-
公开(公告)号：CN111897975A
公开(公告)日：2020-11-06
申请号：CN202010809387.0
申请日：2020-08-12
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向知识图谱表示学习训练的局部训练方法，所述方法包括如下步骤：步骤S1、获取知识图谱训练数据；步骤S2、计算训练所应使用的向量空间维度；步骤S3、判断是否可以通过调整原有模型得到新模型；步骤S4、模型训练；步骤S5、模型与数据存储。本发明可根据知识图谱的数据规模计算得出训练所需使用的向量空间维度，避免过小的维度造成模型性能不佳与过大的维度浪费计算资源与训练所需时间的问题。本发明对于变化的知识图谱，可以在原有表示学习模型的基础上进行训练调整，从而快速得到变化后知识图谱的表示学习模型，节省大量训练所需的时间，从而使上层应用可以更及时地感知到知识图谱的变化。
-
Patent Agency Ranking
公开(公告)号：CN118538312B
公开(公告)日：2025-05-06
申请号：CN202410655411.8
申请日：2024-05-24
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种由随机子结构特征增强的化合物异常检测方法及系统，包括：通过对节点的邻域进行采样，构造出了每个节点的子结构特征，这些特征能够显式地参与图神经网络的消息传递中，一方面使得方法不强制依赖于节点级特征，另一方面使得方法具备了捕获潜在的异常子结构的能力，进一步地，使方法在异常化合物检测问题上比现存方法拥有更优秀的准确率。
-
公开(公告)号：CN117953379A
公开(公告)日：2024-04-30
申请号：CN202410164245.1
申请日：2024-02-05
Applicant: 哈尔滨工业大学
IPC: G06V20/10 , G06V10/764 , G06V10/25 , G06N20/00 , G06V10/774 , G06V10/80
Abstract: 本发明公开了基于高光谱数据与机器学习的可信任种子鉴别方法及系统，本方法包括：收集农作物种子的原始高光谱图像，并进行预处理，农作物种子包括待预测种子和已知品种种子；对预处理后的所有农作物种子的原始高光谱图像进行特征提取，得到光谱特征数据，光谱特征数据包括整个种子区域的空间特征、平均光谱特征和方差光谱特征；对光谱特征数据进行预处理；基于预处理后的光谱特征数据，使用可信任k近邻分类方法对农作物种子进行品种分类，得到待预测种子的品种类别。本发明实现了一种自动、简单、高效和可信任的农作物种子品种鉴别方法，提高了光谱特征的判别性，提高了农作物种子品种的鉴别正确率，提高了每个种子分类结果的可信度。
-
公开(公告)号：CN115965953B
公开(公告)日：2023-08-22
申请号：CN202310009003.0
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V20/60 , G06V10/143 , G06V10/10 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于高光谱成像与深度学习的粮种品种分类方法，本发明属于粮种品种分类领域，包括：获取粮种的多通道高光谱图像，对多通道高光谱图像预处理得到预处理高光谱图像数据集，基于预处理高光谱图像数据集获得第一特征图；其中，预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于粮种品种分类模块指导训练粮种品种分类网络模型，得到优化粮种品种分类网络模型；将拼接图像输入到优化粮种品种分类网络模型，得到粮种品种分类结果。本发明利用高光谱成像和深度学习技术，提出了一种简单、高效、无损、经济、自动化的粮种品种分类方法。
-
公开(公告)号：CN115965844B
公开(公告)日：2023-08-18
申请号：CN202310008956.5
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了基于视觉显著性先验知识的多聚焦图像融合方法,包括以下步骤：获取显著性目标检测任务的数据集和自然图像的数据集，并基于所述自然图像的数据集，获取带有伪标签的伪多焦距图像；构建基于等距域变换的空域注意力模块和通道域注意力模块，并结合双分支结构网络构建基于视觉显著性先验融合模型；将所述显著性目标检测任务的数据集作为所述基于视觉显著性先验融合模型的预训练任务的输入，获得基于视觉显著性先验融合模型的预训练权重；通过所述带有伪标签的伪多焦距图像继续对所述基于视觉显著性先验融合模型进行下游任务的训练，获得融合图像。本发明采用显著性目标检测减少了预训练任务目标域与多聚焦图像融合任务目标域之间的差异。
-
公开(公告)号：CN115965844A
公开(公告)日：2023-04-14
申请号：CN202310008956.5
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了基于视觉显著性先验知识的多聚焦图像融合方法,包括以下步骤：获取显著性目标检测任务的数据集和自然图像的数据集，并基于所述自然图像的数据集，获取带有伪标签的伪多焦距图像；构建基于等距域变换的空域注意力模块和通道域注意力模块，并结合双分支结构网络构建基于视觉显著性先验融合模型；将所述显著性目标检测任务的数据集作为所述基于视觉显著性先验融合模型的预训练任务的输入，获得基于视觉显著性先验融合模型的预训练权重；通过所述带有伪标签的伪多焦距图像继续对所述基于视觉显著性先验融合模型进行下游任务的训练，获得融合图像。本发明采用显著性目标检测减少了预训练任务目标域与多聚焦图像融合任务目标域之间的差异。
-
-
-
-
-
Search Results
16
records
(took 0.023 seconds)
