-
公开(公告)号：CN114881210A
公开(公告)日：2022-08-09
申请号：CN202210481577.3
申请日：2022-05-05
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于可切换空洞卷积和GC‑BFP特征增强的行人检测方法及存储介质，所述方法通过摄像监控设备获得行人数据，经过行人检测模型的数据处理，输出检测数据。行人检测模型使用轻量级的卷积神经网络ShuffleNetV2可以降低模型计算量，提高模型速度，在ShuffleNetV2结构中融入可切换空洞卷积，帮助模型扩大并自适应选取感受野，且在模型多尺度特征融合后使用GC‑BFP特征增强模块，保证模型检测精度，进一步提高了行人检测的检测速度和精度。
-
公开(公告)号：CN113139050B
公开(公告)日：2022-07-19
申请号：CN202110503654.6
申请日：2021-05-10
Applicant: 桂林电子科技大学 , 中国电子科技集团公司第五十四研究所
IPC: G06F16/34 , G06F40/295 , G06N3/04 , G06N3/08 , G06F40/211 , G06F40/30
Abstract: 本发明公开了一种基于命名实体识别附加标签和先验知识的文本摘要生成方法，该方法包括：在原始文本的基础上添加命名实体识别的附加标签；将添加附加标签的文本基于字符进行处理，同时根据原始文本生成对应的向量字典并对文本向量化；将得到的向量化文本作为生成式摘要模块的输入进行编码，解码阶段引入注意力机制，获取全局信息；使用原始文本中的词集构建先验知识库，与得到的序列做加权平均；解码阶段得到的结果通过集束搜索方法进行文本还原；删除标签输出原始文本的摘要结果。本发明中附加标签的添加使得实体类识别更准确，生成的摘要不会出现名称不全现象；先验知识的引入使得生成的摘要语义更加贴近原文，减少了出现与文本相关性不大的语句。
-
公开(公告)号：CN111444337B
公开(公告)日：2022-07-19
申请号：CN202010123108.5
申请日：2020-02-27
Applicant: 桂林电子科技大学
IPC: G06F16/35 , G06F16/36 , G06F40/284 , G06F40/289 , G06K9/62
Abstract: 本发明公开了一种基于改进KL散度的新闻话题跟踪方法。所述方法利用KL散度衡量分布差异的思想，构造出一种可以区分普通特征与话题特征的权重计算方法，以此来提升特征的话题辨别能力，提高话题跟踪的准确率；同时引入word2vec，将其与KL散度权重相结合，实现话题文本的向量化表示，降低数据维度，增强特征间的语义联系；同时，采用增量学习模式，利用新检测到的相关报道更新话题模型，解决话题漂移。
-
公开(公告)号：CN112396167B
公开(公告)日：2022-07-15
申请号：CN202011603737.4
申请日：2020-12-30
Applicant: 桂林电子科技大学 , 中国科学院自动化研究所
Abstract: 本发明公开了一种外观相似度与空间位置信息融合的回环检测方法，包括步骤：将装有视觉传感器和定位系统的机器人置于场景中自由探索，同时采集图像与相应的空间坐标信息。通过以卷积神经网络为核心的孪生网络框架训练相似度计算模型。采用训练完成的模型将新采集的场景图像与已有图像进行相似度判别，相似度大于一定阈值时，则认为机器人曾经经过该场景。在判别为机器人经过该场景的情况下，计算两张场景图像对应空间坐标的水平距离差，若距离差小于一定阈值，则判定机器人经过的路径产生闭合环路。本方法从外观相似度与里程计两个方面同时进行约束，从而达到检测机器人移动路径中闭合环路的目的。
-
公开(公告)号：CN108446661B
公开(公告)日：2021-11-19
申请号：CN201810280026.4
申请日：2018-04-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于数据扩增的深度学习并行化人脸识别方法，所述方法通过将人脸数据集进行数据扩增得到一个大规模的人脸数据集来提高人脸识别的准确率；然后将得到的大规模人脸数据集输入到改进的残差网络中进行深度学习，从而将人脸图像的特征转换为二进制哈希码以加快识别的效率；模型训练是在基于caffeonspark的分布式平台上进行的，从而减少模型训练时间；最后将得到的模型在LFW数据集上进行人脸验证来检验模型的泛化能力以及改进的残差网络的可行性。本发明能够提高人脸识别的准确率及识别效率。
-
Patent Agency Ranking
公开(公告)号：CN113420173A
公开(公告)日：2021-09-21
申请号：CN202110690350.5
