-
公开(公告)号：CN103036931A
公开(公告)日：2013-04-10
申请号：CN201110310231.9
申请日：2011-09-30
Applicant: 富士通株式会社
Abstract: 本申请提供了语义网络服务文档生成设备、方法及OWL概念解析方法。其中，获取非语义网络服务文档中感兴趣的操作的第一接口结构信息，并获取与所述操作对应的语义网络服务文档的第二接口结构信息。对第一和第二接口结构信息的内容进行匹配，建立第一与第二接口结构信息中的各个元素的对应关系，根据所述对应关系生成用于对第一和第二接口结构信息进行相互转换的接口转换引擎；从而，至少所述第二接口结构信息、所述接口转换引擎以及所述非语义网络服务文档中感兴趣的操作的信息构成所述语义网络服务文档。其中，第一和第二接口信息均为具有相互关系信息的所述元素的集合，并且每个元素包括该元素的类型信息和/或该元素的概念的出现次数信息。
-
公开(公告)号：CN102957597A
公开(公告)日：2013-03-06
申请号：CN201110247862.0
申请日：2011-08-26
Applicant: 富士通株式会社
Abstract: 本发明提供了一种网关装置及其控制方法，属于网络通信技术领域。本发明的网关装置，包括：存储部，其中预先存储有访问服务器的资源信息；锁定部，其从资源信息中选择可用资源，并锁定该可用资源；以及处理部，其利用被锁定的可用资源与服务器进行通信，获得通信结果，并释放对可用资源的锁定。本发明的网关装置及其控制方法能够保证多个客户端同时使用同一资源时不发生冲突，使有限的资源得到最大限度的利用，可以在网络通信领域中广泛应用。
-
公开(公告)号：CN102880604A
公开(公告)日：2013-01-16
申请号：CN201110192660.0
申请日：2011-07-11
Applicant: 富士通株式会社
IPC: G06F17/30
Abstract: 本发明实施例提供一种基于本体Ontology概念的网页服务集成方法和系统，所述方法包括：构建步骤，构建一个基于Ontology概念体系的可支持访问接口数据类型库；检查步骤，根据所述数据类型库，对新导入的网页服务的访问接口的所有接口参数的数据类型进行合法性检查；更新步骤，根据检查结果或者操作指示，动态更新所述数据类型库。通过本发明实施例的方法和系统，利用Ontology概念体系替代传统Web Service集成系统的常见数据类型列表，从而使得Web Service集成系统对WebService访问接口数据类型的支持从“语法级”提升到“语义级”，使得Web Service集成系统对访问接口复杂数据类型(特别是结构化的复杂数据类型)的集成成为可能。
-
公开(公告)号：CN119539003A
公开(公告)日：2025-02-28
申请号：CN202311113896.X
申请日：2023-08-30
Applicant: 富士通株式会社
IPC: G06N3/08 , G06N3/0455 , G06N3/0464 , G06N5/04 , G06T15/00 , G06V10/82
Abstract: 公开了神经网络训练装置、推理装置和介质。神经网络包括文本编码器、时间编码器、第一至第四Unet编码器、Unet解码器、第一至第三加法器。训练装置包括：获得单元，其通过对原始图像添加不同的噪声来获得噪声图像；输入单元，其将噪声图像输入第一Unet编码器，将对应于原始图像的线稿图像和噪声图像在分别通过第一和第二加法器相加后分别输入第二和第三Unet编码器，和将噪声图像和对应于原始图像的部分掩盖的图像在通过第三加法器相加后输入第四Unet编码器；和训练单元，其调整第三和第四Unet编码器的参数、并且保持文本编码器、时间编码器、第一和第二Unet编码器各自的参数不变，使得神经网络收敛，其中，Unet解码器的参数在训练期间可以被调整或者保持不变。
-
公开(公告)号：CN119294441A
公开(公告)日：2025-01-10
申请号：CN202310841075.1
申请日：2023-07-10
Applicant: 富士通株式会社
IPC: G06N3/0455 , G06N3/0464 , G06N3/08 , G06F40/126
Abstract: 公开了训练神经网络的方法和装置以及神经网络。神经网络包括文本编码器、时间编码器、第一至第三Unet编码器、Unet解码器、第一和第二加法器。方法包括：通过对原始图像添加噪声来获得输入图像；将输入图像输入第一Unet编码器，并且将对应于原始图像的线稿图像和输入图像在通过第一加法器相加后输入第二Unet编码器；将输入图像和线稿图像在通过第二加法器相加后输入第三Unet编码器；和，通过如下方式来训练神经网络：调整第三Unet编码器的参数、并且保持Unet解码器、文本编码器、时间编码器、第一和第二Unet编码器各自的参数不变，或者调整Unet解码器和第三Unet编码器各自的参数、并且保持文本编码器、时间编码器、第一和第二Unet编码器各自的参数不变。
