-
公开(公告)号：CN110321957A
公开(公告)日：2019-10-11
申请号：CN201910605728.X
申请日：2019-07-05
Abstract: 本发明提供了一种融合三元组损失和生成对抗网络的多标签图像检索方法，其包括步骤：搭建深度学习框架，部署生成对抗网络模型；输入图像数据集至生成对抗网络模型中以获取多标签图像和三元组数据；基于多标签图像构建三元组损失函数；从图像数据集中选取第一图像对深度哈希编码网络进行训练以获取完成训练的深度哈希编码网络；从图像数据集中选取预设数量的第二图像，将第二图像输入完成训练的深度哈希编码网络以获取哈希向量数据库；将需要检索的第一图像输入完成训练的深度哈希编码网络以检索出与第一图像相似的第二图像。本发明通过使用生成对抗网络生成与数据集样本相似的多标签生成图片，扩充了训练数据量，提高了图像的检索速度和精度。
-
公开(公告)号：CN110246085A
公开(公告)日：2019-09-17
申请号：CN201910425646.7
申请日：2019-05-21
Applicant: 桂林电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种单图像超分辨率方法，所述方法中的图像重建模型将传统的单通式重建结构改为并行式结构，使用浅层和深层两种超分辨率网络，利用两网络的深浅差异，将图像超分辨率过程人为划分为主体重建和细节重建部分，可以将超分辨率任务进一步细分，使得以浅层网络为核心的主体重建结构可以专注于对图像底层内容的处理，以深层网络为核心的细节重建结构可以专注于对图像高层内容的处理。本发明不仅可应用至其他基于深度学习的端到端单图像超分辨率模型，有效降低该单图像超分辨率模型的训练开销，同时提升准确率，更适用于特征提取阶段中图像尺寸不会被压缩的残差网络结构。
-
公开(公告)号：CN110222558A
公开(公告)日：2019-09-10
申请号：CN201910325729.9
申请日：2019-04-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于深度学习的手部关键点检测方法，所述方法包括了CPMs卷积神经网络和GoogLeNet神经网络模型。所述CPMs卷积神经网络中，保留stage1中的数据层和最后七个卷积层，将stage1中的其他层剔除掉。所述GoogLeNet神经网络模型中，选用其前13网络层，并删除其中的数据层和inception(3b)后面的max pool层。将所述CPMs卷积神经网络和所述GoogLeNet神经网络模型结合起来，修改每一层的bottom属性、top属性的名称，使得层与层之间能够链接起来。本发明改进了网络模型结构，提高了关键点检测的准确度和减小了模型训练的代价（训练时间等），减少了模型参数得以加快检测速度。
-
公开(公告)号：CN109977250A
公开(公告)日：2019-07-05
申请号：CN201910211486.6
申请日：2019-03-20
Abstract: 本发明公开了一种融合语义信息和多级相似性的深度哈希图像检索方法，包括以下步骤；S1，构建图像数据库；S2，构建标签向量矩阵和语义向量矩阵；S3，构建相似度矩阵；S4，搭建深度哈希神经网络模型，将原始图像转换为近似哈希向量；S5，构建对相似图片哈希向量的海明距离有下界约束的损失函数；S6，对搭建的深度哈希神经网络模型进行训练；S7，构建图像的哈希向量数据库；S8，将待检索图像的哈希向量与哈希向量数据库里的向量进行对比，以找出相似的图像。本发明通过融合语义信息，提高了图像检索的精度；并通过约束两张相似图片所对应哈希向量间的海明距离的下界，提高了检索性能。
-
公开(公告)号：CN107562923A
公开(公告)日：2018-01-09
申请号：CN201710824423.9
申请日：2017-09-13
Applicant: 桂林电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种基于船载导航雷达和光电平台的船只目标观测方法及系统，包括：值班记录模块保存图片和视频信息，并与生成的值班记录的文字性描述自动进行关联；光电取证回放模块针对关联的图片与视频信息进行条件搜索并进行选择性浏览或回放；日志管理模块针对事件属性构建索引并结合数据库字段查询得到联合搜索结果，以列表和电子海图两种方式显示。本发明实现了基于船载导航雷达引导的光电摄像头转向自动控制，以及面向文本、图像、视频等多种不同类型数据的数据检索，采用搜索引擎技术，通过设计全文检索系统，突破传统数据库在解决跨字段模糊查询的效率和准确性不高的问题，准确实现文本、图像、视频等多种不同类型数据的数据检索。
-
Patent Agency Ranking
公开(公告)号：CN103678490A
公开(公告)日：2014-03-26
申请号：CN201310562974.4
申请日：2013-11-14
Inventor： 强保华
IPC: G06F17/30
