-
公开(公告)号：CN113051408B
公开(公告)日：2023-02-14
申请号：CN202110338086.9
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明提出了一种基于信息增强的稀疏知识图谱推理方法，该方法包括：对待补全的稀疏知识图谱进行加载，在确定头尾目标实体之后，利用实体链接算法和外接的知识库来引入额外的信息，以此来对稀疏知识图谱进行信息增强；利用实体链接算法和外接的知识库来引入额外的信息，利用图卷积神经网络来获取外部知识图谱中的信息特征，使用双注意力机制对待补全知识图谱中抽取到的特征信息和增强的特征性进行特征融合，在对融合之后的特征进行评分，将分值最高的候选结果作为最终结果进行输出。
-
公开(公告)号：CN113190684B
公开(公告)日：2022-06-17
申请号：CN202110308273.2
申请日：2021-03-23
Applicant: 电子科技大学
IPC: G06F16/36 , G06F40/216 , G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明提出一种基于路径质量评估的知识图谱推理算法RLKGR‑PQD。该算法包括：改进基准算法加入路径质量评估模块并给出相应的总体框架图，然后在两组公开数据集(FB15K‑237和NELL‑995)上对基准模型和改进后的RLKGR‑PQD模型进行实验，最后实验分析验证了RLKGR‑PQD算法的有效性，实验结果表明改进算法有效地提升了查询问答中的MRR指标。
-
公开(公告)号：CN113393582A
公开(公告)日：2021-09-14
申请号：CN202110563571.6
申请日：2021-05-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的三维物体重建算法，包括：输入多个从任意角度获得的物体二维图像并进行预处理，建立卷积神经网路，将二维图像作为训练数据输入到建立的卷积神经网络中进行训练，将待测的二维图像输入到训练好的卷积神经网络模型中，卷积神经网络模型输出三维重建结果。本发明中，所述的卷积神经网络模型包括编码器、解码器、多视图特征组合模块。其中，编码器的输入为多视角的二维图像，输出为二维特征向量，需将其转换为三维信息；将三维信息输入到解码器中，得到单幅图像的三维预测体素占用；再通过多视图特征组合模块，得到最终的预测体素占用。在测试阶段，根据分层预测策略预测所得的0‑1占用与地面真实占用来计算准确率。
-
公开(公告)号：CN113052185A
公开(公告)日：2021-06-29
申请号：CN202110270154.2
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于Faster R‑CNN的小样本目标检测方法。本发明结合传统目标检测算法和小样本学习算法，对Faster‑RCNN网络进行了深度的改进和优化，使其适应小样本目标检测。本发明提出基于注意力的RPN模块，利用通道注意机制对不同通道特征分配不同的权重，然后将支持集特征和查询集特征进行深度互相关以生成注意力特征图，然后送入RPN网络生成候选框。本发明基于度量学习，用改进的加权原型网络替换Faster R‑CNN分类器头，提高小样本下候选区域分类准确率；本发明引入多尺度FPN模块，包含两个分支，其中一个分支与一般检测网络类似，应用于RPN层，另一分支应用于支持集图像以提取多尺度特征图，以解决小样本数据集尺度稀疏以及查询图片和支持集图片之间的尺度差异问题。
-
公开(公告)号：CN111428031A
公开(公告)日：2020-07-17
申请号：CN202010200084.9
申请日：2020-03-20
Applicant: 电子科技大学
IPC: G06F16/35 , G06F16/335 , G06F16/36
Abstract: 本发明提供了一种融合浅层语义信息的图模型过滤方法，该方法包括：将中文指称输入指称扩展方法，得到精准完整的实体指称；将实体指称作为wiki搜索的关键字段放入中文维基百科知识库中，获得实体指称的候选实体列表；将候选实体列表输入融合浅层语义信息的图模型过滤方法中，得到过滤后的候选实体列表；将过滤后的候选实体列表存入数据库，为实体消歧模块做准备。本发明通过融合浅层语义信息计算候选实体和实体指称上下文相似度获得文本相似度作为过滤算法的权重因子，并利用基于图模型出入度算法计算候选实体相关度作为过滤算法的权重因子，最后融合两个权重因子得到综合得分对候选实体进行排列，降低了实体消歧误差。
-
Patent Agency Ranking
公开(公告)号：CN118918310A
公开(公告)日：2024-11-08
申请号：CN202410911678.9
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G06V10/25 , G06V10/82 , G06V10/80 , G06V10/30 , G06V10/764 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于多尺度特征融合的域自适应目标检测方法。该方法旨在解决目标检测中域间特征尺度不统一及背景噪声干扰等问题。主要步骤包括：设计多尺度特征融合模块，对不同尺度的特征图进行对齐融合；增加背景抑制模块，降低背景特征对特征对齐的影响；将更新的特征图输入到不同域分类器，利用域分类一致性正则器，生成域不变特征信息。实验表明，提出的方法在不同背景和图像质量下均表现出显著的检测效果提升。与现有技术相比，本发明在多尺度特征对齐和背景抑制方面进行了有效改进，验证了其在域自适应目标检测中的优势。
