-
公开(公告)号：CN117116409A
公开(公告)日：2023-11-24
申请号：CN202311143625.9
申请日：2023-09-06
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G16H15/00 , G06F40/194 , G06V30/413 , G06V30/148
Abstract: 本发明涉及医疗化验单识别技术领域，具体涉及一种基于深度学习和自动纠错的化验报告单结构化识别方法，基于可微分二值化网络对医疗化验单检测识别的场景特点进行改进，使用级联稀疏查询的可微分二值化网络对化验报告单图像进行文本检测和识别，获得化验报告单的结构化识别结果，另外针对OCR模块输出的结构化结果存在的项目错行、单项目信息分离、多项目信息粘连等问题，通过BK树和AC自动机，对整理后的结构化表格中的项目信息进行自动纠错，最后将识别出的项目信息合并在同一个新的表格当中，最后将整理好的新表格以JSON格式输出。本发明弥补了现有技术的不足，实现了化验报告单信息的自动化采集提高数据收集和整理的效率。
-
公开(公告)号：CN116721458A
公开(公告)日：2023-09-08
申请号：CN202310490527.6
申请日：2023-05-04
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/20 , G06V40/70 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于跨模态时序对比学习的自监督动作识别方法，通过从无标签的视频样本中生成RGB帧和光流数据，再采用不同的数据增强方法获得输入数据的不同扩增视图，经编码器得到不同视图的编码特征，并建立双路径自监督动作识别网络；进一步通过实例判别的对比学习捕获视频序列的全局语义依赖，通过局部时序对比学习任务建模局部片段间的时序运动特性，初始化训练后得到两分支独立训练的初步模型；基于跨模态自监督动作识别和局部时序对比学习方法协同训练，得到最终模型；最后利用带标签数据对最终模型的参数进行微调，并使用测试数据进行效果评估，得到模型的识别性能。
-
公开(公告)号：CN115063882A
公开(公告)日：2022-09-16
申请号：CN202210652599.1
申请日：2022-06-07
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/20 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于自适应相关性学习的半监督人体行为识别方法，包括提取视频样本数据的特征，得到样本特征；将视频样本数据划分为有标签数据和无标签数据；基于样本特征构建无向图结构；利用标签数据和无标签数据，并基于自适应相关性学习模块对视频样本数据进行相关性建模，得到归一化权重；基于无向图结构和归一化权重，并利用图卷积模型对局部邻域内的样本特征进行聚合，得到输入特征；利用输入特征对分类层进行训练，得到最终模型；利用测试数据对最终模型进行评估，得到识别性能，解决了现有的人体行为识别方法未使用无标签数据对模型进行训练，从而导致模型的识别性能受到限制的问题。
-
公开(公告)号：CN113283320B
公开(公告)日：2024-09-06
申请号：CN202110524584.2
申请日：2021-05-13
Applicant: 桂林安维科技有限公司 , 桂林电子科技大学
IPC: G06V40/10 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0985
Abstract: 本发明公开了一种基于通道特征聚合的行人重识别方法，主要创新点有：一是在残差块的末尾再接一个SE Block结构，提高了网络对通道特征的提取能力；二是结合ReLU和权重偏置项提出了2个新的激活函数WReLU和LWReLU，有效提高神经网络对全局特征的表征能力；三是在Split‑Attention和SE Block中应用LWReLU，提高了Split‑Attention计算各组特征图的权重能力和SE Block对通道特征的提取能力，四是应用了新型的损失函数Circle Loss，使得模型能更为灵活的优化，能更为明确的收敛目标，进而提高模型的性能。
-
公开(公告)号：CN111507243B
公开(公告)日：2022-08-19
申请号：CN202010293342.2
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/10 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于格拉斯曼流形分析的人体行为识别方法，包括获取数据集的所有训练样本映射到格拉斯曼流形空间；对类内样本点距离和类间样本点距离进行建模；重新定义数据集上的训练样本；建立组合学习模型；对组合学习模型进行迭代求解。以多种特征建模设计分类器模型。从已标注和未标注的行为视频中，基于自定义图模型，通过标签传播方法生成未标注视频的虚拟标签，并使用多流形分析揭示特征数据相关性。对于每种类型特征，既单独保留近邻数据点的局部结构一致性，又在训练集中使用多种特征数据点的全局一致性，来预测未标注样本的标签数据，在标注数据不足时，训练出一种人体行为视频的多分类器，从而提高人体行为识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN111488840A
