-
公开(公告)号：CN108765413A
公开(公告)日：2018-11-06
申请号：CN201810586988.2
申请日：2018-06-08
Applicant: 众安信息技术服务有限公司
CPC classification number: G06T7/0012 , G06K9/627 , G06T2207/10121 , G06T2207/20081 , G06T2207/20084 , G06T2207/20221 , G06T2207/30101
Abstract: 本发明的实施例公开了用于图像分类的方法、装置及计算机可读介质。该方法包括：将影像文件按照时间序列分解成多个图像帧；利用所述影像文件的元信息，基于所述多个图像帧来合成图片；使用分类模型对所合成的图片进行分类以生成分类结果。本发明能够针对各种不同拍摄位置的不同种类的图像进行准确的分类识别，并自动将其各种位置的相同种类图像进行配准。
-
公开(公告)号：CN108154136B
公开(公告)日：2022-04-05
申请号：CN201810035543.5
申请日：2018-01-15
Applicant: 众安信息技术服务有限公司
IPC: G06V30/226 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明的实施例公开了用于识别字迹的方法、装置和计算机可读存储介质。该方法包括：利用从时间采样的历史字迹数据集获得的多个用户的历史字迹段数据和与历史字迹段数据相关的历史用户标签数据作为训练样本，训练生成包含循环神经网络和深度神经网络的判别模型，其中，将历史字迹段数据输入到循环神经网络，循环神经网络输出指示用户字迹风格的特征值，特征值被输入到深度神经网络；将历史用户标签数据输入到深度神经网络，深度神经网络用于进行用户字迹分类；对循环神经网络和深度神经网络一起进行训练。本发明使用循环神经网络有效地对字迹风格进行建模，可以实时、准确地识别字迹，同时对不同的语言有较为良好的扩展性。
-
公开(公告)号：CN109087306A
公开(公告)日：2018-12-25
申请号：CN201810686592.5
申请日：2018-06-28
Applicant: 众安信息技术服务有限公司
CPC classification number: G06T7/11 , G06N3/0454 , G06T5/001 , G06T2207/20081 , G06T2207/20084 , G06T2207/30101
Abstract: 本发明公开了动脉血管图像模型训练方法、分割方法、装置及电子设备，属于数字图像处理技术领域，动脉血管图像模型训练方法包括：S1、对获取到的DSA图像进行预处理，以构建动脉血管图像库；S2、对动脉血管图像库中的部分样本图像进行标注，以构建标注样本图像集；S3、构建卷积深度网络，并设置深度网络参数，生成初始动脉血管分割模型；S4、使用标注样本图像集训练初始动脉血管分割模型，生成动脉血管图像分割模型；S5、对于使用动脉血管图像分割模型分割动脉血管图像库中除部分样本图像之外的其他图像得到的血管目标图像，进一步进行标注，以对动脉血管图像分割模型进行迭代训练。本发明实施例能够较高精度地对DSA图像进行目标血管提取。
-
公开(公告)号：CN108921158A
公开(公告)日：2018-11-30
申请号：CN201810611500.7
申请日：2018-06-14
Applicant: 众安信息技术服务有限公司
Abstract: 本发明公开了一种图像校正方法、装置及计算机可读存储介质，属于图像处理技术领域，方法包括：针对图像校正涉及的多个校正步骤的至少一个校正步骤，对应构建至少一个神经网络模型；基于多个校正步骤和至少一个神经网络模型，生成流程配置文件；在流程配置文件中对多个校正步骤之间的流转逻辑进行配置，生成图像校正流程；当接收到图像校正指令时，根据图像校正流程对目标图像进行校正，并输出校正后的所述目标图像。本发明实施例能够针对不同场景下的带有文字资料的图像信息，校正成规范的、易于检测与识别的图像信息，且采用深度学习的方式构建神经网络模型，并应用在图像校正流程的校正步骤中，使得对图像校正获得更高的准确率。
-
公开(公告)号：CN108154444A
公开(公告)日：2018-06-12
申请号：CN201810043412.1
申请日：2018-01-17
Applicant: 众安信息技术服务有限公司
Abstract: 本发明的实施例公开了用于运载班次分类的方法、装置及计算机可读介质。该方法包括：通过预测模型使用影响目标时间段内多个运载班次的延误因素来确定该多个运载班次中的每个运载班次针对多个延误类型的延误可能性数据，该多个延误类型基于延误时间段进行划分，该预测模型基于与历史运载班次相对应的历史运载班次信息和历史延误因素而生成；基于该延误可能性数据，对该多个运载班次进行分类。本发明充分考虑到不同运载班次特点，有效地对运载班次有所区分，而且不需要人工干预且时间效率较高。
