00024584680000001010
结合中间解，本发明得到辅助问题的新解如下:
Figure BDA00024584680000001011
{Tk,Uk,Xk,W}中的每个变量在第t次迭代期间交替更新。
由于在聚类步骤中将图像及其相关本体划分为不同的热点区域(POIs)，因此本发明可以对不同的热点区域POI特定数据块并行进行优化。这里讨论所有热点区域中的整个优化过程。对于热点区域POI k的三个模型参数矩阵Tk，Uk和Xk，其计算过程独立于其他POIs中相应的矩阵。为了得到正确的计算结果，降低模型的复杂度，本发明通过并行计算所有子矩阵Vk共享W。
算法1说明了本发明中解决优化问题的主要步骤，算法1EBMC的步骤具体如下：
Figure BDA0002458468000000111
Figure BDA0002458468000000121
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于块矩阵补全的异构对象补全方法，其特征在于，包括以下步骤：
S1、给定一个包含多种类型数据对象的社交图像集合，多种类型数据对象包括手动标签、GPS位置及其相关用户；
S2、根据所给定的社交图像集合生成原始观测矩阵，该原始观测矩阵分别为用户-图像矩阵、图像-标签矩阵和用户-标签矩阵；
S3、使用有效的训练样本对深度卷积神经网络进行训练，并用训练完成的深度卷积神经网络来表示社交图像的视觉特征；
S4、采用均值漂移从社交图像的GPS位置信息中检测出潜在的热点区域POIs；
S5、通过优化统一的目标函数分别对每个检测到的热点区域POI所对应的数据块进行学习，得到与原始观测矩阵相对应的补全关系矩阵。
2.根据权利要求1所述的一种基于块矩阵补全的异构对象补全方法，其特征在于：所述的步骤S5，进行学习的过程为学习热点区域POI所对应的数据块与手动标签之间的关系，其中，手动标签包括图像标签和用户标签。
3.根据权利要求2所述的一种基于块矩阵补全的异构对象补全方法，其特征在于：所述的目标函数中包括以下约束条件：用户相关约束、标签关联约束、可视化内容关联约束以及正则化约束。
4.根据权利要求1所述的一种基于块矩阵补全的异构对象补全方法，其特征在于：所述的补全关系矩阵分别为用户-图像关系矩阵、图像-标签关系矩阵和用户-标签关系矩阵。
5.根据权利要求1所述的一种基于块矩阵补全的异构对象补全方法，其特征在于：所述GPS位置信息包括纬度和经度信息。
6.根据权利要求1所述的一种基于块矩阵补全的异构对象补全方法，其特征在于：所述有效的训练样本采用ILSVRC 2012数据集。
CN202010313257.8A 2020-04-20 2020-04-20 一种基于块矩阵补全的异构对象补全方法 Active CN111506832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010313257.8A CN111506832B (zh) 2020-04-20 2020-04-20 一种基于块矩阵补全的异构对象补全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010313257.8A CN111506832B (zh) 2020-04-20 2020-04-20 一种基于块矩阵补全的异构对象补全方法

Publications (2)

Publication Number Publication Date
CN111506832A true CN111506832A (zh) 2020-08-07
CN111506832B CN111506832B (zh) 2023-07-28

Family

ID=71878790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010313257.8A Active CN111506832B (zh) 2020-04-20 2020-04-20 一种基于块矩阵补全的异构对象补全方法

Country Status (1)

