-
公开(公告)号：CN113486667B
公开(公告)日：2024-03-05
申请号：CN202110846235.2
申请日：2021-07-26
IPC: G06F40/295 , G06F40/284 , G06F40/211 , G06F18/25 , G06F18/214 , G16H10/60
Abstract: 本发明提供了一种基于实体类型信息的医疗实体关系联合抽取方法，包括对医疗文本数据集进行预处理；将训练数据句子中的每一个词转化成对应的词向量，构建词嵌入层；根据医疗文本的词向量表示，获取具有特征信息的文本特征向量表示；通过分层的指针标注方法，并融合实体类型信息，抽取出医学文本中的关系三元组。本发明将实体类型信息加入到医疗实体关系联合抽取训练模型中，实体类型信息与上下文信息对于关系抽取模型同样重要，融合了实体类型信息的模型使得实体与关系之间的依赖性更强，联系更为紧密，增强了实体关系抽取模型的性能；基于分层的指针网络模型，将关系建模为主语到宾语的映射，较好的处理医疗文本数据中存在的实体关系重叠问题。
-
公开(公告)号：CN113486667A
公开(公告)日：2021-10-08
申请号：CN202110846235.2
申请日：2021-07-26
IPC: G06F40/295 , G06F40/284 , G06F40/211 , G06K9/62 , G16H10/60
Abstract: 本发明提供了一种基于实体类型信息的医疗实体关系联合抽取方法，包括对医疗文本数据集进行预处理；将训练数据句子中的每一个词转化成对应的词向量，构建词嵌入层；根据医疗文本的词向量表示，获取具有特征信息的文本特征向量表示；通过分层的指针标注方法，并融合实体类型信息，抽取出医学文本中的关系三元组。本发明将实体类型信息加入到医疗实体关系联合抽取训练模型中，实体类型信息与上下文信息对于关系抽取模型同样重要，融合了实体类型信息的模型使得实体与关系之间的依赖性更强，联系更为紧密，增强了实体关系抽取模型的性能；基于分层的指针网络模型，将关系建模为主语到宾语的映射，较好的处理医疗文本数据中存在的实体关系重叠问题。
-
公开(公告)号：CN113487599A
公开(公告)日：2021-10-08
申请号：CN202110846238.6
申请日：2021-07-26
Abstract: 本发明提供了一种结合空洞卷积和高效率网络的骨龄检测方法，包括构建骨龄识别数据集，对现有手骨数据集进行处理；根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。本发明的结合空洞卷积和高效率网络的骨龄检测方法，利用空洞卷积和高效率网络结合提升模型的准确率。
-
公开(公告)号：CN115587979A
公开(公告)日：2023-01-10
申请号：CN202211233514.2
申请日：2022-10-10
Applicant: 山东财经大学 , 临沂大学 , 山东九德智能科技有限公司
IPC: G06T7/00 , G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明提供了一种基于三阶段注意力网络的糖尿病视网膜病变分级的方法,包括两部分，一是构建针对糖尿病视网膜病变分级任务的三阶段网络模型，该模型可以将复杂的糖尿病视网膜病变五分类任务拆分成特定的二/三分类任务，使具有特定病变的类别由特定的模型进行分类，有利于提升整体分级的准确性。二是在三阶段模型中分别加入注意力模块，其中设计了一种非局部空间注意力模块，该模块可以使模型具有兼顾上下文信息且对病变的空间位置信息敏感，可以有效的将易混淆类别进行准确分类，从而提升每个阶段模型的准确率和整体模型的分类效率。
-
公开(公告)号：CN114004753B
公开(公告)日：2022-07-01
申请号：CN202111043544.2
申请日：2021-09-07
Abstract: 本发明提供了一种基于GAN网络的融合NDCT噪声的低剂量CT循环多次降噪方法，包括S1：构建低剂量CT图像和正常剂量CT图像的样本集；S2：训练预测CT图像噪声的网络；S3、S4：对LDCT图像进行初步降噪；S5：除去NDCT图像中的噪声；S6：通过两个生成对抗网络（WGAN）分别对时域和频域上的CT图像进行训练；S7：对两个WGAN的目标函数进行优化，得到更优的降噪效果。通过本发明的技术方案，本发明内容主要包括两部分，一是对LDCT进行粗粒度处理，为下一步减轻负担；二是利用频域变化可以分离图像的细节信息和结构信息的特点，使用双域联合降噪对LDCT进行进一步细粒度处理，目的是提高降噪效果的同时弥补降噪过程所导致的边缘模糊、部分细节丢失的不足。
-
Patent Agency Ranking
公开(公告)号：CN113312918B
公开(公告)日：2022-05-17
申请号：CN202110647232.6
申请日：2021-06-10
