-
公开(公告)号：CN112465929A
公开(公告)日：2021-03-09
申请号：CN202011493010.5
申请日：2020-12-17
Applicant: 江南大学
IPC: G06T11/20 , G06F40/211 , G06F40/289 , G06N3/04
Abstract: 一种基于改进图卷积网络的图像生成方法，该方法包括：一，建立输入层，利用预训练好的词向量将句子中的单词映射成一个低维、连续的词向量；二，建立Bi‑LSTM层，通过该层混合语义信息；三，构建目标向量的隐层表示，首先先通过GCN层，在句法上，来混合目标与句子中其他词的信息，再使用注意力机制来计算与目标相关的上下文表示；四，构建MDGCN层，根据依存句法树构建句子的多目标依存图，再根据多目标依存图使用图卷积网络对同一句子的多个目标进行建模；五，建立输出层，用一个全连接层转换维度，再通过softmax函数将其转换为概率表示；六，模型训练，使用交叉熵误差函数和L2权重衰退共同作为损失函数。
-
公开(公告)号：CN110599502A
公开(公告)日：2019-12-20
申请号：CN201910839598.6
申请日：2019-09-06
Applicant: 江南大学
Abstract: 本发明属于医学图像处理邻域，具体涉及一种基于深度学习的皮肤病变分割方法。第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。第四步，预测图片。本发明所提的方法它是以整张图片来进行分类分割的，所以相比起来计算量就小一些，同时考虑了细节信息。实验表明，基于注意力机制的深度学习方法的分割精度比U-Net的分割精度更高。
-
公开(公告)号：CN111400494A
公开(公告)日：2020-07-10
申请号：CN202010182153.8
申请日：2020-03-16
Applicant: 江南大学
Abstract: 本发明公开了一种基于GCN-Attention的情感分析方法，该方法包括：步骤1，构建模型，包含embedding层、双向LSTM层、GCN-Attention层和输出层；步骤2，训练GCN-Attention模型，设定超参数，将训练集输入到GCN-Attention模型，得到损失函数值，再反向传播得到梯度，通过梯度值更新参数，经过设置的迭代次数的迭代之后，得到训练好的模型；步骤3，预测，模型完成训练后，将要预测的测试集输入模型，即可得到准确率和损失函数值。本发明能从句法上联系句子中的单词关联性，使注意力机制对于上下文的理解更为充分，实验结果表示，本发明模型相比标准注意力模型结果准确度更高。
-
公开(公告)号：CN111400494B
公开(公告)日：2023-07-07
申请号：CN202010182153.8
申请日：2020-03-16
Applicant: 江南大学
Abstract: 本发明公开了一种基于GCN‑Attention的情感分析方法，该方法包括：步骤1，构建模型，包含embedding层、双向LSTM层、GCN‑Attention层和输出层；步骤2，训练GCN‑Attention模型，设定超参数，将训练集输入到GCN‑Attention模型，得到损失函数值，再反向传播得到梯度，通过梯度值更新参数，经过设置的迭代次数的迭代之后，得到训练好的模型；步骤3，预测，模型完成训练后，将要预测的测试集输入模型，即可得到准确率和损失函数值。本发明能从句法上联系句子中的单词关联性，使注意力机制对于上下文的理解更为充分，实验结果表示，本发明模型相比标准注意力模型结果准确度更高。
-
Patent Agency Ranking
公开(公告)号：CN112465929B
公开(公告)日：2024-02-02
申请号：CN202011493010.5
申请日：2020-12-17
Applicant: 江南大学
IPC: G06T11/20 , G06F40/211 , G06F40/289 , G06N3/0464 , G06N3/0442
Abstract: 一种基于改进图卷积网络的图像生成方法，该方法包括：一，建立输入层，利用预训练好的词向量将句子中的单词映射成一个低维、连续的词向量；二，建立Bi‑LSTM层，通过该层混合语义信息；三，构建目标向量的隐层表示，首先先通过GCN层，在句法上，来混合目标与句子中其他词的信息，再使用注意力机制来计算与目标相关的上下文表示；四，构建MDGCN层，根据依存句法树构建句子的多目标依存图，再根据多目标依存图使用图卷积网络对同一句子的多个目标进行建模；五，建立输出层，用一个全连接层转换维度，再通过softmax函数将其转换为概率表示；六，模型训练，使用交叉熵误差函数和L2权重衰退共同作为损失函数。
-
公开(公告)号：CN110599502B
公开(公告)日：2023-07-11
申请号：CN201910839598.6
申请日：2019-09-06
Applicant: 江南大学
IPC: G06T7/11 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。第四步，预测图片。本发明所提的方法它是以整张图片来进行分类分割的，所以相比起来计算量就小一些，同时考虑了细节信息。实验表明，基于注意力机制的深度学习方法的分割精度比U‑Net的分割精度更高。
-
公开(公告)号：CN111190740A
公开(公告)日：2020-05-22
申请号：CN202010000724.1
申请日：2020-01-02
Applicant: 江南大学
IPC: G06F9/50
Abstract: 本发明属于并行优化领域，涉及一种用于波形互相关双差定位算法的并行优化方法。该方法包括：步骤1，获取总任务数和总进程数，并将总任务平均分给每个进程，并得出每个进程的任务初始位置；步骤2，计算获取初始匹配位置As1Bs2；步骤3，计算获取结束匹配位置Ae1Be2；步骤4，根据获取的As1Bs2位置和Ae1Be2位置读取对应数据进行计算。本发明通过大规模并行分配任务至每个进程，从而对任务核心计算部分进行加速，极大提高了计算效率。
-
公开(公告)号：CN111190740B
公开(公告)日：2023-04-18
申请号：CN202010000724.1
申请日：2020-01-02
Applicant: 江南大学
IPC: G06F9/50
Abstract: 本发明属于并行优化领域，涉及一种用于波形互相关双差定位算法的并行优化方法。该方法包括：步骤1，获取总任务数和总进程数，并将总任务平均分给每个进程，并得出每个进程的任务初始位置；步骤2，计算获取初始匹配位置As1Bs2；步骤3，计算获取结束匹配位置Ae1Be2；步骤4，根据获取的As1Bs2位置和Ae1Be2位置读取对应数据进行计算。本发明通过大规模并行分配任务至每个进程，从而对任务核心计算部分进行加速，极大提高了计算效率。
-
公开(公告)号：CN214909326U
公开(公告)日：2021-11-30
申请号：CN202121062368.2
申请日：2021-05-18
Applicant: 江南大学附属医院
Abstract: 本实用新型公开了一种胃肠镜检查转运床,包括床体，所述床体底端的一边外壁开设有滑槽，所述滑槽的两侧内壁均通过螺钉连接有滑轨，所述滑轨的两边内壁均滑动连接有滑动块，所述滑动块的底端外壁均设置有收纳箱，所述收纳箱的两侧外壁均安装有折叠板，所述床体顶端一边的两侧外壁均设置有转动轴二，所述转动轴二的外壁均套接有活动板，所述活动板与收纳箱的尺寸相适配。本实用新型有益效果病人躺上后会下意识屈膝方便检查的进行，可折叠收纳箱的使用方便物品和病例的存放，通过控制活动板从而控制床体的长短，使病人下意识屈膝方便检查，避免院内感染和病人情绪恶化的现象发生，提高了转运床的使用效率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
