-
公开(公告)号：CN117611838A
公开(公告)日：2024-02-27
申请号：CN202311646149.2
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于自适应超图卷积网络的多标签图像分类方法，通过对图像原始数据进行预处理，使用ResNet‑101进行特征提取。随后对图像特征使用K‑近邻方法构建超图，用超图建模图像数据之间的复杂高阶关系。接着将图像特征送入自适应超图卷积神经网络，在三层超图卷积层中，(第一层与第二层之间、第二层与第三层之间)共设置两个自适应更新模块，对超图结构进行更新。由于图像特征在经过卷积后，图像数据之间的复杂联系被进一步的探索，对超图的拓扑进行更新可以提升后续特征的质量，从而提升了模型性能。最后使用全连接层来完成对图像多标签的分类任务。
-
公开(公告)号：CN117238482A
公开(公告)日：2023-12-15
申请号：CN202311394031.5
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G16H50/20 , G16H50/50 , G16H30/20 , G16H30/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/09
Abstract: 本发明公开了一种小样本场景下基于自适应边际损失的早产儿视网膜病(ROP)分期诊断方法。考虑到现实中ROP患病数据量小、标签难以获取、类间数据不平衡，以及相邻两期数据差异小导致模型无法正确进行分期分类的问题，本发明从小样本学习的角度出发，利用大量的无标签数据设定自监督学习上游任务进行模型的预训练，提升模型的泛化能力和特征提取能力，同时根据专家知识定义ROP不同期的边际值，越相似的类边际将越大，然后将边际值自适应地添加至分类模型的损失函数中去，强迫模型学习那些细微的类间差异，将相似的类分的更开，从而提高模型的判别精度，完成ROP分期诊断任务，为ROP分期诊断提供了一种新的方法。
-
公开(公告)号：CN117236784A
公开(公告)日：2023-12-15
申请号：CN202311394238.2
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06Q10/0639 , G06Q10/047 , G06Q50/06
Abstract: 近年来，随着技术进步和移动网络的普及，在线社交网络成为我们日常生活的重要方面。一些用户在社交网络上的影响往往大于其他用户。寻找有影响力的用户/节点以利用网络中的特定信息的过程称为影响力最大化。有多种潜在应用，包括网络免疫、流行病管理、药物设计、疾病或谣言的传播以及病毒营销。这些影响最大化问题是NP‑hard问题，因此不能采用精确的方法。一些启发式策略已被建议作为解决特定应用程序上下文的潜在解决方案。然而现有方法存在局限性，因为它们在对有影响的节点进行排序时仅考虑局部结构等单节点拓扑，而忽略了全局结构等节点之间的连通性，从而导致评估结果不准确。因此，为找到解决这个问题的方法，必须设计了一种基于电势的复杂社会网络影响力节点识别方法，将局部性和全局性等拓扑因素考虑在内。通过考虑两个节点之间的度和距离，我们提出了一种新的中心性，它从电势公式中汲取灵感，以便根据局部性和全局性等拓扑因素确定影响节点。
-
公开(公告)号：CN117891938A
公开(公告)日：2024-04-16
申请号：CN202311646148.8
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F16/35 , G06F40/194 , G06F18/23213 , G06F18/22
Abstract: 本发明公开了一种基于最小哈希和数据流的大规模相似文本聚类方法。首先将原始文本数据转化为byte类型数据，然后提取数据块的k‑shingle，映射成哈希值，使用转置函数生成最小哈希签名，根据得到的哈希签名进行初始化聚类空间，随后开始进行数据流聚类，数据按照类顺序与类中心进行雅可比相似度计算。同时，考虑到时间的进行，类中心可能发生变化，设计数据块雅可比相似总和来对类中心进行更新。
-
公开(公告)号：CN117612010A
公开(公告)日：2024-02-27
申请号：CN202311646156.2
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于鸟瞰图流时序协同感知的测绘数据融合方法，通过采集得到的异步数据，生成感兴趣的ROI区域，并在收到不同时间戳的其他智能体的协作消息后，经过两个关键步骤：相邻时间戳ROI匹配和BEV流估计，生成鸟瞰图流图，以纠正由于异步而导致的特征不对齐。之后通过流图和映射的特征，实现数据融合，再按照数据质量评估标准进行评估，得到一个最终的异步数据融合结果。
-
Patent Agency Ranking
公开(公告)号：CN117411696A
公开(公告)日：2024-01-16
申请号：CN202311407722.4
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H04L9/40 , G06F18/24 , G06F18/2321 , G06N3/0895 , G06F21/55
