-
公开(公告)号：CN115774787A
公开(公告)日：2023-03-10
申请号：CN202211392439.4
申请日：2022-11-08
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06F16/36 , G06F40/295 , G06F40/14 , G06F40/242 , G06Q10/10 , G06Q50/26 , G06N3/0464
Abstract: 本公开还提供了一种投诉事件自动流转的方法、装置、电子设备及存储介质。本公开的投诉事件自动流转方法，包括：获取待转派的投诉事件；对投诉事件的内容信息预处理，以获得投诉事件的文本特征；从基于部门知识图谱构建的层次结构树的根节点开始，执行如下处理，直到当前节点的子节点为层次结构树的叶子节点时停止：当前节点具有两个或两个以上的子节点时，基于当前节点对应的分类器对投诉事件的文本特征处理以确定当前节点标签，并将文本特征转入对应当前节点标签的子节点；当前节点具有唯一的子节点时，直接将文本特征转入当前节点的子节点；在当前节点的子节点为层次结构树的叶子节点时，将当前节点所指示的部门确定为投诉事件的转派部门。本公开能够实现投诉事件的自动流转。
-
公开(公告)号：CN119168830A
公开(公告)日：2024-12-20
申请号：CN202411311688.5
申请日：2024-09-20
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06Q50/26 , G06Q10/0631 , G06F16/35 , G06N3/0455 , G06N3/0475 , G06F18/10 , G06F18/27 , G06N3/047 , G06F18/22 , G06N3/048
Abstract: 一种基于生成式模型和分层训练的热线文本智能转派方法，针对诸如12345民生服务热线等的特殊文本数据进行文本分类，主要包括：文本预处理、模型训练和模型推理三部分。基于生成式模型通过相同标签数据配对进行了数据增广，将少量标签的样本多样化，从而有效缓解了数据不平衡的问题。提出分层训练模型，并且在训练低层级部门对应的模型时，数据集中会包含前一层级的部门信息，使模型更专注当前层级的部门信息以及与上一层级部门的关联性，改善了由于部门流转途径过长而导致的幻觉问题。为每个层级单独训练模型，实现了对热线文本的智能转派。
-
公开(公告)号：CN114332517B
公开(公告)日：2024-11-01
申请号：CN202111506192.X
申请日：2021-12-10
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/762 , G06V10/774 , G06V40/10
Abstract: 本公开提供了一种无监督行人重识别模型的建立方法，包括：使用图像样本数据集在源域上进行训练，获得源域模型；在目标域创建协作网络与联合网络，将源域模型的模型参数迁移至目标域，对协作网络及联合网络进行初始化；将图像样本数据集分别输入至第一临时平均模型和第二临时平均模型，获得两组图像样本，分别提取样本特征，获取两组图像样本的样本特征的平均样本特征；对图像样本数据集进行聚类处理，获得聚类中心和伪标签；对图像样本数据集进行图像样本数据集分割处理，分割为信赖集和噪声集；对联合网络以及协作网络进行交替训练，获得训练后的无监督行人重识别模型。本公开还提供了一种无监督行人重识别方法、电子设备及可读存储介质。
-
公开(公告)号：CN114882521B
公开(公告)日：2024-09-13
申请号：CN202210333714.9
申请日：2022-03-30
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/096
Abstract: 本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。
-
公开(公告)号：CN116844011A
公开(公告)日：2023-10-03
申请号：CN202310823910.9
申请日：2023-07-06
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/80 , G06V10/74 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08 , G06F40/284 , G06F40/211
Abstract: 本公开提供了一种图像描述文本的生成方法，包括：对目标图像的网格特征进行处理，构建关于目标图像的多个伪区域特征，其中伪区域特征用于表征目标图像的局部视觉信息；分别对网格特征和伪区域特征进行编码增强处理，获得融合有多层图像编码结果的网格增强特征和融合有多层局部编码结果的伪区域增强特征；以及对网格增强特征和伪区域增强特征进行语义解析，生成用于表征目标图像中视觉信息的图像描述文本。本公开还提供了一种图像描述文本的生成装置、电子设备及存储介质。
