-
公开(公告)号：CN116028604A
公开(公告)日：2023-04-28
申请号：CN202211464352.3
申请日：2022-11-22
Applicant: 福州大学
IPC: G06F16/332 , G06F16/36 , G06F16/35 , G06F40/211 , G06F40/289 , G06F40/30 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本发明提供了一种基于知识增强图卷积网络的答案选择方法及系统，包括以下步骤：步骤A：在问答平台中收集用户的问题以及回答记录，并标注每一个问题‑答案对的真实标签，以此构建训练集DS；步骤B：使用训练数据集DS以及知识图谱ConceptNet，训练基于知识增强的图卷积神经网络的深度学习网络模型M，通过此模型来分析给定问题，相对应候选答案的正确性；步骤C：将用户的问题输入到训练好的深度学习网络模型M中，输出匹配的答案；应用本技术方案有利于提高答案选择的准确性。
-
公开(公告)号：CN113157855B
公开(公告)日：2023-02-21
申请号：CN202110197752.1
申请日：2021-02-22
Applicant: 福州大学
Abstract: 本发明提出一种融合语义与上下文信息的文本摘要方法，其特征在于：包括以下步骤：步骤A：采集文本内容以及摘要，构建文本‑摘要对训练集；步骤B：基于文本‑摘要对训练集，训练融合语义与上下文信息的深度学习网络模型；步骤C：将文本内容输入步骤B训练好的深度学习网络模型中，输出文本的摘要；本发明能够更好地捕获文本的潜在语义信息，提高了对于生成摘要的准确精度。
-
公开(公告)号：CN111259837B
公开(公告)日：2022-10-04
申请号：CN202010067243.2
申请日：2020-01-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于部位注意力的行人重识别方法及系统，该方法包括以下步骤：A、输入训练集各行人视频到特征提取深度网络，得到中间特征并输入部位推断深度网络，得到K个部位的注意力热力图；B、做哈达玛积运算得到局部中间特征，再输入K个局部提取深度网络得到K个部位的局部特征；C、计算各部位的有效系数，对局部特征进行加权融合得到融合局部特征；D、计算全局特征，拼接全局特征和融合局部特征得到视频特征，输入全连接层得到分类向量；E、计算联合损失，计算各网络参数的梯度，后更新各网络参数，完成各网络训练过程；F、输入查询视频和检索集各视频到训练完成的各网络进行行人重识别。该方法及系统有利于提高行人重识别的性能。
-
公开(公告)号：CN110222163B
公开(公告)日：2022-10-04
申请号：CN201910497128.6
申请日：2019-06-10
Applicant: 福州大学
IPC: G06F16/332 , G06N3/04
Abstract: 本发明涉及一种融合CNN与双向LSTM的智能问答方法及系统，包括以下步骤：采集智能问答系统中的问题以及回答记录，构建问答对训练集QA；采集智能问答系统中每个用户的问题回答记录，构建用户的历史回答训练集UA；步骤C：使用问答对训练集QA以及用户的历史回复训练集UA，训练融合CNN与双向LSTM的深度学习网络模型M；步骤D：智能问答系统接受用户的提问，将提问输入到训练好的深度学习网络模型M中，输出匹配的答案。本发明融合CNN与双向LSTM，能够全面准确地提取影响智能问答精度的各项特征。
-
公开(公告)号：CN112651617B
公开(公告)日：2022-07-01
申请号：CN202011519463.0
申请日：2020-12-21
Applicant: 福州大学
IPC: G06Q10/06 , G06Q10/00 , G06Q50/06 , G06F16/22 , G06F16/2455 , G06F16/2458 , G06K9/62
Abstract: 本发明涉及基于批流统一聚类模式的风电机组异常数据检测方法，将批量聚类和增量聚类结合。使用批量的聚类初始化方式，在首个时间窗口中初始化簇特征。后续窗口采用增量式的聚类方法，这样能够同时满足批量聚类的高精度以及流式聚类的低延迟等特点，可以持续处理大规模持续流入的风电机组群运行数据，并能较快地反映出异常数据所在设备。加入了基于流式迭代的簇特征更新机制。引入迭代流的思想，将风电机组数据簇特征创建成迭代流。进行流式的数据状态广播、双流连接计算，即将两个流式数据进行连接后计算。根据数据的最近簇进行分区，窗口定时更新每个分区的簇特征并将其返回到迭代流中。本发明保证了实时流处理低延迟的特性。
