-
公开(公告)号：CN119046461A
公开(公告)日：2024-11-29
申请号：CN202410876244.X
申请日：2024-07-02
Applicant: 电子科技大学
Abstract: 本发明提出一种基于文本扩充和标签信息融合的图网络侵权行为分类方法，该方法包括：在词嵌入与全局图信息构建模块对输入文本数据进行全局图信息构建；在双重图注意力提取模块对词级别和句子级别进行图形注意力提取；在数据池化模块对每个词语的主要特征信息进行提炼；在文本特征扩充模块对短文本进行有效扩展和丰富；在文本特征增强模块利用制作热力图对文本特征进行增强；在文本分类模块利用已增强的文本特征进行文本分类。该方法通过主题模型和TF‑IWF抽取核心词并构建核心词库，扩充丰富了文本特征信息。与此同时，该方法也通过图注意力机制将最大池化后的特征向量中有明显类别指向的单词抽出；除此以外，该方法还通过词嵌入技术将标签向量化并与文本向量进行融合，进行文本特征增强，进而提高民事侵权行为分类精度与效率。
-
公开(公告)号：CN118823348A
公开(公告)日：2024-10-22
申请号：CN202410912562.7
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G06V10/26 , G06V20/70 , G06V20/17 , G06V10/20 , G06V10/82 , G06T5/10 , G06N3/0895 , G06N3/0464 , G06N3/045
Abstract: 本发明提出了一种基于半监督的无人机航空图像分割方法。具体而言，该方法的核心创新体现在四个方面，首先是数据增强，采用基于傅里叶变换的策略，该策略通过在频域对图像进行处理，增强了模型对于图像特征的学习能力，尤其是在处理复杂背景和细节信息时的准确性。其次是，置信度优化方面改进了置信度评估方法，以更精确地处理标签不确定性。这一改进有助于模型在训练过程中减少误差传播，确保了使用高置信度标签，从而提升了学习效率和分割质量。再而是双网络预测结构，通过双网络结构的设计，算法能够并行处理图像数据，综合两个网络的预测结果。这种结构不仅提高了模型对图像特征的捕捉能力，也增强了模型在面对不同场景时的泛化能力。最后对损失函数进行了创新设计，以更好地优化模型训练过程。新的损失函数设计针对性强，旨在增强模型对不同尺度、形状目标的分割能力，以及提高前景与背景的区分效果。
-
公开(公告)号：CN113052187B
公开(公告)日：2022-08-30
申请号：CN202110307905.3
申请日：2021-03-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多尺度特征融合的全局特征对齐特征对齐目标检测技术。该发明可以进一步增强以Faster R‑CNN为代表的目标检测算法在不同应用场景下的泛化性能。以往基于全局特征对齐的目标检测技术通常存在两个问题：一是特征对齐尺度单一，且未减小由目标尺寸大小不同带来的域间差异；二是以往全局特征对齐在前景目标特征的同时，强制对齐了背景特征，影响特征对齐效果。本发明提出的基于多尺度特征融合的全局特征对齐特征对齐目标检测方法，将不同尺度的特征图进行融合，使得不同尺寸大小的目标特征一同对齐，并进行背景抑制，减少背景噪声影响，将网络注意力更多放在前景目标特征对齐上。
-
公开(公告)号：CN113052298A
公开(公告)日：2021-06-29
申请号：CN202110268146.4
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于胶囊网络的三维模型检索方法，包括：将输入的三维模型转换为离散体素形式，建立卷积神经网路，将体素化形式的三维模型作为待测数据输入到卷积神经网络模型中，卷积神经网络模型输出识别结果，即为待测三维模型的检索结果。本发明中，卷积神经网络模型中包括特征提取模块、胶囊网络模块以及全连接层。其中特征提取模块用于提取模型更多的低级特征，并且引入了尺寸和步长都较小的池化层，可以减少冗余特征；胶囊网络模块使用向量神经元保存特征空间信息，解决了传统卷积神经网络大量池化层的引入导致特征信息丢失的问题，动态路由算法优化了胶囊权重的迭代计算过程，取得了较好的识别效果。
-
公开(公告)号：CN119942370A
公开(公告)日：2025-05-06
申请号：CN202311452714.1
申请日：2023-11-03
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V20/17 , G06V10/25 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种针对无人机图像的弱小目标检测方法。该发明在目标检测方向上具有一定的通用性。针对弱小目标检测难度较大的问题，本发明提出了一个上下文感知模块利用具有可变形卷积层的特征提取器和基于非局部的全局上下文(GC)模块来共同学习局部几何信息和全局语义特征。同时使用路径增强网络(PANet)来学习多尺度特征，然后应用一个细化块，整合不同层的高级的语义信息和低级的位置信息，以此提升对目标的定位能力。在基于无人机图像的弱小目标检测上，能够达到更高的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN115034229B
