-
公开(公告)号：CN113297387B
公开(公告)日：2022-04-29
申请号：CN202110424490.8
申请日：2021-04-20
Applicant: 内蒙古工业大学
IPC: G06F16/36 , G06F40/295 , G06N3/04 , G06N3/08
Abstract: 一种基于NKD‑GNN的图文不匹配新闻检测方法，对新闻配图生成带有占位符的新闻配图描述；将命名实体按照连接规则构造为新闻知识图谱；基于新闻知识图谱驱动的图神经网络，选择与新闻配图相关的命名实体，插入到新闻配图描述中，从而生成带有命名实体的新闻配图描述；计算新闻文本与带有命名实体的新闻配图描述的匹配性，判断一则新闻是否图文匹配。本发明在全面分析了新闻知识图谱中命名实体之间全部关联的基础上，还计算了新闻知识图谱中命名实体的重要程度并分析了相关新闻中核心命名实体，因此对新闻的图文匹配判断效果更好。
-
公开(公告)号：CN112214261B
公开(公告)日：2021-10-15
申请号：CN202011185989.X
申请日：2020-10-30
Applicant: 内蒙古工业大学
Abstract: 本发明一种面向边缘智能的三层结构DNN计算卸载方法，客户端接收DNN查询任务，依据DNN各个层的相关信息生成执行概要文件上传到边缘服务器，边缘服务器再收集数据中心服务器和自身对此DNN的预测函数，计算出预测的执行时延，进而生成DNN执行图；利用贪婪迭代随机算法在三层结构中求出计算卸载策略；在三层结构中通过协同协议执行计算卸载策略。本发明用于边缘计算中DNN查询的卸载，在该结构中边缘服务器解析DNN任务，根据DNN各层在不同节点的执行情况构建NN执行图，然后利用贪婪迭代随机算法迭代寻找最短路径，构建计算卸载策略，将客户端的任务放到三层体系结构中，提前根据计算任务的性质确定计算卸载策略，然后在三层结构中进行计算卸载，效率更高。
-
公开(公告)号：CN113328755A
公开(公告)日：2021-08-31
申请号：CN202110509172.1
申请日：2021-05-11
Applicant: 内蒙古工业大学
IPC: H03M7/30
Abstract: 本发明为一种面向边缘计算的压缩数据传输方法，在边缘缓存节点处，收集原始数据，对每一位原始数据进行特征重构，构建数据特征压缩摘要，并分别存放在多个数组中，得到新的特征向量，应用编码解码神经网络构造压缩编码机制，通过编码对新的特征向量进行可分类压缩，之后对完成可分类压缩的数据在中间节点处分类转发给边缘设备处理。本发明通过对数据进行可分类压缩，有效减小数据传输和处理规模，减少移动边缘网络节点的资源消耗，并满足了边缘计算场景下中间节点对压缩数据直接进行处理的需求，为高速精准数据传输服务提供基础。
-
公开(公告)号：CN113315757A
公开(公告)日：2021-08-27
申请号：CN202110503683.2
申请日：2021-05-10
Applicant: 内蒙古工业大学
Abstract: 一种面向边缘计算的压缩数据免解码传输方法，在初始节点处，收集边缘固网或移动网络上不同时隙的数据，分别存储在不同数组，在每个数组中，对数据构造近邻赋权图，将具有相邻关系的一对数据记为数据对，并记录数据对对应的特征属性之间的相邻关系，构造全局度量特征矩阵，求解得到近邻赋权图中所有数据对的最短路径，捕捉特征映射嵌入，将数据特征从高维空间映射到低维空间，获取所有时隙的特征映射结果，将结果组合作为下一时隙边缘网络节点的特征映射压缩表示结果，并组合传输至边缘网络节点，本发明无需进行数据解码，可在准确地分析和处理数据的前提下，大大提升计算效率并节省计算资源，提高云计算中海量数据的传输性能。
-
公开(公告)号：CN109885796A
公开(公告)日：2019-06-14
申请号：CN201910075520.1
申请日：2019-01-25
Applicant: 内蒙古工业大学
IPC: G06F16/958 , G06F16/583
Abstract: 本发明提供一种基于深度学习的网络新闻配图匹配性检测方法，该方法包括基于深度学习的新闻配图多描述生成；以及生成新闻配图描述的文字内容与新闻文字内容进行对比评分；对于生成新闻配图描述部分，采用卷积神经网络对新闻配图特征的提取，然后利用自然语言模型生成新闻配图的相关描述；对于评分体系部分，由于生成的图片描述和新闻文字内容长度和表达方式上的差异性，本发明提出解决方案，与改进的BLEU算法形成评分体系。评分体系对生成的图片描述和新闻文字内容进行对比评分，通过评分来判断图片与新闻内容是否相符。因此，可以更快速、更准确地发现图文不符的虚假信息，减少人工审核的时间，节省人力物力，净化网络环境。
-
Patent Agency Ranking
公开(公告)号：CN116863177B
公开(公告)日：2025-04-08
申请号：CN202310700264.7
申请日：2023-06-14
Applicant: 内蒙古工业大学