-
Patent Agency Ranking
公开(公告)号：CN109086756A
公开(公告)日：2018-12-25
申请号：CN201810618508.6
申请日：2018-06-15
Applicant: 众安信息技术服务有限公司
Abstract: 本发明公开了一种基于深度神经网络的文本检测分析方法、装置及设备，属于深度学习和图像处理技术领域。所述方法包括：进行模板标注，生成标注模板信息；利用预设深度神经网络检测模型对待检测图像进行文字区域的检测和分类，生成带类别的文字区域信息；根据所述标注模板信息和所述带类别的文字区域信息进行模板匹配，生成结构化信息数据。本发明能够针对如票据图像中各种字段，实现快速、准确的检测分析，对于文档图像的检测与分析具有实时、准确、通用、鲁棒、可扩展的特点，可广泛应用于多种包含文本的图像文本检测、分析与识别领域中。
-
公开(公告)号：CN108960059A
公开(公告)日：2018-12-07
申请号：CN201810554476.8
申请日：2018-06-01
Applicant: 众安信息技术服务有限公司
CPC classification number: G06K9/00718 , G06K9/00744 , G06N3/08
Abstract: 本发明公开了一种视频动作识别方法及装置，属于计算机视觉及机器学习技术领域。所述方法包括：提取视频的时空特征；根据提取的特征对预设密集扩张网络模型进行训练，得到目标密集扩张网络模型；利用所述目标密集扩张网络模型对待识别视频进行识别，获得视频识别结果。本发明实现了对视频动作良好而有效的识别，并且仅需要少量的数据就可以生成新类别的密集扩张网络模型，相对于现有的诸多视频识别技术，具有显著的改进，特别是由于新的任务样本量较少而难以识别的问题，因此可广泛应用于视频检索、车辆事故检测、医疗影像等领域。
-
公开(公告)号：CN108899075A
公开(公告)日：2018-11-27
申请号：CN201810686092.1
申请日：2018-06-28
Applicant: 众安信息技术服务有限公司
CPC classification number: G16H30/40 , G06N3/0454 , G06T3/40 , G06T5/002 , G06T5/30 , G06T2207/20221 , G06T2207/30101
Abstract: 本发明公开了一种基于深度学习的DSA图像检测方法、装置及设备，属于深度学习及数字图像处理技术领域。所述方法包括：对输入的DSA图像进行标注，获得标记好的训练样本；对所述训练样本进行预处理，获得训练数据集；利用所述训练数据集通过卷积神经网络进行训练，得到DSA图像检测网络模型；通过所述DSA图像检测网络模型对输入的待检测DSA图像进行检测，获得检测结果。本发明能够快速、准确地获得DSA图像检测结果，以便满足日趋增强和数量激增的医疗服务需求，解决了现有DSA图像进行观察、检测的低效率、费时费力和检测效果不甚满意等技术问题，在涉及医疗影像检测识别的诸多医疗领域具有广泛而良好的应用前景。
-
公开(公告)号：CN108229463A
公开(公告)日：2018-06-29
申请号：CN201810120593.3
申请日：2018-02-07
Applicant: 众安信息技术服务有限公司
Abstract: 一种基于图像的文字识别方法，其特征在于，包括：将获取的图像划分成多个区域；对该多个区域中的文字区域进行检测，以获取文字区域的位置信息和文字区域中的文字类型；对文字区域进行筛选，以确定待识别的文字区域；以及基于待识别的文字区域中的文字类型，使用指定识别模型对待识别的文字区域中的文字进行识别。
-
公开(公告)号：CN107608862A
公开(公告)日：2018-01-19
申请号：CN201710950552.2
申请日：2017-10-13
Applicant: 众安信息技术服务有限公司
IPC: G06F11/30
Abstract: 本公开内容公开了监控告警方法，该监控告警方法包括接收包括与待监控的目标参数相关联的历史数据的数据流；利用动态线性模型对数据流进行分析，以获得用于接下来的第一时间段的且与目标参数相关联的预测参数；在第一时间段内对目标参数进行统计，以获得第一时间段内的且与所述目标参数相关联的实际参数；以及将所述预测参数与所述实际参数比较以判断是否生成告警信号。本公开内容还提出了一种相应的计算机可读存储介质以及相应的监控告警装置。本公开内容整合了长期积累的历史监控数据并利用基于机器学习生成的预测模型进行监控告警。该方案的合理区间的设定基于历史数据，不再依赖于单纯的经验判断，极大地减少了人工干预，误告情况，运维成本。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.041 seconds)