Country Link
CN (1) CN111506832B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779628A (zh) * 2021-09-08 2021-12-10 湖南科技学院 匿名关联用户矩阵填充隐私动态发布方法
CN113869503A (zh) * 2021-12-02 2021-12-31 北京建筑大学 一种基于深度矩阵分解补全的数据处理方法及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310229A (zh) * 2013-06-15 2013-09-18 浙江大学 一种用于图像分类的多任务机器学习方法及其装置
US20160021503A1 (en) * 2014-07-16 2016-01-21 TUPL, Inc. Machine learning-based geolocation and hotspot area identification
CN110135488A (zh) * 2019-05-10 2019-08-16 南京邮电大学 融合字典训练与观测矩阵优化的数据高质压缩方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310229A (zh) * 2013-06-15 2013-09-18 浙江大学 一种用于图像分类的多任务机器学习方法及其装置
US20160021503A1 (en) * 2014-07-16 2016-01-21 TUPL, Inc. Machine learning-based geolocation and hotspot area identification
CN110135488A (zh) * 2019-05-10 2019-08-16 南京邮电大学 融合字典训练与观测矩阵优化的数据高质压缩方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779628A (zh) * 2021-09-08 2021-12-10 湖南科技学院 匿名关联用户矩阵填充隐私动态发布方法
CN113779628B (zh) * 2021-09-08 2024-04-30 湖南科技学院 匿名关联用户矩阵填充隐私动态发布方法
CN113869503A (zh) * 2021-12-02 2021-12-31 北京建筑大学 一种基于深度矩阵分解补全的数据处理方法及存储介质

Also Published As

Publication number Publication date
CN111506832B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Bhatti et al. Deep learning with graph convolutional networks: An overview and latest applications in computational intelligence
Zhang et al. Detection of co-salient objects by looking deep and wide
US12175744B2 (en) Systems and methods for interactive image scene graph pattern search and analysis
Sun et al. Saliency guided deep network for weakly-supervised image segmentation
WO2017212459A1 (en) Content embedding using deep metric learning algorithms
CN111368254B (zh) 多流形正则化非负矩阵分解的多视角数据缺失补全方法
CN114676777B (zh) 一种基于孪生网络的自监督学习细粒度图像分类方法
CN117393098A (zh) 基于视觉先验和跨模态对齐网络的医疗影像报告生成方法
Xia et al. A regularized optimization framework for tag completion and image retrieval
CN111523586A (zh) 一种基于噪声可知的全网络监督目标检测方法
JP2015036939A (ja) 特徴抽出プログラム及び情報処理装置
CN111506832B (zh) 一种基于块矩阵补全的异构对象补全方法
Mishra et al. Graph interpretation, summarization and visualization techniques: A review and open research issues
Gong et al. Unsupervised RGB-T saliency detection by node classification distance and sparse constrained graph learning
Li et al. Localized content-based image retrieval through evidence region identification
CN115631008A (zh) 商品推荐方法、装置、设备及介质
CN112364747A (zh) 一种有限样本下的目标检测方法
CN111046965A (zh) 一种多标记分类中潜在类别发现和分类方法
CN110175631A (zh) 一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法
Zhou et al. Semantic image segmentation using low-level features and contextual cues
CN113553975A (zh) 基于样本对关系蒸馏的行人重识别方法、系统、设备及介质
Tang et al. A deep-learning model for semantic segmentation of meshes from UAV oblique images
Arya et al. Node classification using deep learning in social networks
CN115019342B (zh) 一种基于类关系推理的濒危动物目标检测方法
Tang et al. Tag ranking based on salient region graph propagation

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
TA01 Transfer of patent application right

Effective date of registration: 20230627

Address after: 450000 Longzihu University Park, Wenyuan North Road, Zhengdong New District, Zhengzhou City, Henan Province

Applicant after: ZHENGZHOU VOCATIONAL University OF INFORMATION AND TECHNOLOGY

Address before: 224000 North 22nd floor, Kechuang building, landscape Avenue, Xindu street, Chengnan New District, Yancheng City, Jiangsu Province (CND)

Applicant before: YANCHENG CHANTU INTELLIGENT TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231221

Address after: Room 601-6, 6th Floor, Building B8, Building 5, Northwest, Intersection of Century Avenue and Baocai Road, Yandu District, Yancheng City, Jiangsu Province, 224000

Patentee after: Jiangsu Breus Technology Co.,Ltd.

Address before: 450000 Longzihu University Park, Wenyuan North Road, Zhengdong New District, Zhengzhou City, Henan Province

Patentee before: ZHENGZHOU VOCATIONAL University OF INFORMATION AND TECHNOLOGY

TR01 Transfer of patent right