-
公开(公告)号：CN110689089A
公开(公告)日：2020-01-14
申请号：CN201910968185.8
申请日：2019-10-12
Applicant: 电子科技大学 , 电子科技大学广东电子信息工程研究院
Abstract: 本发明公开了一种用于深度学习多类别医疗图像分类的主动增量训练方法，包括以下步骤：1、对医疗图像数据集进行初步数据清洗与预处理；2、随机选择初始数据，对网络模型进行初始训练；3、测试数据集中其余样本，得到预测分数与病变类别的对应；4、对数据集中剩余样本进行十字扩充，并对候选样本进行主动筛选；5、进行进一步的数据集清洗；6、对模型进行增量训练；7、对增量训练后的模型进行测试，如果准确率已经稳定则结束训练，否则重复步骤4到步骤7。本发明对增强主动学习方法AIFT做出了改进，解决了数据不平衡导致的医疗图像分类困难、训练效率低等问题；也解决了深度学习在病变分类领域应用效果不佳的问题，提高了对医生诊断病情的辅助作用。
-
公开(公告)号：CN119886352A
公开(公告)日：2025-04-25
申请号：CN202411984710.2
申请日：2024-12-31
Applicant: 电子科技大学
IPC: G06N5/04 , G06N5/045 , G06F18/25 , G06F18/2413 , G06F18/2415 , G06N3/0455 , G06N3/0895
Abstract: 本发明提供了一种基于深度学习的对话意图理解和解释文本生成方法，包括训练过程和预测过程，在训练过程，首先获取样本数据并进行预处理，接着通过预训练的多模态编码器提取特征向量，然后通过投影对齐特征向量，并输入到语言模型的隐藏层，得到分类结果，最后通过自批评学习方法训练生成模型，基于分类类别优化输出文本，得到和场景等多模态数据紧密相关的解释生成文本；在预测过程，在获取多模态样本并进行预处理后，通过预训练的多模态编码器将数据嵌入到统一向量空间，然后输入嵌入向量到训练完成的可解释的多模态意图识别模型，模型的分类部分得到意图类别，生成部分得到自然语言生成的意图解释。本发明实现了在意图分类的同时生成解释文本。
-
公开(公告)号：CN119129732A
公开(公告)日：2024-12-13
申请号：CN202411285243.4
申请日：2024-09-13
Applicant: 电子科技大学
IPC: G06N5/025 , G06F18/25 , G06V10/40 , G06V20/70 , G06F40/126 , G06F40/30 , G06N3/0455 , G06N3/047 , G06N3/0475 , G06N7/01 , G06N3/084 , G06N3/09
Abstract: 本发明涉及多模态关系抽取技术领域，公开了一种基于媒介的注意力机制的多模态关系抽取方法，解决了现有方法诸如模态对齐噪声、跨模态融合差异、文本相对位置信息的保留以及分类标签的独特性等问题。通过整合对比学习和变分自编码器约束，该方法最小化了无关噪声，并优先考虑了对多模态关系抽取至关重要的语义数据。为了提高模型的性能和训练效果，通过联合多个优化目标来训练模型，包括单模态自编码、对齐损失、观察者损失、关系抽取损失、InfoNCE损失、CRF损失以及重构损失等。执行多模态关系抽取任务时，直接利用训练好的模型对新的多模态数据进行预测，并通过评分函数计算所有候选关系的得分，最终选择得分最高的作为关系抽取的结果。
-
公开(公告)号：CN119128739A
公开(公告)日：2024-12-13
申请号：CN202411104896.8
申请日：2024-08-13
Applicant: 电子科技大学
IPC: G06F18/2433 , G06F18/25 , G06F18/214 , G06N5/025 , G06F16/43 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于检索增强生成的多模态事实核查方法。其中，所述方法包括：获取待核查多模态事实，其中，待核查多模态事实包括多媒体的信息和/或事实文本的信息，多媒体包括事实图像和事实视频；在待核查多模态事实满足检索增强生成条件的情况下，通过检索增强生成模型对输入的待核查多模态事实进行检索，确定待核查多模态事实对应的背景知识文本；通过训练完成的目标核查模型对输入的待核查多模态事实和背景知识文本进行处理，确定待核查多模态事实对应的事实核查结果，其中，事实核查结果包括事实真实和/或事实异常。本发明技术方案，能够提高多模态事实核查的准确性和效率。
-
公开(公告)号：CN117271902A
公开(公告)日：2023-12-22
申请号：CN202311470917.3
申请日：2023-11-07
Applicant: 电子科技大学
IPC: G06F16/9535 , G06F16/25 , G06F18/22 , G06F40/30 , G06N3/042 , G06N3/0464 , G06Q10/0633 , G06Q10/10 , G06Q10/105
