公开(公告)号：CN119006844A

公开(公告)日：2024-11-22

申请号：CN202411153007.7

申请日：2024-08-21

Applicant: 三峡大学

Inventor： 陈世洁 ,  范李平 ,  余肖生 ,  王东娟

IPC: G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464

Abstract: 一种融合上下文感知和背景探索的伪装目标检测网络，该网络包括多尺度特征提取模块Swin‑Transformer、注意力联级上下文感知模块AHCM、全连接解码器模块FCD、融合注意力机制的背景探索模块BEM；多尺度特征提取模块Swin‑Transformer的输出连接注意力联级上下文感知模块AHCM的输入，注意力联级上下文感知模块AHCM的输出连接全连接解码器模块FCD、以及融合注意力机制的背景探索模块BEM的输入，全连接解码器模块FCD的输出连接融合注意力机制的背景探索模块BEM的输入，融合注意力机制的背景探索模块BEM的输出用于输出最终预测。

公开(公告)号：CN119538927A

公开(公告)日：2025-02-28

申请号：CN202411461534.4

申请日：2024-10-18

Applicant: 三峡大学

Inventor： 孙晓东 ,  王东娟

IPC: G06F40/295 ,  G06F40/284 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/049 ,  G06N3/0985 ,  G06N3/084 ,  G06N3/08 ,  G06N3/045

Abstract: 本发明提供一种基于多头注意力机制和脉冲神经网络（SNN）的中文电子病历命名实体识别方法，针对电子病历中的命名实体，经过预训练BERT模型获取动态词向量，双向长短期记忆网络（BiLSTM）模型获取文本编码，SNN网络对编码的特征进行筛选，多头的注意力机制计算字符间的依赖关系，并加强对上下文语境的关联性，最后经过条件随机场（CRF）模块输出最终序列，得到实体识别结果。本发明显著降低了时间成本，同时提升了对医疗文本中命名实体识别的效率和精度，为医疗信息处理领域提供了一种更为高效和准确的技术解决方案。

公开(公告)号：CN119478344A

公开(公告)日：2025-02-18

申请号：CN202411477555.5

申请日：2024-10-22

Applicant: 三峡大学

Inventor： 陈世洁 ,  范李平 ,  余肖生 ,  王东娟

IPC: G06V10/25 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/048

Abstract: 融合分层注意力和特征细化的伪装目标检测网络及方法，该网络包括特征提取层SMT、分层注意力网络层TAN、全连接解码器模块FCD和特征细化网络层FRN；特征提取层AMT的输出连接分层注意力网络层TAN的输入，分层注意力网络层TAN的输出连接全连接解码器模块FCD、以及特征细化网络层FRN的输入，全连接解码器模块FCD的输出连接特征细化网络层FRN的输入，特征细化网络层FRN的输出用于输出最终预测，本发明的目的是为了同时解决现有伪装目标检测方法的检测结果不完整和计算成本过高问题，通过对语义和细节信息的有效聚合和利用，实现对伪装对象的精确定位和精细分割，而提出的融合分层注意力和特征细化的伪装目标检测网络及方法。