-
公开(公告)号：CN100542117C
公开(公告)日：2009-09-16
申请号：CN200710131394.4
申请日：2007-08-31
Applicant: 安徽大学
Abstract: 本发明基于复杂网络商空间模型的路径搜索方法，特征是先利用等价关系对网络进行逐步粗化分类，构成递阶商空间链，得到每个节点的分层编号的商空间模型；然后在商空间模型中找到要搜索的起点和终点的分层编号，根据对应递阶商空间链中从细到粗的商空间，从最后一个编号开始比较，从粒度最粗的商空间开始搜索两点的连通路径，接着在较粗的商空间中搜索细的商空间，一直到最细的商空间为止，根据任意两节点的分层编号可以直观的发现两节点的“最佳路径”的路径分布状况，根据其递阶商空间链可以找出网络中任意两节点的“最佳路径”；再依据该模型从最粗的商空间开始搜索两点的连通路径，逐步细化，一直到搜索到最细的商空间，搜索出“最佳路径”。
-
公开(公告)号：CN118587551A
公开(公告)日：2024-09-03
申请号：CN202410225946.1
申请日：2024-02-29
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06V10/82 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/25 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种面向遥感图像旋转目标检测的高精度知识蒸馏方法，其中方法包括S1、构建教师模型和学生模型；S2、计算学生模型分类损失函数值和回归损失函数值；S3、获得各特征层多尺度信息融合特征；S4、利用教师模型构建分类掩码和定位掩码；S5、计算学生模型特征层蒸馏损失函数值和输出层蒸馏损失函数值；S6、计算总损失函数值，优化学生模型。本发明通过利用教师模型的分类和回归信息，构建掩码来捕获教师模型特征重要区域；通过构建特征权衡模块，协调注意力特征和原始特征的比重，让学生模型可以学习目标多尺度的知识，从而保证学生模型轻量化后的精度，减少模型参数量、计算量和推理时间。
-
公开(公告)号：CN115049603B
公开(公告)日：2024-06-07
申请号：CN202210633745.6
申请日：2022-06-07
Applicant: 安徽大学
IPC: G06V10/26 , G06V20/70 , G06V10/44 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/09 , G06N3/048
Abstract: 本发明提供一种基于小样本学习的肠息肉分割方法及系统，系统包括：收集训练样本，获取测试样本，将训练样本和测试样本分别再次划分为支持集和查询集；构建特征提取模块来提取支持图像和查询图像的特征信息；构建多级原型学习模块来学习支持图像中的多级目标原型并使其引导查询图像来寻找疑似目标区域；构建全局信息交互模块使得支持图像和查询图像进行充分的信息交互，使查询图像与支持图像的特征层次和对比度相似；构建神经网络，利用训练样本训练该神经网络，优化网络参数，得到神经网络模型；将测试样本输入至上述模型中，经计算输出肠息肉分割图像。解决了分割精度低、依赖充分训练及过度依赖用户交互的问题。
-
公开(公告)号：CN117994092A
公开(公告)日：2024-05-07
申请号：CN202311626771.7
申请日：2023-11-30
Applicant: 安徽大学 , 安徽省安全人工智能研究院 , 合肥瑞徽人工智能研究院有限公司
Abstract: 本发明公开了一种基于实体内部关系和学习曲线理论的认知诊断方法。包括以下步骤：S1，分别构建学生、习题和概念这三个实体内部的关联关系图；S2，构造学生图、构造习题图，并构造概念图；S3，聚合上述三个实体的关系图信息，得到学生向量、习题向量、概念向量；S4，学习曲线理论的建模；S5，利用融合器来融合学生向量、习题向量、概念向量和学习曲线理论向量，并输出两个向量——学生掌握向量和习题难度向量[；S6，计算损失函数值，进行模型优化。本发明显著提高了模型的精确度和表征能力，能够更好地捕捉实体之间的复杂关联，可以更准确地表征学生对概念的掌握程度。同时，引入猜测因子，使模型更加贴合实际的教育场景。
-
公开(公告)号：CN115565013A
公开(公告)日：2023-01-03
申请号：CN202211297190.9
申请日：2022-10-21
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于半监督学习的心肌梗死图像分割方法及系统，所述方法包括：收集轧增强的心肌梗死磁共振图像数据集进行数据处理得到数据增强的训练数据集；构建编码器，将经过数据增强的训练数据集输入到编码器；构建主解码器和两个辅助解码器；构建鉴别器；将上述编码器的输出端分别与主解码器以及两个辅助解码器连接，鉴别器与主解码器的输出端连接，从而构建半监督心肌梗死神经网络分割模型，训练模型，总损失最小时得到训练好的模型；将实时采集的轧增强的心肌梗死磁共振图像输入到上述训练好的模型中，得出心肌梗死分割图像；本发明的优点在于：分割结果相对准确，训练过程快，充分利用大量无标签数据。