IPC: G06F40/295 , G06F16/33 , G06K9/62 , G06N3/04
Abstract: 本发明提供了一种融合部首向量的分词和胶囊网络法律命名实体识别方法，其特征在于,具体包括以下步骤：S1：分词；S2：构建法律数据集；S3：提取句间特征；S4：提取句子内部特征H；S5：将语料句子内部特征和句间特征联合表示。通过本发明的技术方案，提升词向量的表征能力，使特征提取阶段不需要繁杂的网络，结构就能得到丰富的上下文信息，提升了小规模领域标注数据集上的分词效果，帮助NER任务进行数据预处理，找到准确的实体边界，增强模型在法律领域的适应性，能够在具有特殊实体表示形式和构词方法的法律领域实现精度较高的命名实体识别结果。法律领域的命名实体识别可以在智能司法中起到重要的帮助作用，帮助提取文本中的关键信息。
-
公开(公告)号：CN115587979B
公开(公告)日：2023-08-15
申请号：CN202211233514.2
申请日：2022-10-10
Applicant: 山东财经大学 , 临沂大学 , 山东九德智能科技有限公司
IPC: G06T7/00 , G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明提供了一种基于三阶段注意力网络的糖尿病视网膜病变分级的方法,包括两部分，一是构建针对糖尿病视网膜病变分级任务的三阶段网络模型，该模型可以将复杂的糖尿病视网膜病变五分类任务拆分成特定的二/三分类任务，使具有特定病变的类别由特定的模型进行分类，有利于提升整体分级的准确性。二是在三阶段模型中分别加入注意力模块，其中设计了一种非局部空间注意力模块，该模块可以使模型具有兼顾上下文信息且对病变的空间位置信息敏感，可以有效的将易混淆类别进行准确分类，从而提升每个阶段模型的准确率和整体模型的分类效率。
-
公开(公告)号：CN113128624B
公开(公告)日：2023-06-16
申请号：CN202110525279.5
申请日：2021-05-11
IPC: G06V10/26 , G06V40/16 , G06V10/80 , G06V10/82 , G06V10/74 , G06V10/762 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于多尺度字典的图网络人脸恢复方法,包括S1多尺度语义成分离线字典构建模块；S2根据人脸解析图生成人脸语义成分库；S3提取每个语义成分的多尺度特征，生成多尺度的人脸语义成分特征库；S4构建多尺度人脸语义成分字典；S5：建图像降级模型，生成低质量人脸数据集；S6：对的数据预处理，重复S2‑S3；S7：查询字典，获得与相似的语义成分，保存；S8图模型构建；S9语义特征融合。通过本发明的技术方案，本发明面向社会多监控场景下人脸图像低质量的问题，采用离线字典查询来构建图模型和特征融合操作来实现人脸细节恢复。具体实施时，本发明技术方案可采用计算机软件技术实现自动运行流程。
-
公开(公告)号：CN113128467B
公开(公告)日：2022-03-29
申请号：CN202110510886.4
申请日：2021-05-11
Abstract: 本发明提供了一种基于面部先验知识的低分辨率人脸超分辨与识别的方法,包括S1：数据集构建；S2：对进行人脸超分辨，并由此得到映射矩阵；S3:构建特征提取器，分别将和映射到公共空间；S4：获得相对应的个映射矩阵；S5：获取图像的先验知识，得到多个超分辨结果；S6：分别将和经过映射到公共空间，并将其类别分配给；S7：最后产生人脸超分辨与识别结果。通过本发明的技术方案，本发明内容主要包括两部分，一是训练低分辨率和高分辨率组成的人脸对数据集；二是同时将分辨率和高分辨率的人脸同时映射到公共空间来训练一个非线性转换器，目的是提高低质量人脸图像识别的准确性。
-
公开(公告)号：CN113312918A
公开(公告)日：2021-08-27
申请号：CN202110647232.6
申请日：2021-06-10
IPC: G06F40/295 , G06F16/33 , G06K9/62 , G06N3/04
Abstract: 本发明提供了一种融合部首向量的分词和胶囊网络法律命名实体识别方法，其特征在于,具体包括以下步骤：S1：分词；S2：构建法律数据集；S3：提取句间特征；S4：提取句子内部特征H；S5：将语料句子内部特征和句间特征联合表示。通过本发明的技术方案，提升词向量的表征能力，使特征提取阶段不需要繁杂的网络，结构就能得到丰富的上下文信息，提升了小规模领域标注数据集上的分词效果，帮助NER任务进行数据预处理，找到准确的实体边界，增强模型在法律领域的适应性，能够在具有特殊实体表示形式和构词方法的法律领域实现精度较高的命名实体识别结果。法律领域的命名实体识别可以在智能司法中起到重要的帮助作用，帮助提取文本中的关键信息。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.026 seconds)
