-
公开(公告)号:CN118430002B
公开(公告)日:2024-09-27
申请号:CN202410875204.3
申请日:2024-07-02
Applicant: 武汉大学
IPC: G06V30/413 , G06V30/19 , G06V30/18 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种融合数据增强和深度学习的印章识别方法,包括:获取印章图像,并对印章图像进行识别与标注;对标注的印章图像进行数据增强,得到增强后的图像数据并将其划分训练集、验证集和测试集;构建ViT深度学习模型,ViT深度学习模型用于对印章图像进行识别,采用训练集训练ViT深度学习模型并采用验证集进行验证得到训练后的ViT深度学习模型,最后采用测试集对训练后的ViT深度学习模型的性能进行评价选出性能符合要求的ViT深度学习模型;采用得到的ViT深度学习模型对待识别的印章图像进行识别。本发明解决了训练集数据缺乏的情况下难以对神经网络模型进行充分训练的问题,以实现对印章图像的准确识别。
-
公开(公告)号:CN118430002A
公开(公告)日:2024-08-02
申请号:CN202410875204.3
申请日:2024-07-02
Applicant: 武汉大学
IPC: G06V30/413 , G06V30/19 , G06V30/18 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种融合数据增强和深度学习的印章识别方法,包括:获取印章图像,并对印章图像进行识别与标注;对标注的印章图像进行数据增强,得到增强后的图像数据并将其划分训练集、验证集和测试集;构建ViT深度学习模型,ViT深度学习模型用于对印章图像进行识别,采用训练集训练ViT深度学习模型并采用验证集进行验证得到训练后的ViT深度学习模型,最后采用测试集对训练后的ViT深度学习模型的性能进行评价选出性能符合要求的ViT深度学习模型;采用得到的ViT深度学习模型对待识别的印章图像进行识别。本发明解决了训练集数据缺乏的情况下难以对神经网络模型进行充分训练的问题,以实现对印章图像的准确识别。
-
公开(公告)号:CN113378574B
公开(公告)日:2023-10-24
申请号:CN202110732903.9
申请日:2021-06-30
Applicant: 武汉大学
IPC: G06F40/295 , G06F16/36 , G06N3/042 , G06N3/084 , G06N5/022
Abstract: 本发明提供一种基于KGANN(Knowledge Graph Artificial Neural Network,KGANN)的命名实体识别方法,该方法通过重构知识图谱的神经元,在保留知识图谱内容和结构的基础上,使其可被深度学习训练方法训练,从而达到知识图谱和深度学习模型高度融合。KGANN通过引入领域知识,从而在小规模数据集上表现优异。本发明所提方法相较传统命名实体识别方法具有明显提升,在小样本数据下具有更强的鲁棒性。
-
公开(公告)号:CN115658892A
公开(公告)日:2023-01-31
申请号:CN202211279273.5
申请日:2022-10-19
Applicant: 武汉大学
IPC: G06F16/35 , G06F16/36 , G06N5/02 , G06F16/33 , G06F40/295 , G06F40/30 , G06F40/216 , G06N3/04 , G06N3/084 , G06N3/088
Abstract: 本发明提供了一种面向金融风险知识图谱的动态关系预测方法及设备。所述方法包括:步骤S1至步骤S8。本发明使用知识图谱的层级结构作为特征提取层的结构,并将命名实体的特征注入特征提取层的神经元中,特征提取层的神经元为不同的命名实体,特征提取层间的连接为命名实体间的关系,同时使用无监督的语言模型作为训练任务,对输入语句进行特征提取,进而对命名实体间的关系进行学习,保证实体间关系更新的及时性。
-
公开(公告)号:CN113378574A
公开(公告)日:2021-09-10
申请号:CN202110732903.9
申请日:2021-06-30
Applicant: 武汉大学
IPC: G06F40/295 , G06F16/36 , G06N3/04 , G06N3/08 , G06N5/02
