-
公开(公告)号：CN120011593A
公开(公告)日：2025-05-16
申请号：CN202510072981.9
申请日：2025-01-17
Applicant: 安徽大学
IPC: G06F16/783 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/09 , G06F16/78
Abstract: 本发明涉及计算机视觉技术领域，具体涉及基于双重语义对齐的视频时刻检索和高光检测方法，包括：利用视觉编码器和文本编码器分别提取视觉特征和文本特征；对视觉特征和文本特征进行交叉注意力运算得到联合特征；利用编码器和解码器对联合特征进行处理，编码器输出用于高光检测，解码器输出用于时刻检索；基于显著性对比学习实现片段级语义对齐；基于时刻中心距离实现时刻级语义对齐；采用匈牙利算法进行二分匹配，将预测时刻与真实时刻建立最优对应关系；联合优化高光检测损失和时刻检索损失更新编码器、解码器参数。本发明通过显著性对比学习方法和中心距离回归方法进行双重语义对齐，实现更准确地高光检测以及输出更准确的时刻检索。
-
公开(公告)号：CN111310768B
公开(公告)日：2023-04-18
申请号：CN202010063895.9
申请日：2020-01-20
Applicant: 安徽大学
Abstract: 本发明属于图像处理技术领域，具体涉及基于鲁棒性背景先验和全局信息的显著性目标检测方法。该方法包括以下步骤：构建待检测图像的超像素标签矩阵；构建待检测图像的超像素权重矩阵；筛选瞬态节点和吸收节点；构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；构建马尔科夫转移矩阵的显著性特征图；根据权重矩阵，计算超像素点的前背景概率；构建鲁棒性背景先验显著特征图；将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。本发明整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。
-
公开(公告)号：CN103854074B
公开(公告)日：2016-10-12
申请号：CN201410114812.9
申请日：2014-03-25
Applicant: 安徽大学 , 国网安徽省电力公司电力科学研究院 , 安徽继远电网技术有限责任公司
Abstract: 本发明公开了一种基于IOWA算子组合预测模型的输电线路覆冰预测方法及系统，通过小波分解将冰灾影响因素与覆冰数据逐个分解，求得小波系数和尺度系数；利用小波系数和尺度系数得到影响因素概貌序列及细节序列、覆冰质量概貌序列及细节序列和覆冰厚度概貌序列及细节序列，逐个对各气象因素与输电线路因素进行非线性回归得到覆冰厚度及质量的拟合方程；对这些方程建立基于IOWA算子的组合预测模型，求得组合预测加权向量和诱导值序列，产生覆冰质量及厚度的概貌预测值序列和细节预测值序列，求得小波系数和尺度系数；再采用小波重构算法得到覆冰厚度及质量的预测值序列。本发明的覆冰预测方法及系统，具有速度快、外推性好、结果比较可信等优点。
-
公开(公告)号：CN119938999A
公开(公告)日：2025-05-06
申请号：CN202510033168.0
申请日：2025-02-25
Applicant: 安徽大学
IPC: G06F16/906 , G06F16/901 , G06N3/042 , G06N3/048
Abstract: 本发明公开一种用于学术网络的模糊节点消歧方法，节点特征预处理与图结构增强模块对学术网络的节点进行预处理并构建图结构，通过邻接矩阵对图结构进行增强，将增强图输入模糊节点识别模块动态生成注意力权重，使用注意力权重对邻居节点的特征进行加权聚合生成目标节点的特征表示，识别模糊节点；所有模糊节点都输入至对比学习与节点表示优化模块，来消除模糊节点的歧义性，实现节点优化；优化后的节点输入至GNN节点表示学习与分类模块进行学习，最终完成节点的分类任务。本发明通过引入注意力机制，解决了现有技术在正负样本选择的适应性和局部与全局信息融合方面的不足。
-
公开(公告)号：CN119745399A
公开(公告)日：2025-04-04
申请号：CN202411756841.5
申请日：2024-12-03
Applicant: 安徽大学
IPC: A61B5/374 , A61B5/00 , G06F18/241 , G06F18/25 , G06F18/2131 , G06N3/042
Abstract: 本发明公开一种基于多尺度时空图注意力融合网络的癫痫检测方法，对脑电信号预处理得到时域数据，构建结构完全相同的宏观多尺度融合模块和微观多尺度融合模块；将时域数据进行序列分解得到脑电信号的宏观变化序列和微观变化序列；宏观变化序列输入宏观多尺度融合模块进行时序特征提取，同时微观变化序列输入微观多尺度融合模块进行时序特征提取；两类变化序列分别进行降采样操作、使用图注意力机制进行逐层特征提取；两类特征进行相加融合得到时空动态融合特征，将时空动态融合特征输入全局依赖提取模块，全局依赖提取模块使用稀疏注意机制捕捉脑电信号的全局依赖关系；使用分类器进行癫痫检测分类。将脑电信号分解为多个尺度，分别每一个尺度的脑电信号进行处理，从而避免了特征之间的相互干扰；采用稀疏注意力机制来进行建模长时间依赖。