-
Patent Agency Ranking
公开(公告)号：CN114882521A
公开(公告)日：2022-08-09
申请号：CN202210333714.9
申请日：2022-03-30
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。
-
公开(公告)号：CN114332517A
公开(公告)日：2022-04-12
申请号：CN202111506192.X
申请日：2021-12-10
Applicant: 河北工业大学 , 北京市新技术应用研究所有限公司
IPC: G06V10/762 , G06V10/774 , G06V40/10 , G06K9/62
Abstract: 本公开提供了一种无监督行人重识别模型的建立方法，包括：使用图像样本数据集在源域上进行训练，获得源域模型；在目标域创建协作网络与联合网络，将源域模型的模型参数迁移至目标域，对协作网络及联合网络进行初始化；将图像样本数据集分别输入至第一临时平均模型和第二临时平均模型，获得两组图像样本，分别提取样本特征，获取两组图像样本的样本特征的平均样本特征；对图像样本数据集进行聚类处理，获得聚类中心和伪标签；对图像样本数据集进行图像样本数据集分割处理，分割为信赖集和噪声集；对联合网络以及协作网络进行交替训练，获得训练后的无监督行人重识别模型。本公开还提供了一种无监督行人重识别方法、电子设备及可读存储介质。
-
公开(公告)号：CN111881188A
公开(公告)日：2020-11-03
申请号：CN202010772255.5
申请日：2020-08-04
Applicant: 河北工业大学 , 北京市新技术应用研究所
IPC: G06F16/2458 , G06F17/18 , G06Q10/04
Abstract: 本发明为一种基于贝叶斯算法的时间序列数据预测方法，该方法包括以下步骤：处理原始数据，从中提取实验所需要的数据信息；在由两个维度的时间信息形成的二维方格图上对提取的数据当中的事件信息进行统计，并将统计值作为观测值，生成一个包含两种时间信息以及与这两种不同的时间信息所组成的每一个时间点相对应的观测值数据框，即得到时间序列数据；与每一个时间点相对应的观测值整体上服从泊松分布，采用rw2d模型模拟时间序列数据的趋势；利用贝叶斯算法给出rw2d模型参数的先验分布信息，最后对rw2d模型参数后验分布进行估算。根据估算后的后验分布可以得出大维度时间标签下的小维度时间标签相应事件的相对风险，来提高最终预测结果的准确度。
-
公开(公告)号：CN119645874A
公开(公告)日：2025-03-18
申请号：CN202411839597.9
申请日：2024-12-13
Applicant: 北京市新技术应用研究所有限公司
IPC: G06F11/3668
Abstract: 一种可配置的缺陷和测试用例自动生成方法，用于软件测试技术领域，基于K‑means聚类算法对历史错误日志进行聚类，生成错误日志类型配置表，既实现了错误日志是否需要处理的自由配置，又实现了缺陷的自动提交，及时发现系统的瓶颈和性能问题并进行优化；同时实现了测试用例的自动生成，进一步完善了测试用例库，并使用Jenkins持续集成工具定时执行自动化测试用例，使用Allure生成测试报告，提升了测试效率以及被测系统的可控性和稳定性，同时，在持续处理系统错误日志的过程中，实现了错误日志类型库的自我完善。
-
公开(公告)号：CN110619268B
公开(公告)日：2022-11-25
申请号：CN201910727543.6
申请日：2019-08-07
Applicant: 北京市新技术应用研究所
Abstract: 一种基于时空分析与深度特征的行人再识别方法及装置，在行人再识别应用中，由于在实际的大规模视频监控场景中对行人图像进行全局搜索存在复杂性和不合理性，并且为了进一步提高识别准确率和识别速度，本发明提出结合时空信息分析和深度特征提取的方法。首先通过分析得到行人的移动速度符合γ分布，再通过该分布来对行人的时空信息作进一步分析，得到行人的时空先验概率；然后在大规模数据集上结合实际采集图像训练卷积神经网络，提取深度特征计算视觉时空概率；最后结合上述两种概率判断两幅图像是否为相同行人。实现了在实际的大规模视频监控应用场景从海量的监控或采集数据中既能有效地提高行人再识别的识别效率，又能保持较高的行人再识别精度，达到了高效准确的行人再识别效果。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.036 seconds)