Abstract: 本发明提供一种基于KGANN(Knowledge Graph Artificial Neural Network,KGANN)的命名实体识别方法,该方法通过重构知识图谱的神经元,在保留知识图谱内容和结构的基础上,使其可被深度学习训练方法训练,从而达到知识图谱和深度学习模型高度融合。KGANN通过引入领域知识,从而在小规模数据集上表现优异。本发明所提方法相较传统命名实体识别方法具有明显提升,在小样本数据下具有更强的鲁棒性。
-
公开(公告)号:CN115661850B
公开(公告)日:2023-04-07
申请号:CN202211700841.4
申请日:2022-12-29
Applicant: 武汉大学
Abstract: 本发明涉及一种融合多特征的印章识别方法。首先提取印章图像的颜色特征图、边缘特征图和原始灰度特征图,然后将三种特征图输入深度学习模型进行识别,最后将识别结果与知识图谱中的节点进行比对,并对相关知识进行展示。实验结果表明,本发明所提方法对印章识别任务有良好的效果,其中多维度的特征图可以提高模型对复杂情境的识别能力和鲁棒性。
-
公开(公告)号:CN119851299A
公开(公告)日:2025-04-18
申请号:CN202510321071.X
申请日:2025-03-18
Applicant: 武汉大学
Abstract: 本申请涉及图像识别技术领域,特别涉及一种基于数据增强与多特征融合的印章识别方法及装置,其中,方法包括:对至少一个原始印章图像进行数据增强,以生成训练样本集,并从中提取印章区域信息,构建用于突出印章特征的印章通道。基于双重注意力机制融合印章通道和RGB通道,并在保持MobileNetV2前端轻量化优势的基础上,在后端引入不同膨胀率的空洞卷积,构建改进型RAD‑MobileNet模型,利用训练样本集对该模型进行训练,得到最终影像识别模型,以输出实际印章识别任务的识别结果。由此,解决由于印章褪色、色彩不均、与文字重叠且印泥浓淡不当,传统识别方法在处理这些复杂情况难以获得满意结果的问题。
-
公开(公告)号:CN115661850A
公开(公告)日:2023-01-31
申请号:CN202211700841.4
申请日:2022-12-29
Applicant: 武汉大学
Abstract: 本发明涉及一种融合多特征的印章识别方法。首先提取印章图像的颜色特征图、边缘特征图和原始灰度特征图,然后将三种特征图输入深度学习模型进行识别,最后将识别结果与知识图谱中的节点进行比对,并对相关知识进行展示。实验结果表明,本发明所提方法对印章识别任务有良好的效果,其中多维度的特征图可以提高模型对复杂情境的识别能力和鲁棒性。
-
公开(公告)号:CN114118779B
公开(公告)日:2024-05-10
申请号:CN202111404720.0
申请日:2021-11-24
Applicant: 武汉大学
IPC: G06Q10/0635 , G06F16/36 , G06F16/953 , G06N3/0464 , G06N3/06 , G06N3/08
Abstract: 本发明提供了一种基于KGANN的面向互联网舆情事件的企业风险识别方法,通过重构神经网络的神经元,在保留知识图谱内容和结构的基础上,实现知识图谱和神经网络的融合,在识别风险过程中考虑到企业相关的领域知识。领域知识可以对特征向量进行补充或约束,从而使所提方法在识别风险时更具有针对性,从而提升模型风险识别能力。而且KGANN通过引入领域知识,在小规模数据集上表现优异。本发明在面向互联网舆情事件的企业风险识别任务上相较于传统方法具有显著优势。
-
公开(公告)号:CN114118779A
公开(公告)日:2022-03-01
申请号:CN202111404720.0
申请日:2021-11-24
Applicant: 武汉大学
Abstract: 本发明提供了一种基于KGANN的面向互联网舆情事件的企业风险识别方法,通过重构神经网络的神经元,在保留知识图谱内容和结构的基础上,实现知识图谱和神经网络的融合,在识别风险过程中考虑到企业相关的领域知识。领域知识可以对特征向量进行补充或约束,从而使所提方法在识别风险时更具有针对性,从而提升模型风险识别能力。而且KGANN通过引入领域知识,在小规模数据集上表现优异。本发明在面向互联网舆情事件的企业风险识别任务上相较于传统方法具有显著优势。
-
-
-
-
-
-
-
-
-