-
Patent Agency Ranking
公开(公告)号：CN118398155B
公开(公告)日：2024-10-11
申请号：CN202410842743.7
申请日：2024-06-27
Applicant: 安徽大学
IPC: G16H15/00 , G06F40/284 , G16H30/40 , G16H50/70 , G06N3/045 , G06N3/084 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明提供一种医学报告的生成方法、模型训练方法、系统、设备及介质。训练方法包括：获取综合医学影像集和对应的医学报告集及医学概念集；将综合医学影像集输入特征提取网络，提取空域视觉特征集和频域视觉特征集；将空域视觉特征集和空域平均视觉特征、频域视觉特征集和频域平均视觉特征输入增强融合网络，获得空频域结合特征集；将空频域结合特征集输入概念预测网络，生成预测医学概念集；将预测医学概念集和空频域结合特征集输入报告预测网络，生成预测医学报告集；根据预测医学报告集和医学报告集的差异度、预测医学概念集和医学概念集的差异度，更新医学报告生成模型的参数，得到训练好的医学报告生成模型。提升了生成的医学报告的质量。
-
公开(公告)号：CN115719407A
公开(公告)日：2023-02-28
申请号：CN202310011438.9
申请日：2023-01-05
Applicant: 安徽大学
Abstract: 本发明公开一种面向大规模航拍图像的分布式多视图立体重建方法，先计算场景的稀疏点云模型和摄像机姿态，将稀疏点云模型划分为不同的区域，计算每个区域中所包含图像的深度图，为每个区域选择两幅最佳的深度图像作为初始融合视图，融合每个区域的深度图像、即可获得每个区域内的稠密点云模型，合并多个区域内的稠密点云、即可获得完整场景的稠密点云模型。本发明充分利用了大规模航拍图像之间的区域性，将大规模场景的多视图立体重建问题转化为可以在低性能计算机上求解的小规模多视图立体重建问题，既提高了三维重建的时间效率，又降低了三维重建的成本。
-
公开(公告)号：CN113284227B
公开(公告)日：2022-11-22
申请号：CN202110528870.6
申请日：2021-05-14
Applicant: 安徽大学 , 国网安徽省电力有限公司电力科学研究院
IPC: G06T17/00
Abstract: 本发明公开本发明的目的在于解决现有技术中存在的不足，先将大规模的航拍图像数据划分具有一定重叠度的子集，避免图像数据量过大导致单机版本的运动推断结构方法和系统出现内存溢出问题；其次，在分布式计算环境下不同节点上同时计算每个子集图像所对应的稀疏点云模型和摄像机参数，使得能够在有限的时间内计算出大规模场景的三维模型。本发明能够在在分布式环境下快速地计算出大规模航拍图像对应的稀疏点云模型和摄像机参数，使得基于航拍图像的高精度及快速的大规模室外场景三维重建变成可能。
-
公开(公告)号：CN119344751B
公开(公告)日：2025-04-29
申请号：CN202411897459.6
申请日：2024-12-23
Applicant: 安徽大学
IPC: A61B5/372 , A61B5/00 , G06F18/10 , G06F18/15 , G06F18/2131 , G06F18/24 , G06F18/25 , G06N3/0464
Abstract: 本发明公开一种基于自适应时空注意力与动态融合网络的癫痫预测方法，涉及脑信号预处理模块、上下文注意力编码层、远距离内容依赖网络、自适应时序状态空间建模模块和癫痫预测模块；脑信号预处理模块获得对应时域信息和频域信息和邻接矩阵；邻接矩阵视为图结构，图结构各条边的权重输入上下文注意力编码层，提取各通道间的空间特征，通过邻居节点信息的聚合和注意力动态调整权重，输出节点特征矩阵；节点特征矩阵输入远距离内容依赖网络输出全局空间特征和对应时间序列；通过自适应时序状态空间建模模块得到时空动态融合特征；时空动态融合特征输入癫痫预测模块后输出癫痫预测结果。本发明能够精准预测。
-
公开(公告)号：CN119693171A
公开(公告)日：2025-03-25
申请号：CN202411760607.X
申请日：2024-12-03
Applicant: 安徽大学
IPC: G06Q50/00 , G06F18/22 , G06N3/0464 , G06N3/0455 , G06N3/0985 , G06N3/042
Abstract: 本发明公开一种基于动态调整和邻居对比模块的网络社团划分方法，获取社交网络数据并构建原始图，图增强模块基于样本学习正负例法对原始图进行社团划分，生成两个新的增强图，将两个增强图输入共享参数的双层编码器，通过编码器分别进行特征提取，得到对应的节点特征，对节点特征输入自适应调整模块，动态调整重构，通过邻居对比模块来评估每个邻居对损失计算的贡献，计算对比损失时引入锚点相邻节点的相似度，通过对比损失和重构损失来评估模型的预测值与真实值之间差别。本发明通过引入邻居对比模块，将邻居锚点对相似度得分相加，使得模型能够更精确地区分正样本对和负样本对，从而提高了模型的聚类和预测准确性。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.02 seconds)