CPC classification number: G06F17/30194 , G06F17/30224
Abstract: 本发明公开了一种基于Hadoop平台的Deep Web查询接口聚类方法，包括：通过本体对Deep Web查询接口进行语义扩展，并对Deep Web查询接口进行潜在语义分析；选取支撑分布式并行计算的聚类算法，将所选取的聚类算法进行并行化改造，分别设计map函数、combine函数和reduce函数。所述方法还包括：配置用于减少网络数据传输量的数据压缩函数；搭建分布式平台，在集群上运行。本发明通过构建集群，充分利用并行处理的优势，将待聚类的查询接口分发到多台机器上，每台机器进行初步聚类后汇总结果，再次分发待聚类数据到不同机器上，直到结果收敛。同时，能够保证聚类结果的正确性与可靠性。解决了单机情况下遇到的难题。
-
公开(公告)号：CN103347087A
公开(公告)日：2013-10-09
申请号：CN201310296180.8
申请日：2013-07-16
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种结构化P2P和UDDI的服务注册与查找方法和系统，所述方法包括：利用结构化P2P协议，把多个UDDI系统组成P2P覆盖网；服务请求者通过客户端管理系统将用户请求消息发送到P2P覆盖网的某个节点上，该节点查找对应的UDDI节点，该节点根据消息类型决定进行注册或者查找的处理，并返回结果给服务的请求者；客户端管理系统向服务注册中心进行服务注册和服务查找；服务注册或者服务查找的结果由Socket通信模块直接返回给客户端管理系统。应用本方法构成的系统能够有效地避免单点失效问题，有利于网络的负载均衡，减少P2P覆盖网的流量、压力，具有响应速度快和更好的稳定性。
-
公开(公告)号：CN119538937A
公开(公告)日：2025-02-28
申请号：CN202411688518.9
申请日：2024-11-25
Applicant: 桂林电子科技大学
IPC: G06F40/30 , G06F18/213 , G06F18/22 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/0499 , G06N3/09
Abstract: 本发明公开了一种基于RoBERTa‑wwm‑ext‑large预训练模型的中文语义匹配方法，所述方法通过预训练模型RoBERTa‑wwm‑ext‑large获取匹配文本的初始向量表示，利用特征注意力加强两个文本向量之间的语义交互；接着将文本向量送入卷积神经网络提取更多特征信息后，再输出到长短期记忆网络这些特征信息的时间序列依赖性，通过自注意力丰富文本向量的上下文信息；建立微调表示模型去处理初始文本连接向量，获得微调过的文本对连接向量。最后将这些文本向量输入到多层感知机网络，计算文本匹配结果。与现有的基于预训练模型的文本匹配算法比较，本发明具有较高的准确度和较好的泛化性。
-
公开(公告)号：CN118708675A
公开(公告)日：2024-09-27
申请号：CN202410742517.1
申请日：2024-06-11
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于空间预测型视觉语言预训练模型的跨模态图文检索方法及存储介质，所述方法通过将局部语义预测视觉空间位置引入到视觉语言预训练模型中，使预训练模型能够学习到更有效的高级语义，有效提升下游跨模态图文检索任务的性能；利用基于空间预测型视觉语言预训练模型对下游图文检索数据进行特征提取，构建四元组损失函数并执行有监督跨模态图文检索；利用四元组构造模块挖掘与正样本具有强语义关联假负例样本，减少了假负例样本对图文检索的影响。
-
公开(公告)号：CN118484512A
公开(公告)日：2024-08-13
申请号：CN202410638730.8
申请日：2024-05-22
Applicant: 桂林电子科技大学
IPC: G06F16/33 , G06F18/25 , G06F18/22 , G06F40/30 , G06F40/284 , G06N3/0442 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了一种基于特征融合的多角度文本匹配方法，首先对文本进行字和词两种粒度的划分，基于字粒度获取文本的部首以及拼音表示并对字、词、部首和拼音分别进行初始编码，使用LeNet提取字形初始特征。其次，使用双向LSTM捕获初始编码中的语义信息并使用软对齐注意力机制(Soft Align Attention,SaAttention)进行不同粒度特征上的语义对齐。再次，使用卷积神经网络进一步提升向量的语义表征能力，使用多角度匹配模块进行特征间的深度交互。最后，使用LSTM进一步挖掘语义信息，使用GRU进行特征融合以生成更具丰富语义的匹配向量，从而提升中文文本匹配的准确性。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.024 seconds)