申请日：2021-06-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于四元组深度学习的少数民族服饰检索的方法，该方法通过图像增强可以使少数民族服饰图像达到视觉上好的效果，同时通过构建基于四元组损失函数的基本网络模型，来扩大类内差异，减少类间差异。本发明方法是在三元组损失函数的基础上提出的，在三元组损失函数的基础上加上高度相似的样本形成四元组，即锚点、正样本、负样本、高度相似样本。四元组损失函数在少数民族服饰图像检索提出，能够更好的缩小类内之间的方差，来扩大异类之间的方差，从而提高图像检索的准确率。
-
公开(公告)号：CN113259325A
公开(公告)日：2021-08-13
申请号：CN202110429845.2
申请日：2021-04-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于麻雀搜索算法优化Bi‑LSTM的网络安全态势预测方法，属于网络安全技术领域。初始化麻雀种群并迭代筛选获取运算结果；基于运算结果初始化Bi‑LSTM神经网络超参数，得到SSA优化后的Bi‑LSTM模型；对SSA优化后的Bi‑LSTM模型进行训练生成预测模型；向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化Bi‑LSTM神经网络超参数，采用SSA优化的Bi‑LSTM能够加速模型的收敛，提高模型的预测精度，从而解决现有技术预测精度不够的问题。
-
公开(公告)号：CN113190602A
公开(公告)日：2021-07-30
申请号：CN202110380536.0
申请日：2021-04-09
Applicant: 桂林电子科技大学 , 中国电子科技集团公司第五十四研究所
IPC: G06F16/25 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合字词特征与深度学习的事件联合抽取方法,所述方法把事件类型和事件元素当作一个联合标签进行标注，减少了流水线误差。通过延拓MacBERT解决文本按字符切分过长无法全部放入预训练模型提取特征的问题，再结合字符和单词的特征，动态地捕获输入序列任意字符和单词之间的依赖关系，更加充分获取文本的语义信息和字、词特征；在模型训练过程中加入扰动去干扰CRF解码，通过对抗训练的方式提高模型的泛化性和健壮性。从减少流水线误差、获取文本更全面的语义信息和加入对抗训练提高模型泛化性三个方面提高事件抽取的准确率和召回率。
-
公开(公告)号：CN108875076B
公开(公告)日：2021-07-20
申请号：CN201810750096.1
申请日：2018-07-10
IPC: G06F16/583 , G06N3/04
Abstract: 本发明公开了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，包括搭建Caffe深度学习开源框架，对开源VGG16网络模型进行训练；基于VGG16网络模型设计包含两层卷积层的Attention网络，并在训练好的VGG16网络模型中添加Attention网络；使用FlickrLogos‑32数据集中的训练集对添加了Attention网络的VGG16网络模型进行训练；基于训练好的添加了Attention网络的VGG16网络模型生成Attention‑MAC商标特征提取模型；基于Attention‑MAC商标特征提取模型对待查询商标图像进行检索，并生成检索结果。本发明避免使用全连接层冗余的参数，达到精简模型的目的，提高训练和检索的速度，降低误检率。
-
公开(公告)号：CN112163447A
公开(公告)日：2021-01-01
申请号：CN202010833267.4
申请日：2020-08-18
Applicant: 桂林电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种基于Attention和SqueezeNet的多任务实时手势检测和识别方法。所述方法采用数据增强技术扩增数据集以达到较好的识别效果，并通过人工标注制作新的手势数据集；将Attention融合到全卷积网络BlitzNet的ResSkip残差结构和分割分支中，使模型更关注目标手势，降低背景的干扰，识别效果更好，并用SqueezeNet网络中的前15层代替BlitzNet的ResNet‑50作为手势特征提取器，设计出新的手势检测和识别模型。新模型将多个视觉任务（如手势识别和手势分割）联合训练，并通过两个不同的子网络分别进行手势识别与手势分割，使得通过单一网络就可以同时解决手势识别和分割两个问题，检测速度较快且准确率较高。本发明的模型是一种参数少、准确率高、检测速度快等综合性能突出的手势检测和识别模型。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.039 seconds)
