-
公开(公告)号：CN119806502A
公开(公告)日：2025-04-11
申请号：CN202411857009.4
申请日：2024-12-17
Applicant: 广东工业大学
IPC: G06F8/33 , G06F8/41 , G06F18/15 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0499 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开的属于代码补全技术领域，具体为一种基于检索增强与多模态相结合的代码补全方法，包括具体步骤如下：构建代码补全数据集、构建代码补全模型、划分代码补全数据集并训练代码补全模型、应用代码补全模型进行代码补全。本发明对待补全代码进行检索增强，检索出相似的代码片段来辅助待补全代码进行补全，能够很好地利用代码的外在相似性，提高代码补全效率。提取从抽象语法树的叶子节点到待补全节点的路径特征，能够很好的利用路径上的语法结构信息，同时也能够一定程度上缓解路径爆炸问题。
-
公开(公告)号：CN119723366A
公开(公告)日：2025-03-28
申请号：CN202411778431.0
申请日：2024-12-05
Applicant: 广东工业大学
IPC: G06V20/13 , G06V20/17 , G06V20/10 , G06V20/70 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06V10/776 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开一种输电线塔基缺陷识别方法和装置、系统、存储介质，包括：步骤S1、获取输电线路上包含杆塔塔基的遥感影像；步骤S2、对输电线路上包含杆塔塔基的遥感影像进行预处理，并对预处理后的输电线塔基遥感影像数据集进行划分，得到训练集和测试集；步骤S3、根据预处理后的输电线塔基遥感影像数据集，构建输电线塔基缺陷识别网络TBDI‑Net；步骤S4、根据训练集训练输电线塔基缺陷识别网络TBDI‑Net；步骤S5、将测试集输入到训练好的输电线塔基缺陷识别网络TBDI‑Net中，识别输电线路杆塔存在的塔基缺陷目标。采用本发明的技术方案，能够显著提升输电线塔基的排查。
-
公开(公告)号：CN118469842B
公开(公告)日：2025-01-28
申请号：CN202410556401.9
申请日：2024-05-07
Applicant: 广东工业大学
IPC: G06T5/60 , G06T5/73 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06V10/80
Abstract: 本发明提供了一种基于生成对抗网络的遥感图像去雾方法，包括以下步骤：S1、构建用于训练的有雾遥感图像数据集；S2、搭建用于遥感图像去雾的注意力引导的残差融合对抗生成网络；S3、训练注意力引导的残差融合对抗生成网；S4、应用注意力引导的残差网络对有雾遥感图像去雾；本发明通过提取的底层细节特征与高层全局特征相结合，提升了去雾图像的精细度，采用了对抗网络思想，降低了网络的训练难度，适合遥感图像去雾这类图生图任务，能够更精准地感受出雾霾的浓度和大小，有效地处理了以往方法面对真实雾霾情形下雾霾分布浓度不均匀导致全局去雾效果不好的问题，能够尽可能的在去雾的同时保留原有细节和颜色。
-
公开(公告)号：CN119169488A
公开(公告)日：2024-12-20
申请号：CN202411224092.1
申请日：2024-09-03
Applicant: 广东工业大学
IPC: G06V20/17 , G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于深度学习的雾霾场景输电线路多尺寸缺陷识别方法，涉及识别方法技术领域。本发明包括以下步骤：Step1：构建雾霾场景下的输电线路缺陷数据集；Step2：采用图像雾化算法对输电线路缺陷数据集进行数据预处理；Step3：构建一种雾霾场景下的输电线路缺陷识别算法，用于识别雾霾场景下输电线路的模糊缺陷目标和小尺寸缺陷目标；Step4：在步骤Step3中构建的输电线路缺陷识别算法基础上进行算法训练和验证。本发明通过在采集输电线路缺陷数据集后，对图像数据进行加雾的数据预处理，模拟雾霾场景下的输电线路缺陷数据。
-
公开(公告)号：CN118918943A
公开(公告)日：2024-11-08
申请号：CN202410902242.3
申请日：2024-07-06
Applicant: 广东工业大学
Abstract: 本发明提出一种基于三元混合级融合卷积神经网络的化合物血脑屏障渗透性预测方法，具体实现步骤如下：（1）对于获取到的化合物，提取所述化合物的SMILES表达式和分子结构图；（2）进行数据预处理操作：提取MGF、MFF和MDF，通过特征筛选分别得到P‑MGF，P‑MFF，P‑MDF，依次对P‑MGF、P‑MFF、P‑MDF进行归一化得到#imgabs0#、#imgabs1#、#imgabs2#；（3）构建三元混合级融合卷积神经网络，设计一个三元模块处理#imgabs3#、#imgabs4#、#imgabs5#三种特征集，将处理结果通过拼接层融合得到#imgabs6#，依次运用全连接层、输出层来处理#imgabs7#；（4）将#imgabs8#、#imgabs9#、#imgabs10#输入到三元混合级融合卷积神经网络，进行参数调整以得到最佳预测网络；（5）将最佳预测网络运用于待测化合物样本的预测。
-
Patent Agency Ranking
公开(公告)号：CN118444917B
公开(公告)日：2024-10-01