-
Patent Agency Ranking
公开(公告)号：CN116664902A
公开(公告)日：2023-08-29
申请号：CN202210147076.1
申请日：2022-02-17
Applicant: 富士通株式会社
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本公开涉及一种图像处理装置、图像处理方法和机器可读存储介质。图像处理装置包括：采样单元，对具有已知标签的基类图像数据集进行采样，得到伪基类支持集、伪新类支持集、伪基类查询集和伪新类查询集；第一训练单元，使用伪基类支持集和伪新类支持集通过预定约束来训练神经网络中的类代码生成模块，预定约束用于拉近相同类的类代码并且拉远不同类的类代码；以及第二训练单元，将伪基类查询集和伪新类查询集输入神经网络的特征提取模块，以训练神经网络的经训练的类代码生成模块和预测模块。该图像处理装置可以减少新增类的误分类并且提升目标检测性能。
-
公开(公告)号：CN110502226B
公开(公告)日：2023-06-09
申请号：CN201810468804.2
申请日：2018-05-16
Applicant: 富士通株式会社
Abstract: 本发明涉及一种在编程环境中推荐代码码片的方法，用于基于已输入的若干码片构成的码片序列和当前输入的码片预测后续码片，包括：分别计算当前输入的码片与码片序列中的每个码片之间的相关度，基于当前输入的码片的码片类型与码片序列中的每个码片的码片类型是否相同相应地对每个相关度进行调整，其中，当类型相同时，减小相关度；基于经调整的每个相关度生成对后续码片进行预测的预测结果的第一影响因子，然后基于第一影响因子生成预测结果，最后基于预测结果确定后续码片。
-
公开(公告)号：CN115049869A
公开(公告)日：2022-09-13
申请号：CN202110256627.3
申请日：2021-03-09
IPC: G06V10/764 , G06V10/44 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供一种图像分类方法和装置，参数训练方法，该图像分类方法包括：将输入图像数据输入分类器中，提取输入图像数据的特征向量，根据该特征向量对该输入图像数据进行分类，得到各输入图像数据对应的预测标签，并确定第一损失函数；该标签表示该输入图像数据所属的类别；该输入图像数据包括源域图像数据和目标域图像数据；判别器根据该特征向量的梯度判别该梯度对应的预测域标签是源域或目标域，并确定第二损失函数；根据该第一损失函数和该第二损失函数，训练并更新该分类器和该判别器的参数，直至该第一损失函数和该第二损失函数最优化；参数更新后的所述分类器对需要分类的输入图像数据进行分类，以得到所述需要分类的输入图像数据的分类结果。
-
公开(公告)号：CN108664384B
公开(公告)日：2021-05-07
申请号：CN201710197473.9
申请日：2017-03-29
Applicant: 富士通株式会社
IPC: G06F11/36
Abstract: 本发明涉及数据处理装置和数据处理方法。根据本发明的数据处理装置包括：驱动生成单元，用于生成API的测试驱动，测试驱动表示对API进行函数调用；路径生成单元，用于基于符号执行生成API的测试路径和测试路径的约束条件；以及测试用例生成单元，用于基于API的测试驱动、测试路径和测试路径的约束条件生成API的测试用例，其中，路径生成单元生成的测试路径包括API的多行代码，并且路径生成单元用于：当寻找到包括回调函数的代码时，将包括回调函数的代码及其之前的路径所包括的代码作为API的测试路径。使用根据本发明的数据处理装置和数据处理方法，可以针对混合app的API自动生成测试用例。
-
公开(公告)号：CN112464966A
公开(公告)日：2021-03-09
申请号：CN201910842524.8
申请日：2019-09-06
Applicant: 富士通株式会社
IPC: G06K9/62
Abstract: 本公开提供了鲁棒性估计方法、数据处理方法和信息处理设备。鲁棒性估计方法用于估计基于训练数据集通过训练预先获得的分类模型的鲁棒性，并且包括：针对训练数据集中的每个训练样本，确定目标数据集中与该训练样本的样本相似度在预定阈值范围内的目标样本，并计算分类模型对于该训练样本的分类结果与分类模型对于所确定的目标样本的分类结果之间的分类相似度；以及基于训练数据集中各个训练样本的分类结果与目标数据集中相对应的目标样本的分类结果之间的分类相似度，确定分类模型对目标数据集的分类鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.046 seconds)
