-
公开(公告)号：CN108009154B
公开(公告)日：2021-01-05
申请号：CN201711385165.5
申请日：2017-12-20
Applicant: 哈尔滨理工大学
IPC: G06F40/289 , G06F40/242 , G06F16/583 , G06N3/04
Abstract: 本发明一种基于深度学习模型的图像中文描述方法属于计算机视觉与自然语言处理领域；包括准备ImageNet图像数据集和AI Challenger图像中文描述数据集；对ImageNet图像数据集利用DCNN进行预训练，得到DCNN预训练模型；对AI Challenger图像中文描述数据集进行图像特征提取和图像特征映射，传输到GRU门限递归网络循环神经网络；对AI Challenger图像中文描述数据集中的AI Challenger图像标注集进行词编码矩阵构建；利用NNLM提取词嵌入特征，完成文本特征映射；GRU门限递归网络循环神经网络作为语言生成模型，完成图像描述模型构建；中文描述语句生成；本发明弥补了图像中文描述的空白，实现自动生成图像中文描述的功能，并且在描述内容的准确性上有很好的改进，为中文NLP以及计算机视觉的发展奠定了基础。
-
公开(公告)号：CN108508278A
公开(公告)日：2018-09-07
申请号：CN201810304936.1
申请日：2018-04-03
Applicant: 哈尔滨理工大学
IPC: G01R27/26
Abstract: 基于变分模态分解和正弦波参数法的介质损耗因数测量方法和系统，属于电气设备测试技术领域。本发明为了解决现有的介质损耗因数的测量方法测量的介质损耗因数值受外界环境影响较大，处理环节较多，造成较大的测量误差。本发明包括如下步骤：步骤1、进行原始电压和原始电流的采样，并进行初步滤波处理；步骤2、对步骤1得到的电压、电流信号进行变分模态分解，提取出频率接近工频的电压基波分量和电流基波分量；步骤3、将步骤2提取出的电压基波分量和电流基波分量利用正弦波参数法进行计算，得到介质损耗因数。本发明中采用的变分模态分解算法有效的解决了模态混叠的问题，提高了算法的效率。
-
公开(公告)号：CN108460089A
公开(公告)日：2018-08-28
申请号：CN201810063815.2
申请日：2018-01-23
Applicant: 哈尔滨理工大学
Abstract: 本发明方案公开了基于Attention神经网络的多元特征融合中文文本分类方法，属于自然语言处理领域。为了进一步提高中文文本分类的准确性，本发明通过融合3条CNN通路充分挖掘文本数据在3种不同尺寸卷积核粒度下的特征；通过融合LSTM通路来体现文本数据之间的相互联系；特别地,通过融合所提出的Attention算法模型使相对重要的数据特征在中文文本类别识别过程中发挥更大的作用，从而提高模型对中文文本类别的识别能力。实验结果表明，同等实验条件下，相比于CNN模型，LSTM结构模型及其两者的组合模型，本发明提出的模型的中文文本分类准确率明显提高，能够更好的应用于对分类准确率要求高的中文文本分类领域。
-
公开(公告)号：CN108009154A
公开(公告)日：2018-05-08
申请号：CN201711385165.5
申请日：2017-12-20
Applicant: 哈尔滨理工大学
Abstract: 本发明一种基于深度学习模型的图像中文描述方法属于计算机视觉与自然语言处理领域；包括准备ImageNet图像数据集和AI Challenger图像中文描述数据集；对ImageNet图像数据集利用DCNN进行预训练，得到DCNN预训练模型；对AI Challenger图像中文描述数据集进行图像特征提取和图像特征映射，传输到GRU门限递归网络循环神经网络；对AI Challenger图像中文描述数据集中的AI Challenger图像标注集进行词编码矩阵构建；利用NNLM提取词嵌入特征，完成文本特征映射；GRU门限递归网络循环神经网络作为语言生成模型，完成图像描述模型构建；中文描述语句生成；本发明弥补了图像中文描述的空白，实现自动生成图像中文描述的功能，并且在描述内容的准确性上有很好的改进，为中文NLP以及计算机视觉的发展奠定了基础。
-
-
-
Search Results
4
records
(took 0.035 seconds)
