-
公开(公告)号：CN112614113B
公开(公告)日：2025-01-10
申请号：CN202011569750.2
申请日：2020-12-26
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于深度学习的带钢缺陷检测方法，基于U‑Net的编码器，编码器通过反复的卷积操作提取图像中的特征，并进行五次下采样操作，提取不同尺度的特征。解码器部分与编码器对称，接受了编码器的输出，进行五次上采样，并且每次上采样得到的结果会与编码器同尺度的特征图进行拼接。下采样前使用高斯低通滤波器，去除其中的高频信息，防止因特征图原频率过高，出现混叠现象，导致特征图出现偏差。被去除的高频信息中蕴含了原图的细节信息，这些细节信息对带钢小型缺陷的检测至关重要，直接舍弃会影响效果。本方法将这些高频信息进一步加回到模型解码器的特征图上，产生更精细的分割效果。
-
公开(公告)号：CN111400487B
公开(公告)日：2024-09-20
申请号：CN202010178615.9
申请日：2020-03-14
Applicant: 北京工业大学
IPC: G06F16/34 , G06F40/30 , G06F18/214
Abstract: 一种文本摘要质量评价方法属于自然语言处理领域，针对模型生成文本质量问题。深度学习下的文本生成技术已经取得了很大的进步，可以针对一篇文本生成相关的摘要，可以保证摘要的抽象性和多样性。但是深度学习模型生成的摘要还是存在词语重复，语义不相关的问题，不能直接用于生产环境，而且人工审核难度大。本方法针对深度学习模型生成的摘要进行质量评价，设计了语言质量网络和语义质量网络，主要从语法和语义两方面解决生成文本的质量评价问题。本方法使得摘要质量评价的效率得到很大提升。
-
公开(公告)号：CN112651980B
公开(公告)日：2024-07-12
申请号：CN202011393137.X
申请日：2020-12-01
Applicant: 北京工业大学
IPC: G06V10/26 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/82
Abstract: 一种基于显著性检测的图像三元图生成方法涉及计算机视觉领域。三元图即trimap图。该方法能够自动捕捉输入图像的显著物体，并通过级联网络来逐渐生成并优化最终的trimap图像。该方法步骤：1)数据合成；2)数据增强处理；3)将数据送入级联网络进行预测，第一个级联网络得到粗略的显著性掩码图，第二个级联网络得到优化的显著性掩码图，第三个级联网络得到精细化的trimap图。本发明解决问题是全自动生成图像trimap分割图，提出了采用显著性检测的方法并设计级联网络来实现trimap图分割的处理，为全自动化抠图技术提供良好先验信息。本发明产生的trimap精确度高、鲁棒性强、泛化性强，适用于多种前景物体。
-
公开(公告)号：CN117994259A
公开(公告)日：2024-05-07
申请号：CN202311313000.2
申请日：2023-10-11
Applicant: 北京工业大学
Abstract: 本发明提出了一种利用像素权重提高伪标签置信度的半监督医学图像分割方法，包括下述步骤：采集2D磁共振成像医学图像；对图像进行裁剪，缩放，过滤处理，并添加随机扰动；为每个样本添加一个像素权重矩阵，将带有不同扰动的图片分别放入教师模型和学生模型中，让两个模型进行协同训练，直至收敛。本算法在mean‑teacher模型的基础上，使用伪标记图像结合标记图像来更新分割模型，并将教师和学生模型输出的置信度矩阵进行融合对比从而生成更高质量的伪标签。另为每一个图像添加一个像素权重矩阵，训练时更加关注分割有争议的部分，像素权重矩阵通过两个模型输出的概率分布和置信度矩阵来进行更新。本方法使用少量标注数据训练出分割模型。
-
公开(公告)号：CN117992819A
公开(公告)日：2024-05-07
申请号：CN202311779706.8
申请日：2023-12-22
Applicant: 北京工业大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06F18/25 , G06Q30/0201 , G06Q40/03 , G06N20/20
Abstract: 本发明公开了基于集成学习的多特征融合金融用户画像分类方法，适用于金融领域多特征、多类别数据的分类挑战。首先，获取具有多种类型特征的金融用户数据并进行预处理，通过使用多种基本分类算法为每个特征类型选择最优基分类器，随后基于确定的基模型，对样本中不同类型特征进行训练，得到各类别的预测概率值，形成预测概率矩阵。根据每个基模型在训练数据上的召回率与所有基模型的召回率的比值调整权重，将权重融入各模型的预测结果。然后，将加权后的预测概率矩阵与原始输入特征矩阵进行整合，构建新的输入特征集合，并将其输入至第二层的XGBoost分类器中，最终得到每个金融用户样本的分类预测结果。
-
Patent Agency Ranking
公开(公告)号：CN112417149B
