-
公开(公告)号：CN117994607A
公开(公告)日：2024-05-07
申请号：CN202410130601.8
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种视觉自注意力模型的训练方法，通过在视觉自注意力模型的主干网络中添加通道注意力机制；训练视觉自注意力模型，包括：获取多个训练样本；将当前训练样本中的输入样本输入至视觉自注意力模型中，确定多个特征向量；为多个特征向量拼接分类头向量以及可学习位置向量，得到待输入特征向量；将待输入特征向量输入至视觉编码器，得到待融合特征信息；基于多层感知机对待融合特征信息进行处理，得到预测结果；基于当前训练样本重复执行确定预测结果的次数达到预设次数阈值，将下一训练样本作为当前训练样本，直至视觉自注意力模型的准确率达到预设准确率阈值，提升了视觉自注意力模型对训练样本的学习能力，抑制模型的过拟合现象。
-
公开(公告)号：CN115984613A
公开(公告)日：2023-04-18
申请号：CN202211664362.1
申请日：2022-12-23
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06V10/40 , G06N3/0464
Abstract: 本发明公开了一种眼底图像分类方法、装置、设备和存储介质。该方法包括：获取待分类的第一眼底图像；对第一眼底图像进行预处理，获得预处理后的第二眼底图像；将第二眼底图像输入至预先训练后的图像分类网络模型中进行图像分类，图像分类网络模型用于对第二眼底图像进行细粒度特征的注意力处理，并基于处理结果进行分类；根据图像分类网络模型的输出，确定第一眼底图像对应的分类结果。通过本发明实施例的技术方案，可以实现眼底图像的自动分类，提高眼底图像分类的效率和准确性。
-
公开(公告)号：CN114626481B
公开(公告)日：2025-04-18
申请号：CN202210314022.X
申请日：2022-03-28
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F18/214 , G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F16/2458
Abstract: 本发明涉及一种基于类特征的多尺度度量少样本学习方法，包括：S1、数据预处理步骤；S2、特征嵌入步骤；S3、类特征提取步骤：通过动态路由机制融合支撑集同类的多个样本特征，并通过迭代的方式数输入向量的权重向量进行更新得到类整体特征；S4、多尺度度量步骤：通过融合三种度量准则对支撑集类特征与查询集样本之间进行相似度度量。本发明采用动态路由机制生成类整体特征，相比于直接加权平均的算法，通过该算法得到的类整体特征更具有代表性。在度量模块中，在有参网络的度量方法中引入了注意力机制，另外结合了多种度量方式的优劣，共同决定样本特征间相似度，从而得到了表现力更好的CFMMN网络模型。
-
公开(公告)号：CN113920129B
公开(公告)日：2025-04-08
申请号：CN202111089546.5
申请日：2021-09-16
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/11 , G06T5/20 , G06N3/0464 , G06V10/82 , G06V10/80 , G06V10/774
Abstract: 本发明涉及一种基于多尺度和全局上下文信息的医学图像分割方法和装置，该方法包括：获取待处理医学图像；提取待处理医学图像中的图像特征，得到特征图；学习特征图的多尺度的全局上下文信息；引导多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。本发明在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本发明还在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。
-
公开(公告)号：CN119168882A
公开(公告)日：2024-12-20
申请号：CN202411196807.7
申请日：2024-08-29
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种可见光图像和红外图像的融合方法。该方法，包括：获取目标可见光图像和目标红外图像，将所述目标可见光图像和所述目标红外图像输入预先训练的图像融合模型中，以获得第一模型融合图像和第二模型融合图像；其中，所述图像融合模型包括与所述第一模型融合图像对应的第一融合网络和与所述第二模型融合图像对应的第二融合网络；根据所述第一模型融合图像和所述第二模型融合图像确定第三模型融合图像，将所述第一模型融合图像和所述第三模型融合图像进行叠加，得到目标融合图像，增强了融合图像中的关键信息，有利于在高光照和烟雾等恶劣条件下准确识别和定位目标。
-
Patent Agency Ranking
公开(公告)号：CN117994577A
公开(公告)日：2024-05-07
申请号：CN202410132820.X
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/52
Abstract: 本发明公开了一种基于双通道特征提取网络的数据处理方法，包括：将获取到的待处理数据输入至预先训练得到的目标网络模型中进行数据分析处理；其中，目标网络模型中包括第一特征提取网络和第二特征提取网络；基于第一特征提取网络对待处理数据进行特征提取，得到第一待融合特征；以及基于第二特征提取网络对待处理数据进行处理，得到包括空洞的第二待融合特征；对第一待融合特征和第二待融合特征融合处理，得到多尺度特征，并基于多尺度特征确定注意力矩阵；基于注意力矩阵和预先设定的随机概率值，确定目标特征；通过对目标特征分析处理，确定与待处理数据相对应的数据处理结果。解决了模型过拟合的问题，提高模型预测准确度。
-
公开(公告)号：CN114626481A
公开(公告)日：2022-06-14
申请号：CN202210314022.X
申请日：2022-03-28
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F16/2458
Abstract: 本发明涉及一种基于类特征的多尺度度量少样本学习方法，包括：S1、数据预处理步骤；S2、特征嵌入步骤；S3、类特征提取步骤：通过动态路由机制融合支撑集同类的多个样本特征，并通过迭代的方式数输入向量的权重向量进行更新得到类整体特征；S4、多尺度度量步骤：通过融合三种度量准则对支撑集类特征与查询集样本之间进行相似度度量。本发明采用动态路由机制生成类整体特征，相比于直接加权平均的算法，通过该算法得到的类整体特征更具有代表性。在度量模块中，在有参网络的度量方法中引入了注意力机制，另外结合了多种度量方式的优劣，共同决定样本特征间相似度，从而得到了表现力更好的CFMMN网络模型。
-
公开(公告)号：CN114756651B
公开(公告)日：2025-02-25
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/334 , G06F16/36 , G06F40/295 , G06N5/02
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
公开(公告)号：CN118781466A
公开(公告)日：2024-10-15
申请号：CN202410870914.7
申请日：2024-07-01
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种图像处理模型的训练方法，获取多个训练样本集；对各训练样本集，将训练样本输入至第一处理模型，得到第一样本的第一损失函数、第二样本图像的第二预测结果、融合特征的样本间第一相关性；基于第一损失函数对第一处理模型进行参数更新，并对第二处理模型进行参数优化，得到待训练第二处理模型；将第二样本输入至待训练第二处理模型，得到第二样本的第三预测结果、融合特征的样本间第二相关性；基于第一损失函数、第二预测结果、样本间第一相关性、第三预测结果以及样本间第二相关性，确定目标损失函数，以对图像处理模型进行修正；在最后一次目标损失函数收敛的情况下，得到图像处理模型，提高了对图像处理模型的模型训练效果。
-
公开(公告)号：CN117993478A
公开(公告)日：2024-05-07
申请号：CN202410130275.0
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于双向知识蒸馏和联邦学习的模型训练方法、装置、电子设备及存储介质。该方法由客户端执行，包括：接收服务器发送的全局模型；对所述全局模型和位于客户端的局部模型进行双向知识蒸馏训练，得到中间全局模型；将所述中间全局模型发送至所述服务器，以使所述服务器对各客户端发送的中间全局模型进行模型聚合，得到目标全局模型。上述技术方案，提升了模型训练精度。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.029 seconds)
