-
公开(公告)号：CN113535904B
公开(公告)日：2022-08-09
申请号：CN202110838343.5
申请日：2021-07-23
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于图神经网络的方面级情感分析方法，属于数据自然语言处理领域。该方法包括：S1：特征输入：使用Bert预训练语言模型进行词向量映射，再进行一次BiLSTM层的计算，得到含有上下文语义信息表示的隐藏特征；S2：语义特征提取：采用多层的多跳注意力图神经网络MAGNA进行语义特征提取；S3：方面目标词和上下文语义交互阶段：将S2提取到的特征进行一个遮蔽操作，然后与经过BiLSTM层的隐藏特征进行一个点积注意力操作；S4：标签预测阶段：对S3中得到的特征进行一个最大池化操作，接着进行一个线性变换降维后再softmax操作得到最后的预测结果表示。本发明提升了模型识别长距离句法关系的能力。
-
公开(公告)号：CN111476819A
公开(公告)日：2020-07-31
申请号：CN202010198193.1
申请日：2020-03-19
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于多相关滤波模型的长时目标跟踪方法，属于计算机视觉领域。该方法包括：S1：提取视频图像的HOG和HOI特征，训练长时相关滤波器；S2：跟踪过程中，利用长时相关滤波器与目标产生的最大响应值与检测阈值来判断目标跟踪是否发生失败，若目标跟踪成功，则采用MCCT算法中最优位移相关滤波器对目标的平移进行估计并得到目标的位置信息，若目标跟踪失败，激活在线检测器对目标重新定位并采用在线分类器SVM的检测结果作为目标的位置信息；S3：确定目标的平移位置后，再利用尺度相关滤波器确定该帧中目标的尺度；S4：最后在满足目标更新条件下对滤波器模型进行更新。本发明降低了时间开销，其性能具有优越性。
-
公开(公告)号：CN110689483A
公开(公告)日：2020-01-14
申请号：CN201910906696.7
申请日：2019-09-24
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于深度残差网络的图像超分辨率重建方法，属于计算机视觉技术的图像重建领域。包括如下步骤：获取数据集、训练样本预处理、训练所提出的模型、利用训练好的模型进行图像重建。其中所提出的模型包含特征提取模块、堆叠的特征增强模块和重建模块。模型中的特征增强模块由一个增强单元和一个非线性化单元组成，增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元负责提取多样的非线性特征。本发明用于图像超分辨率重建能增强特征增强模块的有效性，可以明显提高图像重建质量。
-
公开(公告)号：CN110688502A
公开(公告)日：2020-01-14
申请号：CN201910846400.7
申请日：2019-09-09
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于深度哈希和量化的图像检索方法及存储介质，首先建立训练集和测试集，对需要识别的图像进行预处理，然后构建卷积神经网络,采用Alexnet模型结构作为基本架构，再利用训练样本随时生成数据对，根据卷积神经网络进行训练，得到相应的输出值Zn。通过将图像类别通过Glove模型处理得到嵌入标签V，再结合嵌入标签V，计算卷积神经网络输出值的误差函数，并更新网络参数，最后，将查询图像和数据库图像分别通过训练好的模型处理得到相应的二值编码后，通过非对称距离量化方法计算内积相似性，输出检索结果。本发明引入分块编码模块，利用精心设计的混合网络和指定的损失函数，联合学习深度视语义标签，大大提高了图像检索的准确性。
-
公开(公告)号：CN113704437B
公开(公告)日：2023-08-11
申请号：CN202111035912.9
申请日：2021-09-03
Applicant: 重庆邮电大学
IPC: G06F16/332 , G06F40/211 , G06F40/35 , G06N3/0464 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N5/04
Abstract: 本发明涉及一种融合多头注意力机制和相对位置编码的知识库问答方法，属于自然语言处理领域，引入Transformer编码器代替BiLSTM对问题进行编码，同时，由于Transformer的结构问题，它对获取句子中相对位置词语信息的能力不足，本发明采用Transformer－XL中的相对位置编码思想，对Transformer中使用的绝对位置编码公式进行了改写，使用了相对位置编码代替其中的绝对位置编码，弥补了获取相对位置词语信息能力不足的情况。
-
Patent Agency Ranking
