-
公开(公告)号：CN119311708A
公开(公告)日：2025-01-14
申请号：CN202411846286.5
申请日：2024-12-16
Applicant: 江南大学 , 无锡市锡山区人民检察院
IPC: G06F16/23 , G06N20/00 , G06F16/215 , G06F18/214 , G06F18/2433
Abstract: 本发明属于区块链技术领域，涉及基于迁移学习的区块链数据异常检测智能合约构建方法。基于待检测区块链训练集中的数据样本经其投影矩阵映射后，与目标区块链训练集的超球中心的距离构建第一迁移项；基于目标区块链训练集中的数据样本经待检测区块链训练集的投影矩阵映射后，与目标区块链训练集的超球中心的距离构建第二迁移项；基于目标区块链训练集的投影矩阵与待检测区块链训练集的投影矩阵的差值构建第三迁移项；基于待检测区块链训练集的投影矩阵L2正则化构建结构损失正则项；构建数据异常检测模型并求解，得到待检测区块链训练集的超球半径、超球中心和投影矩阵；将知识迁移应用于区块链数据异常检测中，提高了区块链数据检测结果的准确性。
-
公开(公告)号：CN119311708B
公开(公告)日：2025-03-14
申请号：CN202411846286.5
申请日：2024-12-16
Applicant: 江南大学 , 无锡市锡山区人民检察院
IPC: G06F16/23 , G06N20/00 , G06F16/215 , G06F18/214 , G06F18/2433
Abstract: 本发明属于区块链技术领域，涉及基于迁移学习的区块链数据异常检测智能合约构建方法。基于待检测区块链训练集中的数据样本经其投影矩阵映射后，与目标区块链训练集的超球中心的距离构建第一迁移项；基于目标区块链训练集中的数据样本经待检测区块链训练集的投影矩阵映射后，与目标区块链训练集的超球中心的距离构建第二迁移项；基于目标区块链训练集的投影矩阵与待检测区块链训练集的投影矩阵的差值构建第三迁移项；基于待检测区块链训练集的投影矩阵L2正则化构建结构损失正则项；构建数据异常检测模型并求解，得到待检测区块链训练集的超球半径、超球中心和投影矩阵；将知识迁移应用于区块链数据异常检测中，提高了区块链数据检测结果的准确性。
-
公开(公告)号：CN118820484B
公开(公告)日：2025-02-28
申请号：CN202410804900.5
申请日：2024-06-21
Applicant: 江南大学 , 苏州觉卿谛语智能科技有限公司
IPC: G06F16/36 , G06F18/214 , G06F18/2415
Abstract: 本发明涉及知识图谱补全任务技术领域，具体指一种基于大模型的知识图谱补全方法、设备及可读存储介质，包括：基于各个实体嵌入特征，构建各个实体的节点中心度函数、节点指示函数，确定所有实体的中心度数之和、节点指示函数值之和；基于各个待预测三元组的实体分布概率，构建各个待预测三元组的焦点损失函数，并结合所有实体的中心度数之和、节点指示函数值之和，构建各个待预测三元组的基于节点中心度的焦点平衡损失函数；根据预设的批次大小，构建当前批次的目标损失函数。本发明提高了大模型收敛速度、精度，提高了二阶段补全框架的推理速度、预测准确度，提高了知识图谱最终补全结果的准确率以及补全过程的处理效率。
-
公开(公告)号：CN118918445B
公开(公告)日：2025-02-14
申请号：CN202411405238.2
申请日：2024-10-10
IPC: G06V10/82 , G06N3/0455 , G06N3/09 , G06V10/22 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/80
Abstract: 本发明涉及异常决策技术领域，公开了一种基于多尺度特征融合差分的轻量化智能异常决策方法，包括选取多个正常图像作为记忆样本；获取待检测图像；获取每个记忆样本与待检测图像的多个具有不同分辨率的阶段特征，组成每个记忆样本的样本存储信息与待检测图像的实时存储信息；计算实时存储信息与每个样本存储信息之间的欧几里得距离，获取距离最小的作为目标样本存储信息与目标记忆样本；获取目标记忆样本与待检测图像在各个分辨率下的x轴、y轴卷积阶段特征，计算各个分辨率下目标记忆样本与待检测图像之间的差分信息；获取基于金字塔结构的多尺度特征差分中每一层的差分输出，进行通道拼接后，输入解码器中，获取待检测图像中的缺陷定位结果。
-
公开(公告)号：CN118799948B
公开(公告)日：2024-11-29
申请号：CN202411282724.X
申请日：2024-09-13
IPC: G06V40/16 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及半监督表情识别技术领域，公开了一种基于交叉融合与置信评估的情绪识别智能合约构建方法，包括获取基于区块链存储的面部图像，划分为有标签与无标签样本集；将所有面部图像分别输入初始图像分类模型，获取预测标签与标签置信度得分；基于每个有标签样本的交叉熵损失，得标签集合损失；将无标签样本划分为正确或错误样本；基于每个正确样本的交叉熵损失，获取集合无监督损失；基于每个错误样本的对比学习损失，获取集合对比损失；基于前述三种损失，构建模型总损失函数，训练初始图像分类模型，获取训练好的图像分类模型，输入待识别面部图像，获取多个置信度得分，以其中得分最高的所表示的情绪类型，作为待识别面部图像的预测标签。
