-
公开(公告)号：CN119046461A
公开(公告)日：2024-11-29
申请号：CN202410876244.X
申请日：2024-07-02
Applicant: 电子科技大学
Abstract: 本发明提出一种基于文本扩充和标签信息融合的图网络侵权行为分类方法，该方法包括：在词嵌入与全局图信息构建模块对输入文本数据进行全局图信息构建；在双重图注意力提取模块对词级别和句子级别进行图形注意力提取；在数据池化模块对每个词语的主要特征信息进行提炼；在文本特征扩充模块对短文本进行有效扩展和丰富；在文本特征增强模块利用制作热力图对文本特征进行增强；在文本分类模块利用已增强的文本特征进行文本分类。该方法通过主题模型和TF‑IWF抽取核心词并构建核心词库，扩充丰富了文本特征信息。与此同时，该方法也通过图注意力机制将最大池化后的特征向量中有明显类别指向的单词抽出；除此以外，该方法还通过词嵌入技术将标签向量化并与文本向量进行融合，进行文本特征增强，进而提高民事侵权行为分类精度与效率。
-
公开(公告)号：CN118916737A
公开(公告)日：2024-11-08
申请号：CN202410907710.6
申请日：2024-07-08
Applicant: 电子科技大学
Abstract: 为了应对法律文本中行为极性分类的挑战，本发明引入了一种创新的算法模型，融合上下文注意力的对比学习(Contrastive Learning with Context Attention,CLCA)和CGCN(Core Graph Convolutional Network,CGCN)的行为极性分类模型。该模型专门设计用于行为极性分类任务，通过结合上下文信息和对比学习策略，以提升对复杂法律文本数据的分类准确性和效率。本发明针对法律领域行为极性分类的模糊性和抽象性，提出了融合标签信息的对比学习算法，兼顾了有标签的行为极性分类任务和对比学习任务，提高了行为在不同案件类别标签下的极性分类效果。对于上下文依赖问题，本发明引入特殊的上下文注意力机制，引导模型对存在的行为进行合理的聚合和区分，增强行为词嵌入在极性信息上的表征能力和模型对上下文内容的理解能力。本发明提出了CGCN网络，基于采样思想和对模型的横向扩展缓解了GCN网络在抗噪声方面的不足之处和特征表示能力退化现象，提高行为极性分类的泛化性和抗噪声能力。在公开文本分类数据集和法律数据集上的实验表明，使用本发明提出的模型可以有效提高行为极性分类的效果并且具有一定极性分类泛用性，本发明的模型较为契合法律领域的行为极性分类要求。
-
公开(公告)号：CN118823348A
公开(公告)日：2024-10-22
申请号：CN202410912562.7
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G06V10/26 , G06V20/70 , G06V20/17 , G06V10/20 , G06V10/82 , G06T5/10 , G06N3/0895 , G06N3/0464 , G06N3/045
Abstract: 本发明提出了一种基于半监督的无人机航空图像分割方法。具体而言，该方法的核心创新体现在四个方面，首先是数据增强，采用基于傅里叶变换的策略，该策略通过在频域对图像进行处理，增强了模型对于图像特征的学习能力，尤其是在处理复杂背景和细节信息时的准确性。其次是，置信度优化方面改进了置信度评估方法，以更精确地处理标签不确定性。这一改进有助于模型在训练过程中减少误差传播，确保了使用高置信度标签，从而提升了学习效率和分割质量。再而是双网络预测结构，通过双网络结构的设计，算法能够并行处理图像数据，综合两个网络的预测结果。这种结构不仅提高了模型对图像特征的捕捉能力，也增强了模型在面对不同场景时的泛化能力。最后对损失函数进行了创新设计，以更好地优化模型训练过程。新的损失函数设计针对性强，旨在增强模型对不同尺度、形状目标的分割能力，以及提高前景与背景的区分效果。
-
公开(公告)号：CN117636165A
公开(公告)日：2024-03-01
申请号：CN202311619079.1
申请日：2023-11-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于令牌混合的遥感语义变化检测技术，针对多任务学习耦合二值变化检测和语义分割子任务提高效率和精度。通过采用预训练大模型编码器构建孪生网络，提取双时多尺度特征，并利用交叉注意模块实现两个图像之间的信息通信。将二值变化检测和语义分割子任务在同一框架下进行端到端训练，高度耦合得到语义变化检测结果。与现有技术相比，本发明具有精度高和快速检测的优势，为遥感图像变化检测领域提供了新的解决方案。
-
公开(公告)号：CN111178053B
公开(公告)日：2023-07-28
申请号：CN201911393590.8
申请日：2019-12-30
Applicant: 电子科技大学
IPC: G06F40/253 , G06F40/30 , G06F40/258