公开(公告)号：CN114896400A
公开(公告)日：2022-08-12
申请号：CN202210532864.2
申请日：2022-05-11
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于正则约束的图神经网络文本分类方法，属于自然语言处理领域，包括以下步骤：构图：采用TextING的构图方法构图，添加语义边和语法边，并定义不同边的类型，初始化边类型特征Ec，输入图神经网络中进行训练；基于图神经网络进行单词交互：采用带多样正则约束的GAT为邻域结点分配不同注意力权重来过滤边噪声信息，引导注意力分数分布减少重叠；文本表示：通过最大池化和平均池化将单词结点特征聚合为篇章表示，根据篇章表示获得文本的分类结果，并定义损失函数来约束结点特征的更新过程。本发明丰富了单词间语法语义相关性，提高了长距离和非连续的单词交互能力，提高了模型表达能力。
-
公开(公告)号：CN110689483B
公开(公告)日：2022-07-01
申请号：CN201910906696.7
申请日：2019-09-24
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于深度残差网络的图像超分辨率重建方法，属于计算机视觉技术的图像重建领域。包括如下步骤：获取数据集、训练样本预处理、训练所提出的模型、利用训练好的模型进行图像重建。其中所提出的模型包含特征提取模块、堆叠的特征增强模块和重建模块。模型中的特征增强模块由一个增强单元和一个非线性化单元组成，增强单元通过不同路径下的卷积核提取不同种类的特征，非线性化单元负责提取多样的非线性特征。本发明用于图像超分辨率重建能增强特征增强模块的有效性，可以明显提高图像重建质量。
-
公开(公告)号：CN113704437A
公开(公告)日：2021-11-26
申请号：CN202111035912.9
申请日：2021-09-03
Applicant: 重庆邮电大学
IPC: G06F16/332 , G06F40/211 , G06F40/35 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明涉及一种融合多头注意力机制和相对位置编码的知识库问答方法，属于自然语言处理领域，引入Transformer编码器代替BiLSTM对问题进行编码，同时，由于Transformer的结构问题，它对获取句子中相对位置词语信息的能力不足，本发明采用Transformer－XL中的相对位置编码思想，对Transformer中使用的绝对位置编码公式进行了改写，使用了相对位置编码代替其中的绝对位置编码，弥补了获取相对位置词语信息能力不足的情况。
-
公开(公告)号：CN113553804A
公开(公告)日：2021-10-26
申请号：CN202110802532.7
申请日：2021-07-15
Applicant: 重庆邮电大学
IPC: G06F40/126 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于异构图transformer的单文档文本摘要系统，属于自然语言处理领域。一种基于异构图transformer的单文档文本摘要系统，包括三部分：编码层、图更新层和句子选择层；先通过编码层对句子和词语进行编码，然后，异构图层通过HGT模型来更新句子结点和词语结点的间的语义表示，最后，句子选择层通过句子结点的语义表示来抽取摘要。本发明在图更新层，采用HGT方法来更新结点间的语义，可以融合更深层次的语义，进而可以提高模型对摘要抽取的准确率。在图更新层加入可训练的位置编码，可以在图模型中加入文本的顺序信息，该方法可以进一步提高模型训练过程的收敛速度。
-
公开(公告)号：CN110211157A
公开(公告)日：2019-09-06
申请号：CN201910481190.6
申请日：2019-06-04
Applicant: 重庆邮电大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于相关滤波的目标长时跟踪方法，属于计算机视觉技术的目标跟踪领域。首先在视频第一帧提取目标的梯度方向直方图特征和局部强度直方图特征作为目标的特征表示，并且用于训练平移相关滤波器和长时相关滤波器，利用梯度方向直方图特征训练一个尺度相关滤波器。然后，在跟踪过程中，利用长时相关滤波器与目标产生的最大响应值与检测阈值来判断目标跟踪是否发生失败，若发生跟目标跟踪失败，激活在线检测器对目标重新定位；最后，更新在线检测器。同时，使用动态的学习率对目标特征模型和滤波器系数进行更新，以及检测阈值自适应更新。本发明用于运动目标跟踪能适应更加复杂的运动场景，可以明显提高目标跟踪的精确度和成功率。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.024 seconds)
