-
公开(公告)号：CN118897904A
公开(公告)日：2024-11-05
申请号：CN202411388060.5
申请日：2024-10-08
Applicant: 山东大学 , 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 浙江大华技术股份有限公司 , 哈尔滨工业大学(威海)
IPC: G06F16/732 , G06F16/75 , G06F40/30
Abstract: 本发明属于自然语言处理领域，提供了一种查询语句语义树生成编码方法及系统，获取给定的查询语句，根据查询语句的完备性，对其进行分类；对于其中的不完备的查询语句，利用过程补全大语言模型进行基于思维链引导的查询过程的补全；基于完备的查询语句或补全后的查询语句，通过成分分析树提取相邻词语之间的深入语义关联，通过依存语法树提取非相邻词语的长距离关联，融合依存语法树和成分分析树，形成最终的语义树。本发明对查询语句进行完备性分类，随后利用大型语言模型自动推断和完善查询语句，从而生成能够准确反映动作中间过程的语义树，实现关键语义内容的补充，可以支持在开放场景视频中进行精准的动作检索和定位。
-
公开(公告)号：CN118897904B
公开(公告)日：2025-04-18
申请号：CN202411388060.5
申请日：2024-10-08
Applicant: 山东大学 , 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 浙江大华技术股份有限公司 , 哈尔滨工业大学(威海)
IPC: G06F16/732 , G06F16/75 , G06F40/30
Abstract: 本发明属于自然语言处理领域，提供了一种查询语句语义树生成编码方法及系统，获取给定的查询语句，根据查询语句的完备性，对其进行分类；对于其中的不完备的查询语句，利用过程补全大语言模型进行基于思维链引导的查询过程的补全；基于完备的查询语句或补全后的查询语句，通过成分分析树提取相邻词语之间的深入语义关联，通过依存语法树提取非相邻词语的长距离关联，融合依存语法树和成分分析树，形成最终的语义树。本发明对查询语句进行完备性分类，随后利用大型语言模型自动推断和完善查询语句，从而生成能够准确反映动作中间过程的语义树，实现关键语义内容的补充，可以支持在开放场景视频中进行精准的动作检索和定位。
-
公开(公告)号：CN118898797A
公开(公告)日：2024-11-05
申请号：CN202411404288.9
申请日：2024-10-10
Applicant: 山东大学 , 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 浙江大华技术股份有限公司 , 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/40 , G06V10/774 , G06V10/24 , G06V10/80
Abstract: 本发明属于视频行为片段检索技术领域。提供了一种基于常识增强的视频行为片段候选集生成方法及系统，获取查询语句和待检索视频的语义特征表示；通过跨模态交互模块对视觉特征语义表示和文本特征语义表示进行交互，融合多模态信息；预测每个视频单元被保留的概率，并依据概率保留高信息有效性的视频单元；通过视觉适配层将保留的视频帧的特征映射到图文预训练大模型的输入空间；通过插入适配层对图文预训练大模型进行微调，并构造指令指示模型完成视频行为片段候选集生成任务。本发明引入图文预训练大模型以利用其中丰富的外部知识提高对视觉内容的理解，同时兼顾了视频行为片段候选集的生成速度和精度。
-
公开(公告)号：CN118898797B
公开(公告)日：2024-12-27
申请号：CN202411404288.9
申请日：2024-10-10
Applicant: 山东大学 , 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 浙江大华技术股份有限公司 , 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/40 , G06V10/774 , G06V10/24 , G06V10/80
Abstract: 本发明属于视频行为片段检索技术领域。提供了一种基于常识增强的视频行为片段候选集生成方法及系统，获取查询语句和待检索视频的语义特征表示；通过跨模态交互模块对视觉特征语义表示和文本特征语义表示进行交互，融合多模态信息；预测每个视频单元被保留的概率，并依据概率保留高信息有效性的视频单元；通过视觉适配层将保留的视频帧的特征映射到图文预训练大模型的输入空间；通过插入适配层对图文预训练大模型进行微调，并构造指令指示模型完成视频行为片段候选集生成任务。本发明引入图文预训练大模型以利用其中丰富的外部知识提高对视觉内容的理解，同时兼顾了视频行为片段候选集的生成速度和精度。
-
公开(公告)号：CN106126973B
公开(公告)日：2018-10-02
申请号：CN201610452114.9
申请日：2016-06-21
Applicant: 哈尔滨工业大学