公开(公告)日：2024-03-19
申请号：CN202011258676.2
申请日：2020-11-11
Applicant: 北京工业大学
IPC: G06F16/35 , G06F40/216 , G06F40/242 , G06F40/284 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明提出一种基于多任务学习的标题生成方法，首先获取需要进行标题生成的源文本数据，并且进行清洗等预处理，将文章送入Self‑Encoder端的BiLSTM模型进行特征提取，之后再通过TextRank算法以及多任务学习模块提取文章中的关键词，再将关键词送入Keywords‑Encoder端进行特征提取，然后将融合关键词信息和源文本信息的特征送入由BiLSTM组成的Decoder端。该网络更好的利用了原文中的关键词信息来进行标题生成，极大的丰富了特征提取的信息，提高了生成标题的质量。
-
公开(公告)号：CN112613761B
公开(公告)日：2024-03-12
申请号：CN202011571606.2
申请日：2020-12-27
Applicant: 北京工业大学
IPC: G06Q10/0631 , G06Q10/04 , G06N3/006
Abstract: 本发明公开了一种基于动态博弈和自适应蚁群算法的服务调度方法，调度中心接收到下游任务发送的服务调度请求之后，从服务调度请求中获得服务资源需求表，并以此为依据对调度模型建模，调度中心将启动服务调度模型，将服务资源需求表输入模型；根据服务资源需求表和当前资源系统状态进行资源节点选择并进行服务调度；在后续服务调度任务中，动态感知体系会感知到这种经验，并据此做出更优的节点选择；分配方式会以很快的速度收敛，此时调度模型按照这种分配方式给出最优调度方案并完成服务请求资源的调度。在基于数据挖掘技术的启发式算法的基础上，这些机制的引入有效破解了单元启发式算法的效率低下和单动态博弈算法效果不理想的双重困境。
-
公开(公告)号：CN117668225A
公开(公告)日：2024-03-08
申请号：CN202311584640.7
申请日：2023-11-27
Applicant: 北京工业大学
IPC: G06F16/35 , G06F40/284 , G06F40/30 , G06N3/126
Abstract: 一种基于遗传算法的文本情感分类方法属于基于情感分类领域。本发明结合遗传算法和机器学习分类技术，旨在自动提取最佳文本特征，构建高性能情感分类模型。具体步骤包括数据预处理、特征预筛选、基于遗传算法的特征选择和模型构建，其中遗传算法用于特征选择和模型优化，适应度函数中纳入特征数量，模型准确率等指标。最终，集成不同基模型以构建强大的情感分类模型。
-
公开(公告)号：CN112532429B
公开(公告)日：2023-01-31
申请号：CN202011256189.2
申请日：2020-11-11
Applicant: 北京工业大学
IPC: H04L41/5003 , H04L41/147 , H04L41/14 , G06N3/0442 , G06N3/09
Abstract: 一种基于位置信息的多变量QoS预测方法属于服务计算领域。该方法获取历史QoS历史数据，对其缺失值处理采用协同过滤算法，在相似性计算的过程中引入用户的位置信息使得填充的缺失值更接近实际值。将填充后的数据构建为移动滑窗数据集，并将数据集分割为训练数据和测试数据后使用训练数据对多元LSTM模型进行训练，最终使用测试数据测试预测结果。本发明使用协同过滤算法填补缺失值，并使用多变量的LSTM对QoS进行预测。在填补缺失值的过程中引入了用户的位置信息，使得填补的缺失值更接近真实的QoS值。同时，相比于单个的QoS属性预测，使用多变量预测模型可以有效减少误差积累从而提高预测精度。
-
公开(公告)号：CN114372062A
公开(公告)日：2022-04-19
申请号：CN202210052851.5
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06F16/22 , G06F16/583 , G06K9/62 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于特征交互神经张量网络的图结构数据相似度计算方法，即DeepSIM模型，属于深度学习领域，首先使用共享权值的图卷积层构建孪生图卷积模块用以获得两个图结构数据的一对节点级嵌入。然后将这一对节点级嵌入输入图注意力层以聚合节点级信息得到图级嵌入。针对图级嵌入，本发明提出的FINTN能够有效推理二者之间的关联并输出固定维度的关系向量。这一关系向量输入到由全连接层构成的结果输出模块得到预测输出。这一预测输出与实际的标签值进行比较，通过损失函数和反向传播算法对整体模型参数进行更新以达学习的目的。完成训练的DeepSIM模型能高效可靠地计算输入的两个图结构数据的相似度。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.041 seconds)
