公开(公告)号：CN113052187A

公开(公告)日：2021-06-29

申请号：CN202110307905.3

申请日：2021-03-23

Applicant: 电子科技大学

Inventor： 贾海涛 ,  莫超杰 ,  刘博文 ,  许文波 ,  任利 ,  周焕来 ,  贾宇明

IPC: G06K9/46 ,  G06K9/40 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度特征融合的全局特征对齐特征对齐目标检测技术。该发明可以进一步增强以Faster R‑CNN为代表的目标检测算法在不同应用场景下的泛化性能。以往基于全局特征对齐的目标检测技术通常存在两个问题：一是特征对齐尺度单一，且未减小由目标尺寸大小不同带来的域间差异；二是以往全局特征对齐在前景目标特征的同时，强制对齐了背景特征，影响特征对齐效果。本发明提出的基于多尺度特征融合的全局特征对齐特征对齐目标检测方法，将不同尺度的特征图进行融合，使得不同尺寸大小的目标特征一同对齐，并进行背景抑制，减少背景噪声影响，将网络注意力更多放在前景目标特征对齐上。

公开(公告)号：CN113051929A

公开(公告)日：2021-06-29

申请号：CN202110308269.6

申请日：2021-03-23

Applicant: 电子科技大学

Inventor： 贾海涛 ,  邢增传 ,  任金胜 ,  许文波 ,  任利 ,  周焕来 ,  贾宇明

IPC: G06F40/30 ,  G06F40/211 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于细粒度语义信息增强的实体关系抽取方法，该方法包括：在输入层选取句子上下文信息构成句子初始向量；在编码层使用BERT预训练语言模型捕获文本的所有隐藏特征向量；在实体识别层借助指针网络获取头实体、尾实体范围表示，并获得实体类型信息；在关系抽取层使用之前的隐藏特征向量拼接实体类型信息去获得头尾实体的隐藏向量表示从进行关系抽取；然后在输出层之前加入细粒度类别词典使用注意力机制去获取关系类别的权重，连接输出层，使用Softmax对关系进行抽取分类。由于BERT的存在，本模型能够地对句子进行编码提取全部特征，而指针网络也为解决重叠实体三元组提取问题提供了较好的解决思路；最后构建细粒度类别词典使用注意力机制获取权重解决关系类别样例不平衡问题，最终提高了实体关系抽取的准确率。

公开(公告)号：CN111178053A

公开(公告)日：2020-05-19

申请号：CN201911393590.8

申请日：2019-12-30

Applicant: 电子科技大学

Inventor： 任利 ,  李清 ,  贾海涛 ,  贾宇明 ,  李建 ,  许文波 ,  罗心 ,  刘芳

IPC: G06F40/253 ,  G06F40/30 ,  G06F40/258

Abstract: 本发明提出一种结合语义和文本结构进行生成式摘要抽取的文本生成方法，考虑到中文语言结构上的特殊性，将文本结构和文本语义作为网络输入，从而考虑文本的语义和结构两个方面的内容，然后通过编码网络中的编码将语义和结构两方面的数据进行编码和融合，然后利用解码网络进行结果输出。本发明将文本结构也作为元素提高了编码网络获取文本信息的能力；加入了注意力机制提高了解码网络的解码能力。