-
公开(公告)号：CN117174301A
公开(公告)日：2023-12-05
申请号：CN202310569396.0
申请日：2023-05-19
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了基于深度学习的术中肺恶性肿瘤热消融疗效预测的方法，其特征在于，包括获得热消融CT图像；在热消融CT图像上感兴趣区域及感兴趣区域图像；将持续获得的热消融CT图像批量转换为jpg格式的图像，将感兴趣区域图像与热消融图像相结合，得到高亮感兴趣区域的CT图像，收集多名患者的热消融CT图像和高亮感兴趣区域的CT图像，进行剪裁得到分割图像；将分割图像输入深度残差网络，得到输出特征；对输出特征使用归一化指数函数后，得到分类概率，根据分类概率得到肺癌热消融的预测结果；在测试平台上进行测试，最终得到训练完成的深度残差神经网络模型。将患者的病灶CT图像输入训练完成的深度残差神经网络模型后，得出肺癌热消融预测效果。
-
公开(公告)号：CN117131879A
公开(公告)日：2023-11-28
申请号：CN202310591677.6
申请日：2023-05-24
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F40/35 , G06N3/0455 , G06N3/08 , G06F40/268 , G06V20/70 , G06V10/82
Abstract: 本发明涉及一种基于双重软约束的视觉对话信息识别方法，包括：采用多层Transformer编码器作为基准模型，并以图像区域特征I、提出的问题qt、图片描述C、历史对话Ht和附加的候选答案作为模型的输入；通过掩码语言模型损失、掩码图像区域损失和下句预测损失对模型进行多任务训练；使用POS标签信息并引入POS标签预损失帮助对话中的代词找到对应的名词作为第一个软约束，采用正弦位置编码并引入句子位置向量作为第二个软约束，通过两个软约束增强模型的表达能力；通过最后得到的模型对视觉对话信息进行解析识别。本发明基于双重软约束的视觉对话算法能够有效地解析代词指代的实体，并提升视觉对话模型答案的准确性。
-
公开(公告)号：CN114756651A
公开(公告)日：2022-07-15
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/36 , G06F40/295
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
公开(公告)号：CN114625842A
公开(公告)日：2022-06-14
申请号：CN202210304001.X
申请日：2022-03-25
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/35 , G06F16/36 , G06F40/211 , G06F40/216 , G06F40/242 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于结构注意力增强机制的虚假评论识别模型，它包括层次化语义网络和结构注意力增强机制网络；所述层次化语义网络以预训练的词向量为输入层，通过层次化神经网络学习评论文本词‑句‑段的文本表示，词‑句层利用词嵌入特征学习评论文本的句子表示，完成词语级别的建模，句‑段层通过词‑句层的句子向量生成评论文本的整体段落表示，完成语篇级别的建模；所述结构注意力增强机制网络用于学习上下文的连贯性矩阵和对文本结构单元做非前后文关系的自由语序的增强表示。本发明着重对评论文本的词‑句‑段的层次化结构进行了特征提取，并在层次表示中嵌入结构注意力增强机制，以增强弱结构单元的非线性语义表达。
-
公开(公告)号：CN116680456A
公开(公告)日：2023-09-01
申请号：CN202310719597.4
申请日：2023-06-16
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/9032 , G06F16/901 , G06F16/9035 , G06N3/048 , G06N3/047 , G06N3/0985
Abstract: 本发明公开了基于图神经网络会话推荐系统的用户偏好预测方法，涉及人工智能技术领域，包括：S1获取训练数据集；S2、预处理训练数据集得会话序列；S3构建偏好预测模型；S4会话序列导入到偏好预测模型，并训练优化；S5获取待预测的用户数据，预处理得待预测的会话序列；S6、待预测的会话序列导入优化的偏好预测模型得预测结果；在构建会话图时给每个物品节点添加自环并将边的关系，增加邻接矩阵的信息，解决矩阵稀疏问题，采用多通道图神经网络来提取会话的局部兴趣特征，高效利用会话图中的信息，然后引入多层自注意力网络来提取会话的全局兴趣特征，通过会话实现精准有效的偏好预测。
-
Patent Agency Ranking
公开(公告)号：CN114625842B
公开(公告)日：2024-11-29
申请号：CN202210304001.X
申请日：2022-03-25