Abstract: 基于R‑SVM和TPR规则的基因功能预测方法，涉及一种基因功能的预测方法。本发明可以实现对基因功能的预测，能够解决采用分类算法实现基因功能预测时所存在的多标签问题以及层级约束问题。本发明首先将已知功能的基因作为训练样本，构成训练集；针对GO注释方案中的每个节点，构造正样本集和负样本集；针对GO注释方案中的每个节点，选择对该节点的功能进行分类时贡献较大的属性；通过训练得到一组R‑SVM分类器并对未知样本进行分类预测，得到一组初步R‑SVM分类结果；将分类结果转化为后验概率值，使用针对有向无环图层级结构的带权重的TPR集成算法，实现基因功能的预测。本发明适用于基因功能的预测。
-
Patent Agency Ranking
公开(公告)号：CN106126972B
公开(公告)日：2018-10-02
申请号：CN201610452113.4
申请日：2016-06-21
Applicant: 哈尔滨工业大学
Abstract: 一种用于蛋白质功能预测的层级多标签分类方法，涉及生物信息学及数据挖掘领域，尤其涉及一种用于蛋白质功能预测的层级多标签分类方法。本发明要为解决现有分类方法用于预测蛋白质功能时，存在数据集不平衡问题、多标签问题和层级约束问题。本发明所述方法按以下步骤进行：一、训练阶段：在训练阶段针对类标签层级结构中的每个节点的数据集采用一个SVM分类器进行训练，得到一组基础分类器；二、预测阶段：在预测阶段首先使用训练阶段获得的这组基础分类器得出未知样本的初步结果，而后采用带权重的TPR算法对结果进行处理，得到满足层级约束条件的最终结果，实现对蛋白质功能的预测。本发明应用于生物信息学及数据挖掘领域。
-
公开(公告)号：CN111523410A
公开(公告)日：2020-08-11
申请号：CN202010273756.9
申请日：2020-04-09
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于注意力机制的视频显著性目标检测方法。所述方法为通过静态卷积网络提取静态特征，对多帧的视频图像进行初步的空间上的特征提取；将提取到的特征送入到嵌入注意力机制的双向convLSTM模块，学习时空一致性特征的同时保持特征的结构和空间结构；在网络深层提取的特征中加入通道注意力CA模块，在网络浅层提取的不同尺度的特征中加入空间注意力SA模块；通过通道注意力CA模块指导空间注意力SA模块学习，生成检测结果，得到网络检测视频帧中的显著图像；根据生成的检测结果和真值计算损失函数，反向传递误差，更新网络参数。本发明在基于注意力机制的视频显著性目标检测方法为视频的显著性检测提供了一种新的思路。
-
公开(公告)号：CN106934173A
公开(公告)日：2017-07-07
申请号：CN201710184028.9
申请日：2017-03-24
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 本发明涉及一种基于禁忌搜索与人工势场法相结合的数字微流控芯片在线测试方法，属于数字微流控芯片故障测试领域，本发明为了解决现有的在线测试方法大多针对于定制的、具有特殊电极布局的数字微流控芯片，因而导致实际应用范围较窄的问题，针对具有规则的长方形电极布局的数字微流控芯片，提出一种基于禁忌搜索与人工势场法相结合的数字微流控芯片在线测试方法，包括：建立数字微流控芯片在线测试的数学模型；构建邻接列表；设置初始参数；计算从当前节点的可选邻域内各节点所受到的合力值，根据合力值及禁忌表选择下一节点；更新禁忌表；判断路径是否完整；判断迭代次数是否达到预设值。本发明适用于数字微流控芯片的在线测试路径优化问题。
-
公开(公告)号：CN106126972A
公开(公告)日：2016-11-16
申请号：CN201610452113.4
申请日：2016-06-21
Applicant: 哈尔滨工业大学
Abstract: 一种用于蛋白质功能预测的层级多标签分类方法，涉及生物信息学及数据挖掘领域，尤其涉及一种用于蛋白质功能预测的层级多标签分类方法。本发明要为解决现有分类方法用于预测蛋白质功能时，存在数据集不平衡问题、多标签问题和层级约束问题。本发明所述方法按以下步骤进行：一、训练阶段：在训练阶段针对类标签层级结构中的每个节点的数据集采用一个SVM分类器进行训练，得到一组基础分类器；二、预测阶段：在预测阶段首先使用训练阶段获得的这组基础分类器得出未知样本的初步结果，而后采用带权重的TPR算法对结果进行处理，得到满足层级约束条件的最终结果，实现对蛋白质功能的预测。本发明应用于生物信息学及数据挖掘领域。
-
公开(公告)号：CN111523410B
公开(公告)日：2022-08-26
申请号：CN202010273756.9
申请日：2020-04-09
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于注意力机制的视频显著性目标检测方法。所述方法为通过静态卷积网络提取静态特征，对多帧的视频图像进行初步的空间上的特征提取；将提取到的特征送入到嵌入注意力机制的双向convLSTM模块，学习时空一致性特征的同时保持特征的结构和空间结构；在网络深层提取的特征中加入通道注意力CA模块，在网络浅层提取的不同尺度的特征中加入空间注意力SA模块；通过通道注意力CA模块指导空间注意力SA模块学习，生成检测结果，得到网络检测视频帧中的显著图像；根据生成的检测结果和真值计算损失函数，反向传递误差，更新网络参数。本发明在基于注意力机制的视频显著性目标检测方法为视频的显著性检测提供了一种新的思路。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.034 seconds)