公开(公告)日：2020-08-04
申请号：CN202010293489.1
申请日：2020-04-15
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种基于多任务学习模型的人体行为分类方法，包括划分有标签数据和无标签数据；基于类内相似图模型和类间相似图模型建立多流形和标签一致性模型；基于图嵌入方法对多流形和分类器训练建立多任务学习模型；提取训练集特征并对特征进行降维；获取特征输入至多任务学习模型进行训练得到分类器结果。通过对视频中人物动作的数据分布和特征关联进行分析，结合多流形分析和多任务学习重新定义目标函数，挖掘出行为特征之间的内在联系；利用谱投影梯度方法和KKT条件求解多分类器目标函数的最优值；运用半监督学习算法，将已标注视频和未标注视频样本作为训练样本，同时放入分类器训练过程以提高分类器性能，从而提高了识别精度。
-
公开(公告)号：CN115661718A
公开(公告)日：2023-01-31
申请号：CN202211385326.1
申请日：2022-11-07
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明涉及自监督学习技术领域，具体涉及一种基于跨尺度图对比学习的人体骨架动作识别方法，基于图对比自监督动作识别网络和跨尺度一致性知识挖掘方法，得到最终模型，再利用带标签训练数据对所述最终模型的参数进行微调，并基于线性评估协议得到所述最终模型的识别性能；本发明通过充分利用图对比学习方法，在扩充无标签骨架数据时，随机裁剪组成骨架结构的边，其次利用骨骼关节点相互聚合的方法，构建出多个尺度的骨架图，通过跨尺度感知一致性，进一步提高了最近邻挖掘策略，使学习过程更加合理从而提升识别性能，解决了现有的人体骨架动作识别方法未使用无标签数据对模型进行训练，导致模型的识别性能受到限制的问题。
-
公开(公告)号：CN115100738A
公开(公告)日：2022-09-23
申请号：CN202210638655.6
申请日：2022-06-07
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
IPC: G06V40/20 , G06V10/774 , G06N20/00
Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于对比学习的半监督人体行为识别方法，包括将视频样本数据划分为有标签数据和无标签数据；基于双路径时间对比学习框架，并依次利用有标签数据和无标签数据对识别模型进行训练，得到二次训练模型；为无标签数据分配伪标签后对二次训练模型进行监督训练，得到最终模型；利用测试数据对模型进行评估，得到模型的识别性能，本发明通过利用对比学习构建半监督模型来挖掘视频样本数据中更多信息，解决了现有的人体行为识别方法在有限的有标签数据上获得的人体行为信息较少的问题。
-
公开(公告)号：CN113283320A
公开(公告)日：2021-08-20
申请号：CN202110524584.2
申请日：2021-05-13
Applicant: 桂林安维科技有限公司 , 桂林电子科技大学
Abstract: 本发明公开了一种基于通道特征聚合的行人重识别方法，主要创新点有：一是在残差块的末尾再接一个SE Block结构，提高了网络对通道特征的提取能力；二是结合ReLU和权重偏置项提出了2个新的激活函数WReLU和LWReLU，有效提高神经网络对全局特征的表征能力；三是在Split‑Attention和SE Block中应用LWReLU，提高了Split‑Attention计算各组特征图的权重能力和SE Block对通道特征的提取能力，四是应用了新型的损失函数Circle Loss，使得模型能更为灵活的优化，能更为明确的收敛目标，进而提高模型的性能。
-
公开(公告)号：CN112016670A
公开(公告)日：2020-12-01
申请号：CN202010637629.2
申请日：2020-07-05
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种面向轻量级神经网络的模型优化和压缩方法，首先向原始ReLU函数中加入改进参数对ReLU函数进行改进，并利用链式法则和动量法对所述改进参数进行更新；其次利用ReLU6函数将自门控函数中的Sigmoid函数进行替换，并与改进后的ReLU函数进行融合，得到融合激活函数；最后，根据获取的剔除阈值，自下而上的删除对应数量的卷积核对卷积神经网络模型进行压缩，直至模型精度与参数量平衡，提升轻量级神经网络模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.028 seconds)
