-
公开(公告)号：CN110134954B
公开(公告)日：2023-12-22
申请号：CN201910371706.1
申请日：2019-05-06
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/284
Abstract: 一种基于Attention机制的命名实体识别方法属于计算机领域，通过Attention机制引入中文字素和字符位置权重信息来提高命名实体识别的准确率。方法包括：相似词语提取模块、特征构建模块和分类器模块，其中特征构建模块包括词语相似度融合、词特征提取、字符特征提取和特征融合四个子模块。本方法通过双向LSTM(长短期记忆)来处理命名实体识别中的上下文信息，通过crf(条件随机场)来预测实体标签类别。
-
公开(公告)号：CN116205861A
公开(公告)日：2023-06-02
申请号：CN202310106797.2
申请日：2023-02-13
Applicant: 北京工业大学
IPC: G06T7/00 , G06T7/11 , G06T7/33 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于数据增强的医学图像分割方法，该方法针对医学图像缺乏带标签数据集的现状，通过数据增强的方法扩充数据集进而用来训练分割网络。该方法通过图像配准的方法，并且借鉴了循环生成对抗网络的循环一致性思想，通过基于循环一致性的空间结构配准网络和基于循环一致性的外观结果配准网络生成空间变换配准域和外观变换配准域，同时通过循环一致性损失进一步提升和优化图像配准的准确性；然后通过生成的空间变换配准域和外观变换配准域进行图像配准，从而达到扩充带标签数据集的目的，最终用来训练图像分割网络。本发明解决了带标签医学图像数据集稀缺的问题，并且进一步提升了生成图像的质量，在医学图像分割领域有着广泛的应用。
-
公开(公告)号：CN108170753B
公开(公告)日：2021-08-17
申请号：CN201711399104.4
申请日：2017-12-22
Applicant: 北京工业大学
Abstract: 本发明公开一种共有云中Key‑Value数据库加密与安全查询的方法，包括：采用基于多层次自描述的Key‑Value数据库安全保护模型定制数据安全保护方案，通过安全代理secureKeyValue根据安全保护方案对key‑Value数据库加密与查询处理。本发明的方法适用于所有的Key‑Value型数据库，能很好的保护共有云环境中用户数据的机密性和完整性。
-
公开(公告)号：CN109886018B
公开(公告)日：2021-01-05
申请号：CN201910071167.X
申请日：2019-01-25
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于遗传算法的存储型XSS攻击向量优化方法。本方法涉及了遗传算法过程中的编码、适应度函数设计、选择、交叉、变异。首先采用OWASP中收录的存储型的跨站脚本攻击向量作为基本攻击向量库，结合漏洞的相关特征，采用机器学习中常用的数据编码方式——one‑hot编码作为遗传算法中染色体的编码方式。设计遗传算法的适应度函数时将多路径覆盖率的因素考虑进去。其次，针对one‑hot编码方式，设计了单点交叉和变异操作。本发明总体使用python语言开发，具有可移植性强、运算速度快等优点，对存储型跨站脚本漏洞的研究具有重要意义。
-
公开(公告)号：CN110010196B
公开(公告)日：2020-11-06
申请号：CN201910206801.6
申请日：2019-03-19
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于异质网的基因相似性搜索算法，获取基因‑疾病‑表型关联信息、疾病本体信息、表型本体信息，建立基因‑疾病‑表型异质网、疾病和表型本体有向无环图。首先，分别基于疾病、表型本体有向无环图，计算疾病本体和表型本体的语义相似性；其次，分别基于基因‑疾病网络和疾病‑表型网络计算疾病、表型的拓扑相似性，并将语义相似性和拓扑相似性进行融合；然后，将疾病本体的相似性网络和表型本体的相似性网络通过构建邻接矩阵的方式融入基因‑疾病‑表型异质网中，利用二部图算法分别计算基因和疾病之间的关联程度、疾病和表型之间的关联程度；通过以上步骤构建一个蕴含丰富生物信息的加权异质网，在此基础上应用PathSim算法计算基因的相似性，提高基因相似性搜索算法的准确率。
-
Patent Agency Ranking
公开(公告)号：CN111309909A
公开(公告)日：2020-06-19
申请号：CN202010091064.2
申请日：2020-02-13