-
Patent Agency Ranking
公开(公告)号：CN118887409A
公开(公告)日：2024-11-01
申请号：CN202411394782.1
申请日：2024-10-08
Abstract: 本发明涉及计算机视觉技术领域，尤其是指一种基于归纳偏置和动态特征聚合的深度智能分割方法，包括：构建图像智能分割模型，包括初始层、编码器、瓶颈层、解码器、空间注意力模块以及输出层；将原始图像输入至图像智能分割模型，输出分割预测图像。所述图像智能分割模型应用DConvNeXt模块，结合具有动态特征建模能力的可变形卷积v4算子与高效局部注意力机制作为令牌混合器，在有效提升模型的特征建模能力的同时，显著增强了特征表示的灵活性和动态性。本发明能够有效处理复杂图像分割任务，显著提高了在多样化应用场景中的适应性和处理复杂图像的分割精度。
-
公开(公告)号：CN117952206A
公开(公告)日：2024-04-30
申请号：CN202410358013.X
申请日：2024-03-27
Applicant: 江南大学
Abstract: 本发明涉及知识图谱补全任务技术领域，具体指一种知识图谱链路预测方法，包括：利用预编码模型得到嵌入层向量，并构建对应掩码三元组；对掩码三元组中各元素加上对应位置编码，得到对应输入序列，并将其输入至训练好的主掩码模型中，输出对应实体分类概率；根据实体分类概率，预测潜在可能实体；还包括：将嵌入层向量对应语义信息与嵌入模型对应结构信息拼接，得到融合后的头实体与关系表达，并构建对应融合掩码三元组；对融合掩码三元组中各元素加上对应位置编码，得到对应融合输入序列；本发明使用预编码方法，有效减轻模型的训练压力，提高模型的推理速度；并在输入主掩码模型前使用融合模块，保证了文本描述信息的完整性，提高了预测精确度。
-
公开(公告)号：CN119991528A
公开(公告)日：2025-05-13
申请号：CN202510466455.0
申请日：2025-04-15
IPC: G06T5/90 , G06N3/0464 , G06T5/60 , G06T7/00
Abstract: 本发明公开了基于全局与局部注意力及细节增强的智能检测方法，具体涉及工业视觉智能检测技术领域，通过输入样本经过冻结参数的预训练的编码器提取多阶段特征，之后使用瓶颈层融合多尺度语义信息，之后馈送到多阶段重建网络；重建网络的每个阶段由多个FE模块串联，其中一个FE模块为重建组件，重建组件由全局和局部注意力模块SGL和细节增强模块DEH构成；全局和局部注意力模块SGL接收前一个FE模块或前一重建阶段的输出作为输入，提取全局和局部语义信息，输出的结果通过细节增强模块DEH进行细节增强以提高重建质量。
-
公开(公告)号：CN119130825A
公开(公告)日：2024-12-13
申请号：CN202411225594.6
申请日：2024-09-03
Applicant: 江南大学
Abstract: 本发明提供一种基于视觉状态空间模型的图像融合方法、系统、计算机设备和存储介质，属于图像处理技术领域。其中方法包括对红外图像和可见光图像分别进行图像分块，得到多个二维图像块；将多个二维图像块转换为一维序列；对一维序列进行特征提取，得到红外光图像和可见光图像融合前的特征；将融合前的特征输入至多个3x3卷积核中，得到第一融合图像；将第一融合图像输入至包括多个视觉状态空间模块堆叠的解码器，输出得到第二融合图像，以作为最终的融合图像。本发明能够保留红外图像的热信息和可见光图像的细节信息，提高融合图像质量。
-
公开(公告)号：CN118797448B
公开(公告)日：2024-11-15
申请号：CN202411284257.4
申请日：2024-09-13
IPC: G06F18/241 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06F18/10 , G06F18/2131 , G06F123/02
Abstract: 本发明涉及机器故障诊断技术领域，公开了一种基于迁移学习的多尺度智能决策方法，包括：获取源域与目标域中的机械故障振动时序长信号，构建源域训练集与目标域训练集；在源域训练集中，对时序分信号进行预处理后，提取时域特征与频域特征，并映射为低维时域特征与低维频域特征；计算特征之间的互相关矩阵，构建互相关损失函数，来训练编码器，获取源域优化时域信号编码器，并迁移至目标域，与初始分类器，组成初始多尺度智能决策模型；对目标域时序分信号进行预测，与其真实标签，构建交叉熵损失函数，训练获取目标多尺度智能决策模型；将实时采集的机械故障振动时序长信号，预处理后分别输入目标多尺度智能决策模型中，获取对应的故障类别。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.05 seconds)
