-
公开(公告)号：CN110175506A
公开(公告)日：2019-08-27
申请号：CN201910277665.X
申请日：2019-04-08
Applicant: 复旦大学
Abstract: 本发明属于机器学习技术领域，具体为一种基于并行降维卷积神经网络的行人重识别方法和装置。本发明方法包括：构建并训练基于并行降卷积核的卷积神经网络，作为特征提取模型；对已确定为待检索的目标图像和待判定的目标图像进行预处理，获得预处理的目标图像和相应的待判定图像；将目标图像和待判定图像依次输入特征提取模型，得到多个待判定行人特征向量和多个目标特征向量；根据特征向量，在待判定目标图像中寻找出与目标图像一致的行人图像。本发明采用并行卷积核减少了卷积参数，同时运用多个低维度对称卷积核和低维度非对称卷积核代替较高维度卷积核，减少了运算量，本发明的行人重识别精度远高于现有的多种行人重识别方法。
-
公开(公告)号：CN110136017A
公开(公告)日：2019-08-16
申请号：CN201910277684.2
申请日：2019-04-08
Applicant: 复旦大学
IPC: G06Q50/00 , G06F16/901 , G06N3/04
Abstract: 本发明属于大数据技术领域，具体为一种基于数据增强和非负矩阵稀疏分解的群组发现方法。本发明通过循环神经网络学习节点有属性的网络中不同属性的节点的邻居分布，抽取由多个节点的相似的邻居分布形成的邻居模式用以增强数据，再通过交替最小二乘和吉洪诺夫正则化进行非负矩阵的稀疏分解发现群组，提升群组发现的准确性。本发明通过数据增强对网络拓扑结构的边进行了填补，使得矩阵分解时尽量不迭代出全零的行，保证迭代稳定；并且，以非负矩阵稀疏分解的方法得到稀疏的群组表示，不会得到大量非零的概率，增强了群组发现方法的可解释性，解决了大量非零概率难以解释群组隶属关系的难题。
-
公开(公告)号：CN109960506A
公开(公告)日：2019-07-02
申请号：CN201811467831.4
申请日：2018-12-03
Applicant: 复旦大学
Abstract: 本发明属于计算机应用技术领域，具体为一种基于结构感知的代码注释生成方法。本发明利用抽象语法树得到代码片段的层次信息，以此来构建一个基于结构感知的代码注释生成器。本发明提出一个称为Code2Text的模型将源代码与其抽象语法树结合，应用在代码注释领域。Code2Text中的双重编码器分别对源代码序列输入与抽象语法结构输入进行编码，并通过双重注意力机制，利用源代码中的每一个单词和抽象语法树中的每一个结点来精确调整生成单词，以此来引导解码过程。本发明可以辅助程序员生成注释以减少手工撰写成本，也可为没有经验的程序员理解现有代码提供参考；并且可以用于数据使用的应用程序代码检测。
-
公开(公告)号：CN109088721A
公开(公告)日：2018-12-25
申请号：CN201811163818.X
申请日：2018-10-02
Applicant: 复旦大学
Abstract: 本发明属于密码技术领域，具体为一种可委托的揭序加密(DORE)方法。本发明的揭序加密方法是基于可委托相等检测编码(EDET)方法的。可委托相等检测编码方法可以允许不同用户间的密文通过令牌进行相等比较；将该可委托检测相等比较的编码方法通过特定标识符进行表示时，则构成可委托功能的揭序加密方法。本发明包含密钥生成、令牌生成、加密和比较算法四元组；该方案允许对比较权限进行委托，即对应于不同用户的密文可以通过比较权限委托这一功能来进行数值比较操作，打破了现有揭序加密只能针对单个用户进行操作的限制，从而能够提供跨数据库事务的相关操作。
-
公开(公告)号：CN108376558A
公开(公告)日：2018-08-07
申请号：CN201810069685.3
申请日：2018-01-24
Applicant: 复旦大学
Abstract: 本发明属于医疗数据分析与智能处理技术领域，具体是一种多模态核磁共振影像病历报告自动生成方法。本发明采用深度学习模型，其中，在使用卷积神经网络提取影像特征的基础上引入注意力矩阵，通过点乘运算给不同位置的特征赋予不同的权重，得到不同注意力下的影像特征；接着使用一个长短期记忆循环神经网络，根据不同注意力下的影像特征生成病历报告中每个句子的主题向量；再使用另一个长短期记忆循环神经网络，根据句子的主题向量生成每一个词；然后将这些词连接起来得到最后的病历报告。本发明在没有病历模版的情况下自动生成医学影像的病历中的描述文本，对缓解放射科医生的工作以及搭建智能化的计算机辅助诊断系统有着深远的意义。
-
Patent Agency Ranking
公开(公告)号：CN109545302B
公开(公告)日：2023-12-22
申请号：CN201811227004.8
申请日：2018-10-22