申请号：CN202410380044.5
申请日：2024-03-29
Applicant: 广东工业大学
IPC: G06F8/41 , G06F21/14 , G06N3/0464 , G06N5/01 , G06F18/25 , G06N3/08 , G06F18/214
Abstract: 本发明公布了一种基于LGF‑Net的代码混淆有效性评估方法及系统，具体实现步骤如下：（1）首先获取数据集中每一个程序的源代码对应的已混淆代码和反混淆代码；然后从源代码、已混淆代码和反混淆代码中提取特征，得到第一特征集合；接着为第一特征集合赋予一个混淆效果等级，并将第一特征集合与其混淆效果等级表示为一个序偶；最后把所有的序偶构成一个代码混淆有效性评估数据集，称为第一数据集。（2）构建代码混淆有效性评估模型LGF‑Net：LGF‑Net通过局部特征模块进行特征选择和处理，通过全局特征模块进行特征融合。（3）使用第一数据集对LGF‑Net进行训练和测试，得到训练好的LGF‑Net。（4）运用训练好的LGF‑Net评估代码混淆算法，得到该算法的混淆效果等级。
-
公开(公告)号：CN118314532B
公开(公告)日：2024-08-27
申请号：CN202410741819.7
申请日：2024-06-11
Applicant: 广东工业大学
IPC: G06V20/52 , G06N3/045 , G06N3/0464 , G06N3/084 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明公开了一种基于深度学习的变电站红外图像老鼠识别方法，属于深度学习技术领域，包括以下步骤：获取变电站内老鼠的红外图像数据集，并进行预处理；基于特征提取模块、空间金字塔池化结构以及多感知目标检测头，构建变电站红外图像老鼠检测算法；基于预处理后的红外图像数据集对所述变电站红外图像老鼠检测算法进行训练；将训练后的变电站红外图像老鼠检测算法部署在变电站的红外摄像头中，对变电站内老鼠进行实时监控和预警。本发明建立了易于训练的变电站红外图像老鼠目标检测网络，具有高准确率和高泛化性的特点，建模完成后可以部署在各个变电站场景中的红外摄像头内，并建立相对应的预警与监控系统，实现对老鼠目标的实时监控。
-
公开(公告)号：CN118485996A
公开(公告)日：2024-08-13
申请号：CN202410649757.7
申请日：2024-05-24
Applicant: 广东工业大学
IPC: G06V20/58 , G06V10/44 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/75 , G06N3/0464 , G06N3/08
Abstract: 本发明公开的属于深度学习目标检测与交通标志结合技术领域，具体为一种基于GRFS‑YOLOv8的复杂背景下小型交通标志检测算法，包括具体步骤如下：获取公开的交通标志数据集，按9：1的比例分为训练集和测试集，在实际训练中，训练集按9：1的比例分为训练集和验证集；使用重新设计的GRF‑SPPF替换原网络中SPPF模块；引入两条快捷路径和额外的较小目标检测层设计了新的SPANet；将C2fGhost与GhostConv集成到特征提取和融合网络中；将数据集输入网络进行迭代训练。本发明通过将GRF‑SPPF模块引入以替代传统的SPPF模块，显著提升了模型从图像特征图中捕获多尺度信息的能力。这一改进使模型在处理复杂背景下的小型交通标志时具有更强的感知能力。
-
公开(公告)号：CN118430659A
公开(公告)日：2024-08-02
申请号：CN202410637045.3
申请日：2024-05-22
Applicant: 广东工业大学
Abstract: 本发明公开的属于机器学习与生物基因结合技术领域，具体为一种结合基于L21约束的图矩阵分解和网络投影融合的miRNA与疾病关联预测方法，包括具体步骤如下：获取miRNA‑疾病的邻接矩阵Y，通过miRNA‑疾病邻接矩阵来描述二者的关联关系；通过医学主题词MeSH计算出疾病语义相似性SSD，通过CuiLab上获得miRNA功能相似性SSM，通过邻接矩阵Y分别计算出miRNA的GIP核相似性GM和疾病GIP核相似性GD；本发明设计了L21相似性约束项加入到矩阵分解中(L21SGMF)，有效的抑制了低维矩阵中的噪声，然后在NPFM中将miRNA/疾病相似性网络和初始得分矩阵融合在一起从而弥补分解过程中原始数据丢失的网络拓扑信息，使最终预测miRNA‑疾病的关联更加准确。
-
公开(公告)号：CN117577214A
公开(公告)日：2024-02-20
申请号：CN202310570954.5
申请日：2023-05-19
Applicant: 广东工业大学
Abstract: 本发明提出了一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法，具体实现步骤如下：（1）获取化合物及其BBB标签数据；（2）对数据集进行包括特征生成、数据归一化、特征筛选、样本数量均衡化等数据预处理操作；（3）构建基学习器选择模块，根据输入经过预处理的BBB数据，应用基学习器选择机制来选择用于堆叠学习算法的基学习器；（4）构建融合学习器遴选模块，将基学习器的预测结果构造成一个堆叠矩阵，对比该堆叠矩阵在不同学习器中的训练结果，遴选出堆叠学习算法的最佳融合学习器;（5）根据选出的基学习器与融合学习器，构造化合物BBB渗透性预测模型，并应用网格搜索方法进行参数优化；（6）运用该预测模型进行化合物的BBB渗透性预测。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.036 seconds)
