-
公开(公告)号：CN119180945A
公开(公告)日：2024-12-24
申请号：CN202411371256.3
申请日：2024-09-29
Applicant: 新疆大学
IPC: G06V10/25 , G06V10/44 , G06N3/084 , G06N3/0985 , G06N3/0464
Abstract: 一种基于细粒度特征的轻量化壁画图像目标检测方法，其属于机器视觉技术领域。该方法构建的目标检测网络通过在每个阶段引入动态特征适应模块，使网络迅速适应复杂特征并实时更新上下文信息。为了提升小目标检测性能，设计了动态细粒度权重自适应模块，对特征进行加权学习，并引入高效加权自适应下采样模块，以减少冗余信息并加速推理。该方法针对壁画数据集，很好地平衡了检测网络的精度和速度。通过该方法可以在资源受限的环境下，快速地对壁画中的目标进行精准检测和统计。
-
公开(公告)号：CN118735794A
公开(公告)日：2024-10-01
申请号：CN202410694283.8
申请日：2024-05-30
Applicant: 新疆大学
Abstract: 基于Transformer的无监督多源图像融合方法，属于图像处理的技术领域。该方法中编码器网络包括两个Transformer块和一个细节块。Transformer块利用远程注意力来处理低频全局信息，而细节块则侧重于提取高频局部特征。该方法不仅解决了网络中间层信息利用不足的问题，还能兼顾高频特征和低频信息的捕获。另该方法还在鉴别器中加入了压缩和激励网络，以迫使模型聚焦于源图像中最显著的区域。在多个数据集上进行大量仿真实验的结果表明，与现有融合框架相比，该方法具有竞争力的融合结果。
-
公开(公告)号：CN118278419A
公开(公告)日：2024-07-02
申请号：CN202410380595.1
申请日：2024-03-30
Applicant: 新疆大学
IPC: G06F40/35 , G06F16/332 , G06F16/35 , G06F18/2415 , G06F18/2431 , G06N3/042 , G06N3/0455 , G06N3/0464
Abstract: 一种基于分层线图交互网络的多意图检测和槽位填充方法，属于自然语言处理的技术领域。通过图与线图的转换来模拟意图‑槽位之间的强相关性。根据数据集的特性，线图交互层弱化了不同意图之间的特征关联，着重对词元级的意图和槽位之间进行双向高效率的多粒度信息整合，加强了意图与槽位之间的语义信息交互，提高了联合任务精度。在标准的公开的数据集上的实验结果表明，与最先进的几种方法相比，设计的框架在槽填充F1得分（Slot F1）、意图检测准确率（Intent acc）、句子级别准确率（Sent acc）3个指标上达到了最佳性能。
-
Patent Agency Ranking
公开(公告)号：CN117350390A
公开(公告)日：2024-01-05
申请号：CN202311522526.1
申请日：2023-11-15
Applicant: 新疆大学
IPC: G06N7/01 , G06N5/02 , G06F40/247 , G06F40/30
Abstract: 本发明提供了一种用于少样本事件检测的知识扩展原型化条件随机系统，涉及事件检测技术领域，包括：基于GloVe词汇表以及待检测事件相对应的扩充实例、原始实例，得到全部事件类型创造的第一原型表示；基于每个事件类型相对应的扩充实例以及原始实例，得到不利实例并在相同事件类型的第一原型表示中去除；基于每个事件类型的相对应的扩充实例，得到与原始实例差别最大的扩充实例，并构建第二原型表示；计算所述第一原型表示以及第二原型表示的欧几里得距离，得到预测查询实例的事件类型。缓解了少样本事件检测中样本不足的问题，超越了具有较短训练时间的比较模型，促进事件原型之间更明显的分离，提高事件检测的准确度以及效率。
-
公开(公告)号：CN117313731A
公开(公告)日：2023-12-29
申请号：CN202311522525.7
申请日：2023-11-15
Applicant: 新疆大学
IPC: G06F40/295 , G06F40/30 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了一种基于全局指针的针对突发事件命名实体识别方法，涉及实体识别技术领域，包括：基于突发事件命名库，训练预训练语言模型，得到RoBERTa模型层；基于待识别文本的上下文信息和层次结构信息，得到待识别关键词；基于所述待识别关键词通过第一命名实体识别模型中的ON‑LSTM，得到所述待识别文本的识别信息，并构建ON‑LSTM模型层；使用全局指针方法对识别信息进行分析，得到输出解码信息，并构建GP模型层；基于RoBERTa模型层、ON‑LSTM模型层以及GP模型层，构建针对突发事件命名实体识别任务的解决模型，完成针对突发事件的命名。有效降低计算成本并成功识别嵌套实体，自动学习层次结构信息，增强模型的鲁棒性和泛化能力，提高了模型的性能。
-
-
公开(公告)号：CN118673401A
公开(公告)日：2024-09-20
申请号：CN202410694269.8
申请日：2024-05-30
Applicant: 新疆大学
IPC: G06F18/2415 , G06F18/214 , G06F18/25 , G06N3/098 , G06F16/35 , G06F17/16
Abstract: 用于多模态隐喻检测的模态表征分解方法，属于自然语言处理的技术领域。该方法通过不同的Projector将每个模态表征分解为一致性特征和差异性特征。然后，利用设计的对比学习框架为模态的一致性特征和差异性特征学习提供更为全面的视角。同时，为了保留与隐喻检测任务相关模态特异性信息，设计了多任务学习框架，该任务依赖于每个模态的分解表征，使模型能够从单模态预测中进行学习，减少特异性隐喻信息丢失。通过精心设计的对比学习和多任务学习联合框架，确保所有模态中的特征都能够在多个训练路径中得到充分的调整和优化。
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