Applicant: 北京工业大学
Abstract: 一种基于混合模型的文本情感分类方法属于计算机软件领域。该方法主要包含数据处理层、机器学习处理层、CNN处理层、LSTM-Attention处理层、自适应决策层。待分类数据经过机器学习处理层、CNN处理层和LSTM-Attention处理层分别处理，最后将其处理结果一同输入到自适应决策层中，自适应决策层根据不同处理层以往的分类结果自适应调整各层结果所占的权重，从而得到最终的分类结果。相比单一的机器学习和单一的深度学习方法，该方法处理效果明显，并且结果具有良好的可解释性，应用前景广泛。
-
公开(公告)号：CN111161317A
公开(公告)日：2020-05-15
申请号：CN201911390842.1
申请日：2019-12-30
Applicant: 北京工业大学
IPC: G06T7/246
Abstract: 本发明提供了一种基于多重网络的单目标跟踪方法，是一种采用深度学习的模型。该方法首先对视频序列的第一帧图像和当前帧图像进行裁剪，得到模板图像和待搜索图像；将模板图像和待搜索图像输入外观子网和语义子网，分别获得模板图像和待搜索图像的低层外观特征和高层语义特征，并进行特征融合，分别得到模板图像和待搜索图像的融合特征图；然后，基于模板图像和待搜索图像的融合特征图，使用相似性判别方法得到最终响应图；最后，根据最终响应图提供的信息获得跟踪结果。本发明解决了传统单目标跟踪方法无法有效检测到包含相似性背景的待搜索图像中的跟踪目标，以及基于深度学习的特征提取方法由于提取出的低层外观特征存在噪声而导致误检的问题。
-
公开(公告)号：CN110010196A
公开(公告)日：2019-07-12
申请号：CN201910206801.6
申请日：2019-03-19
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于异质网的基因相似性搜索算法，获取基因-疾病-表型关联信息、疾病本体信息、表型本体信息，建立基因-疾病-表型异质网、疾病和表型本体有向无环图。首先，分别基于疾病、表型本体有向无环图，计算疾病本体和表型本体的语义相似性；其次，分别基于基因-疾病网络和疾病-表型网络计算疾病、表型的拓扑相似性，并将语义相似性和拓扑相似性进行融合；然后，将疾病本体的相似性网络和表型本体的相似性网络通过构建邻接矩阵的方式融入基因-疾病-表型异质网中，利用二部图算法分别计算基因和疾病之间的关联程度、疾病和表型之间的关联程度；通过以上步骤构建一个蕴含丰富生物信息的加权异质网，在此基础上应用PathSim算法计算基因的相似性，提高基因相似性搜索算法的准确率。
-
公开(公告)号：CN109903334A
公开(公告)日：2019-06-18
申请号：CN201910137728.1
申请日：2019-02-25
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于时间一致性的双目摄像头运动物体检测方法，首先将t-1帧计算的结果作为参数输入，利用超像素分割、立体匹配算法计算t帧的斜平面模型；然后，通过计算t帧的光流和自运动模型得到运动物体的初始运动模型；之后，通过t-1帧计算的运动物体信息和t帧的超像素信息计算出场景流能量方程中时间一致性数据项；最后，根据以上计算的信息构建t帧的场景流能量方程，并使能量方程最小化计算出t帧的运动物体信息。应用本发明，解决了传统运动物体检测方法在计算t帧运动模型时没有关联t-1帧计算的运动模型，导致运动物体检漏检和误检的问题。本发明适用于视频的运动物体检测，具有很好的鲁棒性，检测结果准确。
-
公开(公告)号：CN109902612A
公开(公告)日：2019-06-18
申请号：CN201910133470.8
申请日：2019-02-22
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于无监督学习的监控视频异常检测方法。该方法首先提取视频中的运动块，然后从局部和全局两个不同的角度进行异常检测，通过多样化的检测角度使得检测结果更加准确。在局部异常检测中，首先对视频中的运动块进行扩展，然后以扩展后的运动块为基本检测单位，分别从时间维度、空间维度以及时空维度上比较该运动块与其邻域运动块之间的差异性；在全局异常检测中，首先对视频中的运动块进行聚类提取运动目标，然后在运动目标序列上使用滑动窗口，比较窗口内两个运动目标之间的差异性，最后基于一致性对检测结果进行优化。本发明适用监控视频的异常检测，计算复杂度低，检测结果准确，鲁棒性好。本发明在视频分析技术领域有着广泛的应用。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.023 seconds)