-
Patent Agency Ranking
公开(公告)号：CN110175224B
公开(公告)日：2022-09-30
申请号：CN201910476853.5
申请日：2019-06-03
Applicant: 安徽大学
IPC: G06F16/33
Abstract: 本发明公开了基于语义链接异构信息网络嵌入的专利推荐方法及装置，方法包括：1)、针对专利数据库中的每个专利，将与所述专利的文本相似度最高的、前第一预设数量个顺序次序对应的专利作为语义链接，且所述专利数据库中包括被审查专利；2)、根据所述语义链接关系和著录项目信息来构建所述专利数据库对应的异构信息网络，并使用边将异构信息网络中的各个节点连接；3)、获取所述异构信息网络中各个专利节点的特征向量；4)、获取各个节点的特征向量与被审查专利对应专利节点的特征向量之间的余弦相似度，将余弦相似度最高的、前第二预设数量个顺序次序对应的专利作为被审查专利的待推荐专利。应用本发明实施例，可以使推荐的专利更准确。
-
公开(公告)号：CN114037008A
公开(公告)日：2022-02-11
申请号：CN202111305905.6
申请日：2021-11-05
Applicant: 安徽大学
IPC: G06K9/62
Abstract: 本发明公开一种基于属性连边的多粒度属性网络嵌入的节点分类方法及系统，针对输入网络，构建结构网络，并选属性高相似的节点对，提出属性连边构建属性网络；调整网络结构及属性权重，将二者进行融合并将网络中的拓扑结构和节点属性信息进行划分得到粗化网络，重复划分过程得到一系列粗化属性网络，矩阵分解获取各粒度属性网络的初始节点低维向量表示，通过频谱传播优化初始表示，得到该粒度的节点特征表示；拼接各个粒度的节点特征表示并送入分类器完成节点分类。属性连边首先进行聚类，继而采用阈值进行处理，明显加快属性处理的速度，同时通过快速的划分得到粒化模型来缩小网络规模，并学习节点表示，进而总体上加快节点分类的速度。
-
公开(公告)号：CN108153899B
公开(公告)日：2021-11-02
申请号：CN201810029393.7
申请日：2018-01-12
Applicant: 安徽大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06K9/62
Abstract: 本发明公开了一种智能化文本分类方法，包括：根据预设的训练语料建立语料库，每个训练语料对应一个文本类别；根据训练语料库中的训练语料进行训练，生成词类别贡献度特征表示向量；结合最大化差异算法和TF‑IDF算法对预测文本进行特征词选择，得到文本特征词；结合文本特征词和词类别贡献度特征表示向量，生成文本类别贡献度表示向量；根据文本特征向量对预测文本进行分类，得到预测文本的类别。
-
公开(公告)号：CN111861772A
公开(公告)日：2020-10-30
申请号：CN202010678380.X
申请日：2020-07-15
Applicant: 安徽大学
IPC: G06Q50/00 , G06K9/62 , G06F16/953
Abstract: 本发明提供了一种基于局部结构的密度最大化重叠社团发现方法，包括：步骤A：将待划分社团抽象成由节点连接成的抽象网络；步骤B：获得每个节点的度，以度最大的节点及其邻居节点构建初始化社团中；步骤C：对剩余节点重复步骤B，直到抽象网络中不存在未划分的节点；步骤D：依次判断小社团中的节点能否添加到大社团中，对初始化社团进行扩张；步骤E：对扩张后的社团判断是否满足合并条件，将满足合并条件的社团进行合并，输出社团划分结果。本发明还提供了基于上述方法的系统。本发明的优点在于：通过种子节点的选取确定初始化社团，根据社团扩张的结果判断能否合并，提高社团划分结果的准确性和扩张效率。
-
公开(公告)号：CN111831758A
公开(公告)日：2020-10-27
申请号：CN202010850921.2
申请日：2020-08-21
Applicant: 安徽大学
Abstract: 本发明涉及一种基于快速的层次属性网络表示学习的节点分类方法及装置，包括以下步骤：S1、构建网络G0；S2、得到一系列网络规模逐渐减小的层次属性网络；S3、获取低维向量表示；S4、获取层次属性网络节点特征；S6、将层次属性网络节点特征和标签送入到分类器中，预测未知类别的节点的标签。本发明先构建网络G0，并网络G0中的拓扑结构和节点的属性信息进行划分得到网络G1，重复划分过程，得到一系列网络规模逐渐减小的层次属性网络，层次属性网络表示方法能够很好的保留网络结构和属性信息及不同粒度的信息，从而提高节点分类的性能。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.033 seconds)
