-
公开(公告)号：CN119228653B
公开(公告)日：2025-03-18
申请号：CN202411746338.1
申请日：2024-12-02
Applicant: 浙江大学
IPC: G06T3/4053 , G06T5/50 , G06V40/16 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种应用在视频监控中的人脸超分辨率重建与识别方法及系统，属于深度学习人脸超分辨率重建领域。本发明的方法首先获取实时采集的原始视频流并进行预处理，然后在目标区域内对预处理后的视频流进行人脸位置定位，接着将低分辨率人脸图像输入到训练好的人脸超分辨率重建网络中进行重建，输出重建好的超分辨率人脸图像，最后对重建好的超分辨率人脸图像进行人脸识别，输出人脸识别结果并进行可视化，将识别到的人员进行存储，用于后期审计。本发明旨在通过人脸超分辨率重建网络的强大学习能力，从低质量人脸图像中高效、准确地恢复出高质量的人脸图像，进而为人脸识别系统提供更加清晰可靠的输入，提升整体识别精度和鲁棒性。
-
公开(公告)号：CN118115624A
公开(公告)日：2024-05-31
申请号：CN202410536662.4
申请日：2024-04-30
Applicant: 浙江大学
IPC: G06T11/00 , G06F40/295
Abstract: 本发明公开了一种基于稳定扩散模型的图像分层生成系统、方法及装置，包含三个模块：用户输入模块：接受和处理用户输入；粗遮罩提取模块：接受用户输入模块处理后的输入文本生成描述的图像，以及图像中每个需要分层物体的粗遮罩；图像分层重绘模块：修复粗遮罩提取模块处理后的文本描述图像以及粗遮罩生成精细遮罩以及图片的多层分层结果。本发明能够让扩散模型拥有多层生成的能力，解决了扩散模型无法实现多层图片生成的问题，提升了扩散模型在专业艺术、影视等需要严谨图像细节领域的可应用性。
-
公开(公告)号：CN110188767B
公开(公告)日：2021-04-27
申请号：CN201910380673.7
申请日：2019-05-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置。包括如下步骤：1)把角膜病裂隙灯图像按照眼表‑角膜的自然界域进行区域标注的结果作为训练数据集，并利用滑动窗口对角膜图像中病变主体区域采样，形成区域子块集合；2)对每张角膜图像中所有区域子块，通过DenseNet模型提取其特征，获取区域向量化特征表示；3)将特征提取结果序贯链接组合，保留区域子块之间空间结构关系，并利用LSTM(长短时记忆模型)对其处理，形成角膜图像特征，并进行分类。本发明将深度序列学习模型应用于角膜疾病分类诊断。相比一般图像分类算法，本发明对角膜病诊断中区别性关键信息进行建模，有效保留角膜病特征空间结构。
-
公开(公告)号：CN106951554B
公开(公告)日：2021-04-20
申请号：CN201710198955.6
申请日：2017-03-29
Applicant: 浙江大学
IPC: G06F16/953 , G06F16/33 , G06F16/34 , G06F16/35
Abstract: 本发明公开了一种层次化新闻热点及其演化的挖掘与可视化方法。包括如下步骤：1).利用概率主题建模技术挖掘由抽象到具体的具有层次化结构的新闻热点。2).提出全新的“Nested‑circle”可视化布局对层次化的新闻热点进行可视化。3).利用相对熵方法挖掘相邻时间片同一粒度的层次化新闻热点的关联性，即新闻热点在时序上的演化行为。4).采用动态可视化技术呈现新闻热点在时序上的演化行为。5).结合上述层次化新闻热点及其演化的挖掘与可视化技术，集成了“层次化新闻热点及其演化的分析系统”，方便读者分析层次化新闻热点及其演化。
-
公开(公告)号：CN111209738B
公开(公告)日：2021-03-26
申请号：CN201911417834.1
申请日：2019-12-31
Applicant: 浙江大学
IPC: G06F40/216 , G06F40/289 , G06F40/295 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了一种联合文本分类的多任务命名实体识别方法。该方法包括如下步骤：(1)利用卷积神经网络构造文本分类器，度量文本的相似度；(2)选取合适的阈值，对于辅助任务的数据集，根据文本分类结果与阈值的比较来决定其是否参与共享层参数的更新；(3)将文本的字符向量与预训练好的词向量级联作为输入特征向量；(4)在共享层，利用双向LSTM对句子中每个单词的输入特征向量进行建模，学习各任务的公共特征；(5)在任务层依次训练每个任务，将共享层的输出传入主任务私有层或辅助任务私有层中的双向LSTM神经网络，再利用线性链条件随机场来对整个句子进行标签解码，并标注句子中的实体。本发明在多个生物医学领域的数据集上进行实验，可以有效提升语料难获取、标注成本高的特定领域的命名实体识别效果。