-
Patent Agency Ranking
公开(公告)号：CN112732921B
公开(公告)日：2022-06-14
申请号：CN202110070347.3
申请日：2021-01-19
Applicant: 福州大学
Abstract: 本发明提供了一种虚假用户评论检测方法及系统，包括以下步骤：收集用户的产品评论和评论涉及的主题文本，建立用户评论数据集；使用用户评论数据集S，对虚假用户评论检测模型行预训练，模型由文本生成器G、鉴别器D以及分类器C三个模块构成；使用用户评论数据集S，对虚假用户评论检测模型进行对抗训练；将用户评论与主题输入虚假用户评论检测模型的分类器中，输出对用户评论的检测结果，即用户评论为虚假评论或真实评论。本发明的方法能够得到准确性更高的检测结果。
-
公开(公告)号：CN112667818B
公开(公告)日：2022-06-14
申请号：CN202110001581.0
申请日：2021-01-04
Applicant: 福州大学
IPC: G06F16/35 , G06F40/211 , G06F40/284 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种融合GCN与多粒度注意力的用户评论情感分析方法，包括以下步骤：步骤A：提取用户评论、用户评论涉及的产品或服务的方面词，并标注用户评论针对产品或服务的的特定方面的情感极性，构建训练集SA；步骤B：使用训练集SA，训练融合GCN与多粒度注意力的深度学习网络模型G，用于分析用户评论对产品或服务的特定方面的情感记性；步骤C：将用户评论与用户评论涉及的产品或服务的方面词输入到训练后的深度学习网络模型G中，得到用户评论对产品或服务的特定方面的情感极性。本发明能够有效提高情感分类的准确性。
-
公开(公告)号：CN111274359B
公开(公告)日：2022-06-14
申请号：CN202010067232.4
申请日：2020-01-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进VHRED与强化学习的查询推荐方法及系统，该方法包括以下步骤：步骤A：收集搜索引擎的用户查询日志记录，对用户查询日志记录数据进行预处理，构建用户查询日志训练集TS；步骤B：使用用户查询日志训练集TS训练基于带有时间特征的VHRED及强化学习的查询推荐深度学习网络模型；步骤C：查询推荐系统接受用户输入的查询语句，将查询语句输入到训练好的查询推荐深度学习网络模型中，输出相匹配的查询推荐。该方法及系统有利于生成符合用户需要的查询推荐。
-
公开(公告)号：CN110070091B
公开(公告)日：2022-05-24
申请号：CN201910359127.5
申请日：2019-04-30
Applicant: 福州大学
Abstract: 本发明涉及一种用于街景理解的基于动态插值重建的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再获取混合空间金字塔池化特征，以这两部分级联作为编码网络提取编码特征；从卷积网络中选取中间层特征，结合编码特征计算插值权重特征，以动态插值的方式搭建解码网络，重建图像分辨率，计算解码特征；计算得到边缘增强的语义分割损失，以最小化边缘增强的语义分割损失为目标对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。
-
公开(公告)号：CN114494699A
公开(公告)日：2022-05-13
申请号：CN202210109479.7
申请日：2022-01-28
Applicant: 福州大学
Abstract: 本发明涉及一种基于语义传播与前背景感知的图像语义分割方法及系统，该方法包括以下步骤：步骤A：收集特定场景的图像样本，并标注每个像素所属的对象类别，构建带类别标签的训练集；步骤B：利用图像增强技术对训练集进行数据增强，得到增强后的训练集SE；步骤C：使用训练集SE训练基于语义传播与前背景感知的深度学习网络模型，用于分析图像中每个像素的语义类别；步骤D：将待分割图像输入到训练后的深度学习网络模型中，输出与原图大小相同的语义分割图，得到语义分割结果。该方法及系统有利于提高图像语义分割的像素准确性与平均交并比。
-
-
-
-
-
-
-
-
-
Search Results
224
records
(took 0.037 seconds)