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于语义的医学影像报告模板生成方法。本发明根据影像自动生成初步的成像报告，为没有经验的放射科医师撰写成像报告提供参考模板，降低放射科医师的工作强度与难度。放射科医师在撰写影像报告时会按照一定的诊断次序关注影像的不同区域，根据这些区域的特征做出相对应的影像学描述，本发明使用图像编码器与层次化的句子解码器架构，并引入了根据参照文本的注意力机制，模拟专业的放射科医师撰写成像报告的过程。相较于传统的基于模板的和基于规则的方法，本发明中提出的方法能生成自然语言化的成像报告，能够根据影像的特征捕捉到丰富的语义特征。
-
公开(公告)号：CN116451684A
公开(公告)日：2023-07-18
申请号：CN202310415786.2
申请日：2023-04-18
Applicant: 复旦大学
IPC: G06F40/279 , G06F40/216 , G06N3/08
Abstract: 本发明属于自然语言处理技术领域，具体为一种网络协议文档标注和有限状态机提取的方法及装置。本发明包括：获取待标注的协议文档目标文本，并预处理；根据数据分布的先验以及领域知识，为状态机角色类别标签构造标签模型,作为类别虚拟标签词嵌入到掩码语言模型词典中；根据目标文本中各短句的语义以及上下文信息，利用标签模型学习其特征表示向量；再利用特征表示向量为短句分类并标注标签，以此代表描述状态机各功能角色的文本；根据标注分类后的文本及其标签以XML的形式构建协议文本的中间表示，从中间表示中抽取有限状态机。本发明采用无模版提示学习提高模型在缺少大量训练数据和零样本测试情况下的标注协议文本性能，提升提取状态机效果。
-
公开(公告)号：CN110175506B
公开(公告)日：2023-01-06
申请号：CN201910277665.X
申请日：2019-04-08
Applicant: 复旦大学
Abstract: 本发明属于机器学习技术领域，具体为一种基于并行降维卷积神经网络的行人重识别方法和装置。本发明方法包括：构建并训练基于并行降卷积核的卷积神经网络，作为特征提取模型；对已确定为待检索的目标图像和待判定的目标图像进行预处理，获得预处理的目标图像和相应的待判定图像；将目标图像和待判定图像依次输入特征提取模型，得到多个待判定行人特征向量和多个目标特征向量；根据特征向量，在待判定目标图像中寻找出与目标图像一致的行人图像。本发明采用并行卷积核减少了卷积参数，同时运用多个低维度对称卷积核和低维度非对称卷积核代替较高维度卷积核，减少了运算量，本发明的行人重识别精度远高于现有的多种行人重识别方法。
-
公开(公告)号：CN107633181B
公开(公告)日：2021-01-26
申请号：CN201710816711.X
申请日：2017-09-12
Applicant: 复旦大学
Abstract: 本发明属于大数据技术领域，具体为面向数据开放共享的数据模型及其运作系统。本发明的数据模型包括：为数据使用者提供开放数据的基本组成单元‑‑数据盒，包括数据盒的数据描述、数据操作和数据约束，以及数据盒的性质；封装在数据盒中的数据防泄漏和数据权益保护机制，并设有供外部软件使用的接口；数据盒的计量与定价，即根据数据使用者提出的要求和目标，计算数据使用者所需数据盒的数量和时间等，并进行定价。本发明的这种数据资源组织形式提升了数据的独立性、可用性和可控性，实现了数据自治，使得数据拥有者在数据开放的同时又能保证其数据稀缺性不丧失和隐私不泄露，有效地支持数据开放共享。
-
公开(公告)号：CN111985623A
公开(公告)日：2020-11-24
申请号：CN202010882758.8
申请日：2020-08-28
Applicant: 复旦大学
IPC: G06N3/04 , G06N3/08 , G06K9/62 , G06F16/906
Abstract: 本发明提供了基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于，包括步骤：利用预先训练好的图神经网络对待处理矩阵进行表征学习得到初步节点表征，并对待处理属性图进行互信息计算得到全局互信息值；利用软聚类将初步节点表征划分到多个群组的中心得到分配矩阵；根据分配矩阵对原始群组进行模块度以及待处理属性图内的互信息计算得到模块度值以及群组互信息；根据模块度值、群组互信息以及全局互信息值计算总损失，并根据该总损失通过梯度回传对图神经网络进行迭代更新直到得到群组发现结果。本方法可以实现端到端的更新图神经网络不需要分步实现，并且能更好地捕捉节点属性关系，得到准确性更高的群组发现结果。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.019 seconds)