IPC: G06V10/762 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 一种面向通用多视图对象聚类的对象视图蒸馏方法，收集若干样本的初始多视图数据；构建自编码器，教师网络，学生网络和知识蒸馏；编码器将样本的视图投影成潜在表示，并构造低维潜空间；利用多视图数据训练教师网络；利用多视图数据训练学生网络，并将知识蒸馏生成的暗知识作为一种新的自监督信号来指导学生网络进行微调；将整个原始多视图数据集馈送给整体网络，通过学生网络获得所有视图聚类的概率分布，对每个视图的概率进行加权和求和，得到最终的聚类结果；本发明使用知识蒸馏方法解决多视图聚类算法中伪标签对模型训练的错误引导以及纠正不准确的特征，显著提升聚类表现。
-
公开(公告)号：CN119068224A
公开(公告)日：2024-12-03
申请号：CN202411137936.9
申请日：2024-08-19
Applicant: 内蒙古工业大学
IPC: G06V10/762 , G06V10/30 , G06V10/40 , G06V10/82 , G06N3/084 , G06N3/0455 , G06N3/094 , G06N3/088
Abstract: 一种针对聚类信息嘈杂问题的无监督多视图聚类方法，对多视图数据进行特征处理，保持特征空间的特征向量一致；建立解耦变分自编码器，并使用正则化约束的损失函数，对每张视图进行特征提取，得到每张视图的私有信息和共享信息；定义解耦变分自解码器的重构损失函数，利用解耦变分自编码器输出每张视图的私有信息和共享信息之间的对应关系，确保私有信息和共享信息的分隔一致性，并设置重构损失和对比损失的双重一致性约束，通过对比学习增强不同潜在特征区分度；最后使用重构优化后的特征信息进行无监督多视图聚类。本发明结合每张视图的私有信息和共享信息，设计双重一致性约束优化DVAE模型，提高了聚类效果的准确性和鲁棒性。
-
公开(公告)号：CN119027701A
公开(公告)日：2024-11-26
申请号：CN202410983333.4
申请日：2024-07-22
Applicant: 内蒙古工业大学
IPC: G06V10/762 , G06V10/778 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 一种针对聚类信息不平衡和信息缺失问题的无监督多视图聚类方法，用于多视图数据在视图缺失的情况下，所导致的不完全多视图聚类过程中互补信息总是被忽略和一致性学习不足的情况。该方法首先提出了一种新型的双结构网络，通过延迟激活机制实现多视图数据中的互补性和一致性的有效平衡。对于一致性学习不足的问题，该方法通过最小化条件熵和最大不同视图间的互信息，恢复不完整信息，从而实现多视图一致性学习的增强。延迟激活机制允许网络在聚类过程中逐步引入各个视图的互补信息，从而避免信息丢失。本发明将平衡问题和一致性学习问题融合在一个统一的框架中，能更好的利用多视图数据的内在关联，显著提升聚类表现。
-
公开(公告)号：CN114462573B
公开(公告)日：2023-11-14
申请号：CN202210068559.2
申请日：2022-01-20
Applicant: 内蒙古工业大学
Abstract: 一种面向边缘智能的高效层次化参数传输时延优化方法，中央服务器将数据处理模型训练参数发送至多个边缘服务器；每个客户端设备利用训练参数训练其数据处理模型，初始训练时，从其对应的边缘服务器下载训练参数；非初始训练时，根据超时机制选择利用其之前的训练参数或从其对应的边缘服务器下载训练参数；各客户端设备将更新后的参数发送到对应边缘服务器；边缘服务器对客户端设备更新的参数进行局部聚合，再发送到中央服务器，中央服务器对收集到的参数进行全局聚合，获得全局的参数发送回边缘服务器，边缘设备再下载这些参数进行本地更新。本发明客户端设备向边缘服务器发送参数时，超时机制将会更早实现参数汇聚，提高了训练的效率。
-
公开(公告)号：CN114565970A
公开(公告)日：2022-05-31
申请号：CN202210103411.8
申请日：2022-01-27
Applicant: 内蒙古工业大学
Abstract: 本发明为一种基于深度学习的高精度多角度行为识别方法，首先，收集原始视频数据，对原始视频数据进行数据预处理；其次，基于对比学习的思想应用深度神经网络构建深度学习模型；然后通过深度前馈网络对预处理得到的数据进行特征提取，提取完成后进一步进行动作分类；最后反馈分类后的结果。本发明使用对比学习方法构建自监督模型对数据进行动作分类，有效增强数据特征提取的鲁棒性，使模型学习到更有利于行为分类的知识，并满足了在实际场景下对视频数据中目标行为分类的高准确度需求，为后续依据分类结果进行的其他操作提供良好基础。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.028 seconds)