公开(公告)日：2025-03-14
申请号：CN202210779228.X
申请日：2022-07-01
Applicant: 电子科技大学
IPC: G06F40/30 , G06F40/289 , G06F40/211 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于信息抽取和图模型的法律长文本相似度计算方法，所述方法包括以下步骤：从法律文本中抽取出实体和行为；用文本分类从行为中筛选出过错行为；将两个长文本中抽取出的实体和过错行为构成图模型；根据图模型中的结构和语义信息求出两个长文本的相似度。类案类判的目的为法官手头正在处理的案件寻找相似甚至相同的案件，提高判案的速度和准确性。本发明旨在更好地求解法律案件之间的相似度，解决传统方法中无法抓住案件要点的问题，为实现类案检索提供算法基础。
-
公开(公告)号：CN116433895A
公开(公告)日：2023-07-14
申请号：CN202310407513.3
申请日：2023-04-17
Applicant: 电子科技大学
IPC: G06V10/25 , G06V10/764 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于两阶段检测模型的新型检测器方法。该发明在两阶段检测模型中有一定的通用性，改进后的检测模型也可以作为一个单独的检测框架使用。为了解决传统两阶段检测模型分类任务的后续通常会发生将新类目标分类为易于混淆的基类目标的问题，本发明在检测器中附加一个对比网络来了解类内的相似性和类间的差异性，通过对比对象编码，可以减少类之间的误差。该专利中以通过消融与对比实验对该算法的可行性与可用性进行验证，以此证明本发明提出的新型检测器的可行性与合理性。
-
公开(公告)号：CN113190684B
公开(公告)日：2022-06-17
申请号：CN202110308273.2
申请日：2021-03-23
Applicant: 电子科技大学
IPC: G06F16/36 , G06F40/216 , G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明提出一种基于路径质量评估的知识图谱推理算法RLKGR‑PQD。该算法包括：改进基准算法加入路径质量评估模块并给出相应的总体框架图，然后在两组公开数据集(FB15K‑237和NELL‑995)上对基准模型和改进后的RLKGR‑PQD模型进行实验，最后实验分析验证了RLKGR‑PQD算法的有效性，实验结果表明改进算法有效地提升了查询问答中的MRR指标。
-
公开(公告)号：CN113052185A
公开(公告)日：2021-06-29
申请号：CN202110270154.2
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于Faster R‑CNN的小样本目标检测方法。本发明结合传统目标检测算法和小样本学习算法，对Faster‑RCNN网络进行了深度的改进和优化，使其适应小样本目标检测。本发明提出基于注意力的RPN模块，利用通道注意机制对不同通道特征分配不同的权重，然后将支持集特征和查询集特征进行深度互相关以生成注意力特征图，然后送入RPN网络生成候选框。本发明基于度量学习，用改进的加权原型网络替换Faster R‑CNN分类器头，提高小样本下候选区域分类准确率；本发明引入多尺度FPN模块，包含两个分支，其中一个分支与一般检测网络类似，应用于RPN层，另一分支应用于支持集图像以提取多尺度特征图，以解决小样本数据集尺度稀疏以及查询图片和支持集图片之间的尺度差异问题。
-
公开(公告)号：CN111428031A
公开(公告)日：2020-07-17
申请号：CN202010200084.9
申请日：2020-03-20
Applicant: 电子科技大学
IPC: G06F16/35 , G06F16/335 , G06F16/36
Abstract: 本发明提供了一种融合浅层语义信息的图模型过滤方法，该方法包括：将中文指称输入指称扩展方法，得到精准完整的实体指称；将实体指称作为wiki搜索的关键字段放入中文维基百科知识库中，获得实体指称的候选实体列表；将候选实体列表输入融合浅层语义信息的图模型过滤方法中，得到过滤后的候选实体列表；将过滤后的候选实体列表存入数据库，为实体消歧模块做准备。本发明通过融合浅层语义信息计算候选实体和实体指称上下文相似度获得文本相似度作为过滤算法的权重因子，并利用基于图模型出入度算法计算候选实体相关度作为过滤算法的权重因子，最后融合两个权重因子得到综合得分对候选实体进行排列，降低了实体消歧误差。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.02 seconds)
