-
公开(公告)号：CN113838058B
公开(公告)日：2024-03-19
申请号：CN202111182894.7
申请日：2021-10-11
Applicant: 重庆邮电大学
IPC: G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明请求保护一种基于小样本分割的医学图像自动标注方法及系统，医学图像分割的进行需要大量带标注的数据，而标注新的数据过程繁琐单一，但却又需要大量人工来进行手工标注工作，增加了数据集的成本。本发明基于小样本分割技术，提出了一种自动标注网络结构Siamese‑DCNet(孪生深层对比网络)，利用双分支结构，包括一个查询分支和支持分支，分别对未标注的图像和已经标注的图像进行初步提取特征，利用双分支所得的结果，结合已知标注，去掉标注之外不重要的信息，通过计算余弦相似度来预测一个初步的标注，并输入一个迭代优化模块，经过几次迭代的细化得到最终的标注结果。本发明仅需要少量的带标注的图像，就能够实现相同场景其他所有图像的自动标注。
-
公开(公告)号：CN114358813B
公开(公告)日：2024-05-28
申请号：CN202111433251.5
申请日：2021-11-29
Applicant: 重庆邮电大学
IPC: G06Q30/0242 , G06N3/08 , G06N3/0499 , G06N3/048
Abstract: 本发明请求保护一种基于场矩阵因子分解机改进的广告投放方法。方法为：收集广告数据并对所述广告数据进行预处理，将空值或者无用的数据进行填充或删除操作，并将连续型特征进行分桶处理为离散型特征，并进行one‑hot编码处理，并规划出训练集以及测试集；将预处理后的数据集输入到嵌入层，所述嵌入层是一层全连接神经网络，将高维稀疏的one‑hot特征转化为定长的低维稠密的特征向量；将嵌入层的输出部分分别输入到FmFM层和DNN层进行低阶特征交叉和高阶特征交叉，把FmFM和DNN层的输出进行加和并且经过sigmoid函数得到输出值，按照输出值进行广告投放，利用测试集对模型进行评估验证。本发明利用FmFM模型改进，得到更加简便的点击率预估模型，同时只需要更少的参数量可以得到更好的结果。
-
Patent Agency Ranking
公开(公告)号：CN116228368A
公开(公告)日：2023-06-06
申请号：CN202310247095.6
申请日：2023-03-15
Applicant: 重庆邮电大学
IPC: G06Q30/0601 , G06Q30/0201 , G06N3/0464 , G06N3/084
Abstract: 本发明属于广告点击率预测领域，具体涉及一种基于深度多行为网络的广告点击率预测方法，包括：获取用户和广告的相应数据信息，该相应数据信息包括用户与广告基本信息数据、广告曝光数据以及用户行为日志数据；对相应数据信息数据信息进行预处理；提取预处理后数据信息的特征，该特征包括序列特征、用户特征、广告特征以及上下文特征；将数据信息特征输入到训练好后的基于深度多行为网络的广告点击率预测模型中，得到广告点击率预测结果；本发明提出了基于动态Dropout的兴趣融合模块，该模块能够捕捉到用户行为分布的差异，有效地对用户兴趣进行融合，避免模型过拟合至某类行为表征。
-
公开(公告)号：CN114049374B
公开(公告)日：2025-05-09
申请号：CN202111315315.1
申请日：2021-11-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于迁移学习‑角点预测的图注意目标跟踪方法。方法为：(1)预训练GoogLeNet网络；(2)预处理训练集数据集；(3)冻结特征层参数；(4)通过图注意模块GAM；(5)新的特征序列被重塑为特征映射，作为全卷积网络(FCN)的输入，并分别为对象边界框的左上角和右下角输出两个概率图；(6)计算角点概率分布的期望值，得到预测框坐标；(7)利用随机梯度先发求解损失函数，对全连接层的参数进行升级优化，微调权重参、偏置参数；(8)用角点预测计算预测框位置并框出目标。本发明利用迁移学习，更快的得出更好的模型参数，同时利用角点预测，实现了分类和回归的解耦，简化了训练过程，加快整个网络速度。
-
公开(公告)号：CN114358813A
公开(公告)日：2022-04-15
申请号：CN202111433251.5
申请日：2021-11-29
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于场矩阵因子分解机改进的广告投放方法。方法为：收集广告数据并对所述广告数据进行预处理，将空值或者无用的数据进行填充或删除操作，并将连续型特征进行分桶处理为离散型特征，并进行one‑hot编码处理，并规划出训练集以及测试集；将预处理后的数据集输入到嵌入层，所述嵌入层是一层全连接神经网络，将高维稀疏的one‑hot特征转化为定长的低维稠密的特征向量；将嵌入层的输出部分分别输入到FmFM层和DNN层进行低阶特征交叉和高阶特征交叉，把FmFM和DNN层的输出进行加和并且经过sigmoid函数得到输出值，按照输出值进行广告投放，利用测试集对模型进行评估验证。本发明利用FmFM模型改进，得到更加简便的点击率预估模型，同时只需要更少的参数量可以得到更好的结果。
-
公开(公告)号：CN114049374A
公开(公告)日：2022-02-15
申请号：CN202111315315.1
申请日：2021-11-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于迁移学习‑角点预测的图注意目标跟踪方法。方法为：(1)预训练GoogLeNet网络；(2)预处理训练集数据集；(3)冻结特征层参数；(4)通过图注意模块GAM；(5)新的特征序列被重塑为特征映射，作为全卷积网络(FCN)的输入，并分别为对象边界框的左上角和右下角输出两个概率图；(6)计算角点概率分布的期望值，得到预测框坐标；(7)利用随机梯度先发求解损失函数，对全连接层的参数进行升级优化，微调权重参、偏置参数；(8)用角点预测计算预测框位置并框出目标。本发明利用迁移学习，更快的得出更好的模型参数，同时利用角点预测，实现了分类和回归的解耦，简化了训练过程，加快整个网络速度。
-
公开(公告)号：CN113838058A
公开(公告)日：2021-12-24
申请号：CN202111182894.7
申请日：2021-10-11
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于小样本分割的医学图像自动标注方法及系统，医学图像分割的进行需要大量带标注的数据，而标注新的数据过程繁琐单一，但却又需要大量人工来进行手工标注工作，增加了数据集的成本。本发明基于小样本分割技术，提出了一种自动标注网络结构Siamese‑DCNet(孪生深层对比网络)，利用双分支结构，包括一个查询分支和支持分支，分别对未标注的图像和已经标注的图像进行初步提取特征，利用双分支所得的结果，结合已知标注，去掉标注之外不重要的信息，通过计算余弦相似度来预测一个初步的标注，并输入一个迭代优化模块，经过几次迭代的细化得到最终的标注结果。本发明仅需要少量的带标注的图像，就能够实现相同场景其他所有图像的自动标注。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
