-
公开(公告)号：CN114756651A
公开(公告)日：2022-07-15
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/36 , G06F40/295
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
公开(公告)号：CN114625842A
公开(公告)日：2022-06-14
申请号：CN202210304001.X
申请日：2022-03-25
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/35 , G06F16/36 , G06F40/211 , G06F40/216 , G06F40/242 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于结构注意力增强机制的虚假评论识别模型，它包括层次化语义网络和结构注意力增强机制网络；所述层次化语义网络以预训练的词向量为输入层，通过层次化神经网络学习评论文本词‑句‑段的文本表示，词‑句层利用词嵌入特征学习评论文本的句子表示，完成词语级别的建模，句‑段层通过词‑句层的句子向量生成评论文本的整体段落表示，完成语篇级别的建模；所述结构注意力增强机制网络用于学习上下文的连贯性矩阵和对文本结构单元做非前后文关系的自由语序的增强表示。本发明着重对评论文本的词‑句‑段的层次化结构进行了特征提取，并在层次表示中嵌入结构注意力增强机制，以增强弱结构单元的非线性语义表达。
-
公开(公告)号：CN114972790B
公开(公告)日：2024-12-20
申请号：CN202210625461.2
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质，涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本，将图像样本输入至图像分类模型，在图像分类模型中的任意一层卷积层中，从图像样本中提取出多张具有不同通道的特征图像。其中，不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签，以及该图像样本已标注的类型标签，计算得到图像分类模型的损失值，基于该损失值调整图像分类模型的参数。重复执行上述步骤，以使可以达到预期训练目标。如此，由于没有增加输入图像分类模型的图像样本的数量，使得每次模型训练耗费的时间更少。
-
公开(公告)号：CN118507018A
公开(公告)日：2024-08-16
申请号：CN202410439169.0
申请日：2024-04-12
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G16H50/20 , G16H50/30 , G06F18/211 , G06F18/214 , G06F18/21 , G06F18/243 , G06F18/27 , G06F18/25 , G06N5/01 , G06N20/20
Abstract: 本发明涉及一种基于集成学习框架的疾病预测方法及系统，属于机器学习领域，包括：对糖尿病数据集进行预处理；选择糖尿病数据集中所有特征，对基模型进行预训练，确定基模型的初始参数，并计算各个特征的重要性概率，得到总和为1的特征重要性概率表G；根据特征重要性概率表，确定训练数据集中的数据特征，用于多个基模型的训练，得到最终的基模型；选择多种类别的模型作为基模型并进行训练和评估，保存模型的性能评估指标数据；根据集成学习模型得到预测值。本发明选择多种模型作为基础模型，通过衡量基模型各自的性能来有针对性的偏向，将加权之后的数据整合形成元模型即逻辑回归的训练集，可以很大的提升集成学习模型的性能。
-
公开(公告)号：CN118379208A
公开(公告)日：2024-07-23
申请号：CN202410816691.6
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于混合损失函数扩散模型的增强CT图像生成方法及装置，该方法包括：采集CT图像数据及其配对的造影剂增强CT图像数据，并采用数据增强方法和面向数据的正则化方法对其进行预处理，以按比例划分为训练集、测试集和验证集；构建用于生成造影剂增强CT图像的扩散模型；使用训练集对扩散模型进行迭代训练，基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型；将测试集中的CT图像数据输入至训练好的扩散模型中，得到对应的造影剂增强CT图像数据。本发明能够生成清晰可靠的造影剂增强CT图像，能够更好地捕捉数据分布的特征，提高了对不同特征的感知能力，增强了合成图像的质量，提高了模型的泛化性。
-
Patent Agency Ranking
公开(公告)号：CN118155048A
公开(公告)日：2024-06-07
申请号：CN202410572362.1
申请日：2024-05-10
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06V10/44 , G06V10/46 , G06V10/42 , G06N3/0455 , G06N3/092