Abstract: 本发明涉及微服务编排技术，其公开了一种基于接口匹配的微服务编排推荐方法，提高微服务编排的推荐效果，帮助建模人员高效、准确地完成整个微服务的编排。本发明使用基于语义的方法对微服务编排数据库中的微服务的输入、输出接口的描述信息进行语义抽取，根据各个微服务的输出接口与其它微服务的输入接口之间的语义匹配，确定微服务之间的调用关系，从而构建微服务依赖关系图，在微服务依赖关系图的基础上，采用图卷积神经网络为每个微服务生成嵌入向量；在推荐时，通过计算用户已编排的当前微服务工作流的向量与微服务编排数据库中的微服务的嵌入向量的相似度，从而向用户推荐编排工作的下一步可能使用的微服务。本发明适用于微服务编排。
-
Patent Agency Ranking
公开(公告)号：CN115730058A
公开(公告)日：2023-03-03
申请号：CN202211559297.6
申请日：2022-12-06
Applicant: 电子科技大学
IPC: G06F16/332 , G06F16/33 , G06F16/338
Abstract: 本发明公开了一种基于知识融合的推理问答方法，其中，该方法包括：获取待处理问题文本中的关键实体和非关键实体，并确定关键实体对应的第一解释文本信息和非关键实体对应的第二解释文本信息；基于关键实体、非关键实体、第一解释文本信息和第二文本信息，确定与待处理问题文本对应的待使用背景知识向量；确定与待处理问题文本对应的待使用问题向量，并基于待使用问题向量和待使用背景知识向量，得到目标问题向量；确定与目标问题向量对应的至少一个候选答案实体，并根据各候选答案实体对应的答案评估属性，得到目标答案实体，以基于目标答案实体确定与待处理问题文本对应的目标答案。取到了更加准确的确定与输入问题相对应的答案信息的效果。
-
公开(公告)号：CN111858944B
公开(公告)日：2022-11-22
申请号：CN202010758075.1
申请日：2020-07-31
Applicant: 电子科技大学
IPC: G06F16/35 , G06F40/295 , G06N3/04
Abstract: 本发明涉及自然语言处理的情感分析领域，其公开了一种基于注意力机制的实体方面级情感分析方法，提高方面级情感分析的准确性。该方法包括以下步骤：S1、爬取分析对象的用户评论数据；S2、对爬取到的用户评论数据进行预处理；S3、采用基于历史感知注意力机制的属性词提取方法对评论数据进行属性词提取；S4、采用基于BERT和层次注意力机制的方面级情感分析方法获取属性词对应的方面类别及情感极性。
-
公开(公告)号：CN113705647A
公开(公告)日：2021-11-26
申请号：CN202110954044.8
申请日：2021-08-19
Applicant: 电子科技大学
Abstract: 本发明提供一种基于动态间隔的双重语义特征提取方法，属于计算机视觉特征识别技术领域。本发明方法动态通过调整类别间隔的损失函数来获取具有判别性的图像特征，即对特征和权重向量进行归一化，然后对损失函数动态的调整，来实现不同类别的不同的余弦间隔。该方法使得间隔设置更加合理，同时能在保留特征限制的同时，不增加神经网络模型优化的复杂度，与其他提出的损失函数相比，更加简单易于实现和准确。
-
公开(公告)号：CN110363134B
公开(公告)日：2021-06-08
申请号：CN201910621290.4
申请日：2019-07-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于语义分割的人脸遮挡区定位方法，涉及人脸遮挡定位方法领域；其包括步骤1：采集和扩充数据集，并对数据集进行预处理和标注；步骤2：构建包括多尺度空洞卷积模块的子网络模型；步骤3：构建端对端像素级分类的主网络模型；步骤4：训练包括步骤2所述子网络模型和步骤3所述主网络模型的语义分割模型，获取网络模型参数；步骤5：测试图像输入已训练的语义分割模型定位出遮挡的连续区域。本发明通过不同比率的空洞卷积结果融合解决下采样中空洞卷积的棋盘式丢失问题，使得网络适应不同大小的分割对象，人脸遮挡区定位采用语义分割网络使得定位遮挡区域更加细致，能够保留人脸图像中有效像素，定位出遮挡的连续区域。
-
公开(公告)号：CN112784064A
公开(公告)日：2021-05-11
申请号：CN202110117804.X
申请日：2021-01-28
Applicant: 电子科技大学
Abstract: 本发明属于知识图谱技术领域，其公开了一种面向社交网络的层次化超维知识图谱构建方法。社交网络中商品相关信息错综复杂，利用现有知识图谱难以有效转化。本发明首先分析社交网络中各类信息的组成结构，定义对应超维知识图谱架构；然后抽取出有关商品推荐的特定知识，按照其性质进行概念分层，并根据其对应关系建立层与层之间的关联映射；再将获取到的知识按照已构建的结构模式进行组织，实现多元组的转换；最后利用得到的社交网络知识图谱，结合具体用户的个人喜好信息，推荐与之匹配度较高的商品，提高了社交网络中与商品相关知识的描述和组织能力，提高了对复杂多元社交网络实体关系的表达能力，实现了对社交网络商品推荐明确、有效支撑。
-
-
-
-
-
-
-
-
-
Search Results
109
records
(took 0.032 seconds)