Abstract: 基于人工智能(AI)的传感器在解释来自各种行业的数据，包括工业物联网(IIoT)和移动设备中起着至关重要的作用。本发明展示了一个适应性的、基于原型的半监督学习框架，专为处理不断演变的IIoT数据流中的入侵检测而设计。该发明解决了IIoT数据处理中的两个重要挑战：概念漂移，即输入特征与目标变量之间的关系随着时间的推移而变化；以及概念演变，即数据流中新类别的出现。提出的框架采用了一种新颖的分类器，引入了一种独特的数据抽象方法，这种方法在多个粒度级别创建动态原型，总结数据流并有效地捕获本地数据分布。这种分类器在迅速处理数据、基于最新信息做出实时决策方面，独具优势，其能力在动态的物联网环境中至关重要。该模型的一个重要特性是其能够适应本地概念漂移并直观地检测出新出现的入侵攻击，它会自动确定原型随时间的重要性，使模型能够快速适应底层数据分布的变化。这种快速适应减少了由于概念漂移导致的数据分布变化对模型性能的下降。此外，还引入了一种主动学习技术，大大减少了手动标记的需求，同时保持甚至提高了模型的性能。
-
公开(公告)号：CN117370735A
公开(公告)日：2024-01-09
申请号：CN202311393691.1
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F18/10 , G06F18/23 , G06F18/2413 , G06N3/0895 , G06N5/022
Abstract: 本发明提出了一种可适应的基于传感器数据流的人类活动识别框架，涉及使用在线学习和主动学习进行HAR。与传统方法不同，在线学习将数据视为一个持续流动的数据流，使系统能够持续学习并适应变化，如个人活动模式的变化或传感器测量的转变。大多数传统的HAR方法假定人工数据注释或标记，这可能非常耗时和挑战性。为了解决这个问题，我们引入主动学习，该算法主动选择训练实例。主动学习可以查询用户关于模糊活动的信息，有效地引导学习过程，使用更少的标记数据实例，简化注解过程。因此，该发明的重要贡献是将在线学习和主动学习引入基于传感器的HAR方法，可能提高适应性和效率，并减少劳动强度。这种方法考虑到环境或用户行为的动态变化，并优化了注释过程，使得HAR在现实世界的应用中更有效。
-
公开(公告)号：CN117237686A
公开(公告)日：2023-12-15
申请号：CN202311397171.8
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/762 , G06V10/80 , G06V10/82 , G16H30/00 , G06T9/00
Abstract: 本发明公开了一种基于自编码器的肠癌全视野数字切片聚类方法。考虑到肠癌患者的多种患病因素，希望能进一步挖掘肠癌患者全视野数字切片中的潜在模式，从而提高对于肠癌患病因素的分析、预防和诊断能力。故本发明从自编码器的无监督特性以及强大的模式提取能力的角度出发，首先收集肠癌患者的全视野数字切片(WSI)，将WSI网格化分割为多个patches，进行一定的数据清洗和增强后，再在每个patch上利用自编码器进行模式挖掘，将学习到的隐变量作为每个patch的表征，对多个patches的表征进行融合，形成原始WSI的整体表征，最后利用无监督聚类算法对每个WSI的整体表征进行聚类，最终打上聚类标签，得到聚类结果。故本发明从肠癌患者全视野数字切片聚类的角度出发，挖掘增加病人患病概率的潜在因素，为肠癌医学分析、预防和诊断提供了一种新的方法。
-
公开(公告)号：CN115859620A
公开(公告)日：2023-03-28
申请号：CN202211534229.4
申请日：2022-12-02
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于多头注意力机制和图神经网络的径流重建方法。首先收集流域内与径流相关的影响特征，然后构建特征与径流对应的图数据集，设计基于多头注意力机制的图神经网络模型，根据得到的重建模型就可以进行缺失值填充。同时，考虑到GCN在关注空间特征时会忽略某些时间特征，所以加入TCN先提取时间特征，提高了模型捕获有效时间特征的能力，减少了对于流域内部水文物理机制的依赖性，有效扩大了模型的适用范围。
-
公开(公告)号：CN115757309A
公开(公告)日：2023-03-07
申请号：CN202211534851.5
申请日：2022-12-01
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F16/174 , G06N3/08 , G06F18/23 , G06N3/0464
Abstract: 本发明公开了一种基于回归孪生神经网络压缩友好度量学习的文件压缩方法。首先将需要将压缩文件生成固定大小的切片，构建用于训练与测试的文件切片数据集，通过深度度量学习获得具有“类内相似，类间不相似”特性的隐表征，根据隐表征进行谱聚类，合并同类的文件切片，实现文件的高压缩比压缩。同时，考虑到需要进行存储压缩的数据结构复杂，所以谱聚类的方式，谱聚类的过程对数据结构没有太多的假设而且可以通过构造稀疏的相似图，使得在更大的数据集上有更快的聚类速度。此外，本发明使用以无标签数据驱动的深度压缩友好度量与聚类的方法，减少了对数据标签的需要，有效的扩大了模型的适用范围。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.051 seconds)