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/35 , G06F16/36 , G06F40/211 , G06F40/216 , G06F40/242 , G06F40/289 , G06F40/30 , G06F18/24 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于结构注意力增强机制的虚假评论识别装置，它包括层次化语义网络和结构注意力增强机制网络；所述层次化语义网络以预训练的词向量为输入层，通过层次化神经网络学习评论文本词‑句‑段的文本表示，词‑句层利用词嵌入特征学习评论文本的句子表示，完成词语级别的建模，句‑段层通过词‑句层的句子向量生成评论文本的整体段落表示，完成语篇级别的建模；所述结构注意力增强机制网络用于学习上下文的连贯性矩阵和对文本结构单元做非前后文关系的自由语序的增强表示。本发明着重对评论文本的词‑句‑段的层次化结构进行了特征提取，并在层次表示中嵌入结构注意力增强机制，以增强弱结构单元的非线性语义表达。
-
公开(公告)号：CN116843661A
公开(公告)日：2023-10-03
申请号：CN202310839302.7
申请日：2023-07-10
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/00 , G06T7/10 , G06N3/0455 , G06N3/096
Abstract: 本发明公开了一种肺炎医学图像分割方法，该方法包括S1：对收集的肺炎数据集进行预处理；S2：预训练标准概率模型；S3：预训练编解码模块；将需要分割的肺炎医学数据集输入到预训练后的标准概率模型中，得到加了噪声的标注图像；S5：将得到加了噪声的标注图像送入训练后的编解码模块，得到变换结果；S6：将变换结果经过编解码模块的编码层下采样，经过两个编码层后，得到隐层特征，并将隐层特征还原到原图尺寸，得到分割图像，通过标准概率模型，神经网络可以很好地学习带有噪声的病灶特征，并将其与输入图像特征融合，本申请构建了一个编解码器模块，让神经网络学习分割新冠病灶区域的能力，优化了损失函数，使模型更容易收敛。
-
公开(公告)号：CN113920129A
公开(公告)日：2022-01-11
申请号：CN202111089546.5
申请日：2021-09-16
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/11 , G06T5/20 , G06N3/04 , G06V10/80 , G06V10/774
Abstract: 本发明涉及一种基于多尺度和全局上下文信息的医学图像分割方法和装置，该方法包括：获取待处理医学图像；提取待处理医学图像中的图像特征，得到特征图；学习特征图的多尺度的全局上下文信息；引导多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。本发明在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本发明还在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。
-
公开(公告)号：CN118507018A
公开(公告)日：2024-08-16
申请号：CN202410439169.0
申请日：2024-04-12
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G16H50/20 , G16H50/30 , G06F18/211 , G06F18/214 , G06F18/21 , G06F18/243 , G06F18/27 , G06F18/25 , G06N5/01 , G06N20/20
Abstract: 本发明涉及一种基于集成学习框架的疾病预测方法及系统，属于机器学习领域，包括：对糖尿病数据集进行预处理；选择糖尿病数据集中所有特征，对基模型进行预训练，确定基模型的初始参数，并计算各个特征的重要性概率，得到总和为1的特征重要性概率表G；根据特征重要性概率表，确定训练数据集中的数据特征，用于多个基模型的训练，得到最终的基模型；选择多种类别的模型作为基模型并进行训练和评估，保存模型的性能评估指标数据；根据集成学习模型得到预测值。本发明选择多种模型作为基础模型，通过衡量基模型各自的性能来有针对性的偏向，将加权之后的数据整合形成元模型即逻辑回归的训练集，可以很大的提升集成学习模型的性能。
-
公开(公告)号：CN118155048A
公开(公告)日：2024-06-07
申请号：CN202410572362.1
申请日：2024-05-10
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06V10/44 , G06V10/46 , G06V10/42 , G06N3/0455 , G06N3/092
Abstract: 本发明涉及一种基于ViT和强化学习的关键特征自适应选择方法，属于计算机视觉领域，包括：将输入图像划分为一组不重叠的patch序列，并将其嵌入到低维空间中；将输入图像输入到PatchRLNet模型中，产生一个与patch序列对应的权值矩阵；将patch序列与权值矩阵相乘，得到关键特征选择之后的目标特征表达，再拼接上一个类别标记class token得到的特征表达后，输入到ViT编码器中提取输入图像序列的特征，通过ViT分类器对每个液体状态的分数进行预测。本发明将强化学习融合到ViT网络中，能够捕获目标的全局和局部特征，还能通过强化学习关键特征选择降低背景环境和噪声的影响，显著提高了ViT在复杂场景下的检测性能。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.031 seconds)