-
公开(公告)号：CN118887384A
公开(公告)日：2024-11-01
申请号：CN202410911676.X
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G06V10/25 , G06V10/764 , G06V10/762 , G06V20/70 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于于类对齐的域自适应目标检测方法。该方法旨在解决域自适应目标检测中存在各种类别特征的类内变化显著、类间差异不足的问题。主要步骤包括：设计类间分离模块，采用困难样本挖掘的采样方法，在两个领域间通过距离交互增强类别间的差异；类内聚合模块，通过获取两个领域内同类特征与共享类别中心之间的距离，利用最小化类别内差异方法。优化损失函数，增强模型对类间差异性和类内紧凑性的学习。实验表明，提出的方法在不同背景和图像质量下均表现出显著的检测效果提升。与现有技术相比，本发明提高了模型获取两域之间的类别语义信息的能力，验证了其在域自适应目标检测中的优势。
-
公开(公告)号：CN118823347A
公开(公告)日：2024-10-22
申请号：CN202410912558.0
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G06V10/26 , G06V20/70 , G06V20/17 , G06V10/82 , G06V10/44 , G06V10/54 , G06V10/80 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出了一种专为无人机航拍图像分割任务设计的先进U‑Net网络改进模型。该模型通过融合边缘感知能力与先进的注意力机制，显著增强了对图像边缘区域的分割精度及整体图像的分割性能。通过引入创新的双重注意力机制，模型能够更加聚焦于图像的关键部分，有效减少由背景元素引起的干扰，同时显著提升了分割的准确度。此外，模型中加入的门控注意力技术在实现特征的选择与融合过程中优化了跳跃连接，加之边缘感知模块的引入，极大地提高了模型对图像边缘细节的捕捉能力，确保了分割结果的清晰度与精确性。为了进一步提高分割质量，本模型在解码器部分采用了改进的特征融合技术，这一策略确保了深层与浅层特征的有效结合，捕获了丰富的上下文信息，从而在性能上得到了显著提升。
-
公开(公告)号：CN118823315A
公开(公告)日：2024-10-22
申请号：CN202410911682.5
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G06V10/25 , G06V10/82 , G06V10/774 , G06V10/74 , G06V20/10 , G06N3/0464 , G06N3/09
Abstract: 本发明提出了一种改进的旋转小目标检测方法，用于解决遥感图像中密集排列的倾斜以及尺寸极小的目标检测问题。该方法在YOLOv8模型的基础上新增小目标检测层增加感受野并且缓解下采样倍数，提出GIoU Loss作为旋转框回归损失函数，以及通过动态和逐步细化的两阶段匹配策略来改进标签分配策略，提高了小目标检测性能。实验表明改进后的方法YOLOv8s‑imporved相较于原始的YOLOv8s分别在DOTAv1.0、DOTAv1.5和DOTAv2.0数据集的旋转目标检测任务上获得了1.17％，1.72％和1.84％的精度提升，证明了该方法的有效性。
-
公开(公告)号：CN118229957A
公开(公告)日：2024-06-21
申请号：CN202410387185.X
申请日：2024-04-01
Applicant: 电子科技大学
IPC: G06V10/25 , G06N3/0455 , G06N3/0495 , G06N3/082 , G06N3/047 , G06V10/74 , G06V10/764
Abstract: 本发明旨在解决现有方法在处理复杂、实时计算的应用场景时存在的问题。本发明对Transformer进行了轻量化改进，同时改进了损失函数以克服长尾数据集问题。具体技术方案包括：主干网络采用Transformer，并包含增强高频局部信息的注意力机制风格模块、全局‑局部的互补注意力机制以及二维注意力融合的前馈网络。本发明提出了基于深度卷积的高频局部分支LBConv，用于捕捉高频局部信息；将有价值的全局依赖关系聚集到一个小的特征空间，然后将聚合后的全局信息广播到局部特征中。同时引入可学习的全局token聚合局部token的信息并提出了一个二维注意力模块来显式地聚合空间维度和通道维度之间的全局依赖关系；引入基于角度的边界类别感知损失函数ACP Loss，将决策边界推向尾部类别。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.021 seconds)