-
Patent Agency Ranking
公开(公告)号：CN108363688A
公开(公告)日：2018-08-03
申请号：CN201810103629.7
申请日：2018-02-01
Applicant: 浙江大学
Abstract: 本发明公开了一种融合先验信息的命名实体链接方法。该方法包括如下步骤：(1)从Wikipedia data dump，Freebase data dump提取字符串-候选实体表、人名列表、地名列表；(2)将Wikipedia data dump中的每篇文章表示为词频/逆文档频率tf-idf特征，并提取每个字符串相对于候选实体的通用性特征；(3)对实体提及进行问询拓展，使用(1)中的字符串-候选实体表，为实体提及生成候选实体；(4)抽取实体提及所在文章的特征，得到文章的逆文档频率以及重要词碰撞率；(5)使用(2)、(4)所提取的特征，计算实体提及与其各个候选实体之间的关联程度，并将关联程度最高的作为实体链接结果。本发明突破了语料缺乏的限制，为用户提供了可靠的实体链接推荐结果，其中实体通用性特征加入了先验信息。
-
公开(公告)号：CN107203600A
公开(公告)日：2017-09-26
申请号：CN201710334063.4
申请日：2017-05-12
Applicant: 浙江大学
Abstract: 本发明公开了一种利用刻画因果依赖关系和时序影响机制来提高答案质量排序的评判方法。包括如下步骤：1)把每个问题及其按照时间先后顺序排序的答案作为训练数据集；2)对训练集中的文本通过Paragraph2Vec模型进行无监督学习，得到文本表达模型，并分别构建问题和答案的隐性表达；3)将问题与答案之间的因果依赖关系和答案与答案之间的时序影响机制引入传统的长短时记忆模型；4)基于问题与答案的隐性表达，使用学习后所得到的问答排序模型对问题的候选答案进行排序。相比一般的答案质量评判方法，本发明进一步发掘答案与答案之间基于时序的相互影响，揭示高质量答案的形成规律。本发明在答案质量排序中所取得的性能较传统的基于文本和语义关联性的评判方法更好。
-
公开(公告)号：CN104462408B
公开(公告)日：2017-09-01
申请号：CN201410766559.5
申请日：2014-12-12
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于主题建模的多粒度情感分析方法，包括如下步骤：提取社交媒体文本数据库中所有数据的单词和单词特征；训练得到核心模型；根据用户的查询请求从社交媒体文本数据库中得到搜索结果；根据系统自动设定或用户指定的参数，确定主题建模中需要的主题数目和细粒度情感数目；随机地将某个主题和某个细粒度情感分配给每一个单词；计算所有单词所属主题和细粒度情感以及所查询文档表达粗粒度情感，并将结果反馈给用户。本发明具有的有益效果有：可对社交网络文本数据同时进行主题建模与多粒度情感分析；可在单词特征与单词所表达细粒度情感之间建立起关联度，为用户理解数据提供帮助。
-
公开(公告)号：CN106599032A
公开(公告)日：2017-04-26
申请号：CN201610955220.9
申请日：2016-10-27
Applicant: 浙江大学
Abstract: 本发明公开了一种结合稀疏编码和结构感知机的文本事件抽取方法。包括如下步骤：1)将文本数据依照ACE或RichERE规范标注构建为训练样本；2)将提取得到的实体作为事件触发词和事件参数的候选实体，抽取文本特征；3)进一步抽取文本分布式词向量特征，学习稀疏编码特征；4)利用训练样本和提取的文本特征，训练结构感知机分类器，同时识别文本中与关于事件的触发词和参数；5)对于新的文本数据，经过步骤1后输入结构感知机分类器，抽取文本事件信息。本发明利用了基于神经网络的分布式词向量特征的稀疏编码表达，强化了文本特征，另一方面使用结构感知机模型同时来学习事件触发词和事件参与者的识别，据此获得了更好的事件抽取效果。
-
公开(公告)号：CN106570132A
公开(公告)日：2017-04-19
申请号：CN201610956758.1
申请日：2016-10-27
Applicant: 浙江大学
Abstract: 本发明公开了一种融合提及实体信息的文档向量学习方法，使用机器学习的方法学习一个文档集合中所有文档的向量表达。其步骤包括：预处理文档集合，找出每篇文档提及的实体，计算不同实体间关联程度；为文档集合中的每一个文档初始化一个向量，并初始化其他训练所需的参数；根据预处理结果，重复地抽取文档－词对、文档－实体对或实体－实体对来更新文档向量和其他参数，直至收敛。使用该方法学习得到的文档向量不仅包含了文档中词的信息，还包含了文档中提到的实体的信息，且利用了实体与实体间的关联信息。学到的文档向量如果运用到文档分类、文档聚类、实体链接等应用中，可以有效提高性能，并且节省存储空间。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.062 seconds)