Abstract: 本发明涉及一种基于ViT和强化学习的关键特征自适应选择方法，属于计算机视觉领域，包括：将输入图像划分为一组不重叠的patch序列，并将其嵌入到低维空间中；将输入图像输入到PatchRLNet模型中，产生一个与patch序列对应的权值矩阵；将patch序列与权值矩阵相乘，得到关键特征选择之后的目标特征表达，再拼接上一个类别标记class token得到的特征表达后，输入到ViT编码器中提取输入图像序列的特征，通过ViT分类器对每个液体状态的分数进行预测。本发明将强化学习融合到ViT网络中，能够捕获目标的全局和局部特征，还能通过强化学习关键特征选择降低背景环境和噪声的影响，显著提高了ViT在复杂场景下的检测性能。
-
公开(公告)号：CN116741380A
公开(公告)日：2023-09-12
申请号：CN202310743593.X
申请日：2023-06-21
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H50/30 , G06V10/774 , G06V10/80 , G06V10/764 , G06T7/10
Abstract: 本发明公开了肝胆管细胞癌术后的复发情况预测方法，涉及计算机技术领域，包括S1构建复发情况预测模型，复发情况预测模型包括图像分割模块、指标数据分析模块和预测分析模块；S2获取训练数据集，训练数据包括CT图像和病例指标；S3训练数据集导入复发情况预测模型，并对其进行训练优化；S4获取待预测数据；S5利用优化后的复发情况预测模型对待预测数据进行分析得到，肝胆管细胞癌术后的复发情况；除了对CT图像进行充分利用外，本方法还将病例所对应的指标数据与其图像数据进行了融合使用，以补充CT图像无法表达的信息。通过不断地优化训练，最终得到了具有良好性能的术后复发情况预测模型。
-
公开(公告)号：CN116740108A
公开(公告)日：2023-09-12
申请号：CN202310682616.0
申请日：2023-06-09
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/13 , G06T7/12 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的单阶段实例分割方法，本申请通过传统的边缘检测算子提取到每个实例的边缘信息，从而让网络在训练学习的过程中显示的监督对实例轮廓的学习，边缘信息的融入不仅提升了实例掩码的分割精度，而且融入边缘信息后的算法在分割掩码边缘处的表现更精细，并且本申请通过原型掩码分组后再融合的方法，将原型掩码的融合过程从一次增加为两次，两次融合的方式不仅提升了实例掩码的分割效果而且增加了整个算法的泛化能力。
-
公开(公告)号：CN115937592A
公开(公告)日：2023-04-07
申请号：CN202211599181.5
申请日：2022-12-12
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06V10/40 , G06V10/82 , G06N3/088 , G06V10/774 , G16H30/20 , G06N3/0455
Abstract: 本发明涉及一种基于潜层表征的主动学习样本标注方法，述样本标注方法包括：S1、特征提取步骤：通过自动编码器模拟从病理图像中提取潜层的表征；S2、判别步骤：将病理图像作为判别器D的输入，训练一个二分类模型，通过判别器D区分有标签和无标签的样本数据集，得到概率值；S3、样本标注步骤：设置样本选择策略ALHS，根据判别器的输出概率值分布通过样本选择策略ALHS选择未标注的样本进行标注，实现病理数据集的自动标注。本发明能够极大减轻病理学家标注数据集的沉重负担，能够缓解样本冗余问题，提高样本选择的质量；能够极大地节省样本标注成本；通用性强，能适用于类不平衡和噪声样本的场合。
-
公开(公告)号：CN114972568A
公开(公告)日：2022-08-30
申请号：CN202210623258.1
申请日：2022-06-01
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T11/00 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明涉及一种基于生成对抗网络的两阶段图像生成方法，包括：图像特征生成步骤：通过残差网络捕获输入图像的特征，训练一个特征生成网络，使用GAN拟合图像经过捕获网络后的特征进而得到特征生成器，并通过判别器区分图像经过捕获网络的特征和特征生成器生成的特征；图像生成步骤：固定图像特征生成步骤训练得到的特征生成器的参数，加入到新的图像生成网络，让随机噪声先经过特征生成器，然后将输出传入到图像生成器中得到最终生成的图像。本发明在阶段一先通过一个生成网络学习图像的特征，然后在阶段二通过对抗网络生成图像。相比于传统的GAN优化方法，能够降低GAN的训练难度、提高生成模式的多样性、提升图像生成质量。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.047 seconds)