Abstract: 本发明提出一种结合语义和文本结构进行生成式摘要抽取的文本生成方法，考虑到中文语言结构上的特殊性，将文本结构和文本语义作为网络输入，从而考虑文本的语义和结构两个方面的内容，然后通过编码网络中的编码将语义和结构两方面的数据进行编码和融合，然后利用解码网络进行结果输出。本发明将文本结构也作为元素提高了编码网络获取文本信息的能力；加入了注意力机制提高了解码网络的解码能力。
-
Patent Agency Ranking
公开(公告)号：CN113052187B
公开(公告)日：2022-08-30
申请号：CN202110307905.3
申请日：2021-03-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多尺度特征融合的全局特征对齐特征对齐目标检测技术。该发明可以进一步增强以Faster R‑CNN为代表的目标检测算法在不同应用场景下的泛化性能。以往基于全局特征对齐的目标检测技术通常存在两个问题：一是特征对齐尺度单一，且未减小由目标尺寸大小不同带来的域间差异；二是以往全局特征对齐在前景目标特征的同时，强制对齐了背景特征，影响特征对齐效果。本发明提出的基于多尺度特征融合的全局特征对齐特征对齐目标检测方法，将不同尺度的特征图进行融合，使得不同尺寸大小的目标特征一同对齐，并进行背景抑制，减少背景噪声影响，将网络注意力更多放在前景目标特征对齐上。
-
公开(公告)号：CN114818963A
公开(公告)日：2022-07-29
申请号：CN202210506243.7
申请日：2022-05-10
Applicant: 电子科技大学
IPC: G06K9/62 , G06V10/74 , G06V10/764 , G06V10/771 , G06V10/80 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于跨图像特征融合的小样本检测算法。本发明主体结构是基于两阶段的目标检测算法Faster‑RCNN构建的小样本学习算法。首先输入查询图像和支持集图像进行特征图的提取，得到的特征图被送入跨图像特征融合模块用支持集中的特征信息来加强查询集中目标特征信息的表达，之后送入改进后的RPN模块生成ROI特征向量，再通过改进后的特征聚合模块对候选框进行筛选并完成支持集向量和ROI特征向量的空间对齐，最后将处理好的ROI和支持集向量送入分类器中进行分类，最终输出目标类型和框的准确定位。最后在PASCALVOC数据集上设计了多组消融实验和对比实验都获得了良好的检测精度，验证了检测算法的有效性。
-
公开(公告)号：CN113283444A
公开(公告)日：2021-08-20
申请号：CN202110340836.6
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的异源图像迁移技术，属于图像生成技术领域。其具体步骤为：S1红外与可见光图像数据集的选取与制作；S2基于所提出生成对抗网络架构STVGAN，对网络模型循环训练。S3减少网络模型中总损失函数的值，得到训练好的生成器网络；S4通过训练好的生成器网络实现从红外图像到可见光图像的迁移。本发明是一种半监督学习的异源图像迁移算法，是半监督学习方法首次应用在异源图像迁移领域，相较于传统监督方法，仅需要部分配对的数据就可以达到更好的图像迁移效果。
-
公开(公告)号：CN113052298A
公开(公告)日：2021-06-29
申请号：CN202110268146.4
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于胶囊网络的三维模型检索方法，包括：将输入的三维模型转换为离散体素形式，建立卷积神经网路，将体素化形式的三维模型作为待测数据输入到卷积神经网络模型中，卷积神经网络模型输出识别结果，即为待测三维模型的检索结果。本发明中，卷积神经网络模型中包括特征提取模块、胶囊网络模块以及全连接层。其中特征提取模块用于提取模型更多的低级特征，并且引入了尺寸和步长都较小的池化层，可以减少冗余特征；胶囊网络模块使用向量神经元保存特征空间信息，解决了传统卷积神经网络大量池化层的引入导致特征信息丢失的问题，动态路由算法优化了胶囊权重的迭代计算过程，取得了较好的识别效果。
-
公开(公告)号：CN113033428A
公开(公告)日：2021-06-25
申请号：CN202110339871.6
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明属于图像处理领域，具体为一种基于实例分割的行人属性识别方法。大多数行人属性识别算法都会将图像中的背景信息包含进来，并将背景信息一起进行识别。然而这些背景信息对于属性识别来说具有一定的影响性。因此本发明使用YOLACT算法对行人属性识别过程中的背景信息进行抑制处理。首先针对背景噪声问题，本发明采用YOLACT算法进行背景抑制处理，并得到了很好的效果；另外本发明提出将不同大小的特征图拼接后再进行多任务网络预测的方法提高识别准确度；最后为了平衡多任务训练过程中不同任务具有不同的训练速度，本发明提出了梯度权重损失函数很好的解决了该问题。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.038 seconds)
