公开(公告)号：CN114169327A

公开(公告)日：2022-03-11

申请号：CN202111531412.4

申请日：2021-12-14

Applicant: 桂林电子科技大学

Inventor： 张乐乾 ,  刘晴 ,  林威 ,  张云涛 ,  沈世铭 ,  张锎锎 ,  蒋世祺

IPC: G06F40/289 ,  G06F40/30

Abstract: 本发明涉及自然语言处理技术领域，具体涉及一种基于LSTM的分词方法及系统；包括传输模块、标号模块、提取模块、比对模块和分析模块，标号模块与传输模块连接，提取模块与标号模块连接，比对模块与提取模块连接，分析模块与比对模块连接，并与传输模块连接，通过传输模块将文本信息传入标号模块内，标号模块对文本进行标号，提取模块对标号后的文本进行提取，比对模块对提取后的文本进行比对，分析模块对比对后的文本进行分析，从而根据文本的含义提取出关键词，进而使检索的效果好。

公开(公告)号：CN116468930A

公开(公告)日：2023-07-21

申请号：CN202310213457.X

申请日：2023-03-07

Applicant: 桂林电子科技大学

Inventor： 林威 ,  李玉鑑 ,  刘晴

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种利用辅助数据集和格拉姆矩阵的汽车异类检测方案，该方案包括以下几个步骤：建立汽车训练数据集、非汽车辅助训练数据集和测试数据集；预处理数据并构建卷积神经网络，在训练数据集和辅助数据集上进行预训练；计算网络各层的Gram矩阵，作为该层单类支持向量机(OSVM)的输入，并根据各层OSVM的正确率，选择其中最高的作为整个系统的异类检测分类器。这种方案提高了卷积神经网络对汽车异类检测的精度，同时增强了系统的鲁棒性和泛化能力。

公开(公告)号：CN115880668A

公开(公告)日：2023-03-31

申请号：CN202211598380.4

申请日：2022-12-13

Applicant: 桂林电子科技大学

Inventor： 林威 ,  李玉鑑

IPC: G06V20/58 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明公开了一种基于卷积神经网络针对车辆识别任务中异类检测方案，本方包括建立车辆的训练数据、非车辆的辅助训练数据集，以及测试数据集，并对数据增强与预处理，建立卷积神经网络，然后对该网络进行训练；接着，计算出该网络各层的Gram矩阵，由此计算出该网络各层的特征相关系数的范围；最后给该网络输入测试数据集，并计算出当前输出的特征相关系数与上述范围的偏差值，通关该偏差值的大小进行异类输入的检测。该方案在不影响原系统对车辆识别正确率的情况下，提高了卷积神经网络检测异类样本的能力。该方案可以获得优于传统方法对车辆异类检测的效果。在实际应用中，能提高诸如交通车辆识别系统等模型的抗干扰能力和泛化能力。

公开(公告)号：CN114281865A

公开(公告)日：2022-04-05

申请号：CN202111589757.5

申请日：2021-12-23

Applicant: 桂林电子科技大学

Inventor： 张乐乾 ,  张钰 ,  林威 ,  张云涛 ,  刘晴 ,  甘国宁 ,  蒋世祺

IPC: G06F16/2458 ,  G06F16/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及学习技术领域，具体涉及一种基于CNN和LSTM的深度学习数据挖掘方法，包括如下步骤，依次登记入职者的基本信息，得到本地原始数据包；将本地原始数据包数据进行预处理，建立本地字符信息库；建立以大数据为基础的CNN‑LSTM的算法模型；对CNN‑LSTM算法模型机芯训练，并进行测试；采用测试完成的CNN‑LSTM算法模型进行数据挖掘，得到数据反馈，提高了数据挖掘的准确性和便捷性，能够更便捷地获取学习信息，进一步完善方法系统，促进学习效果。

公开(公告)号：CN118229577A

公开(公告)日：2024-06-21

申请号：CN202211570626.7

申请日：2022-12-08

Applicant: 桂林电子科技大学

Inventor： 张云涛 ,  林威 ,  刘晴

IPC: G06T5/73 ,  G06T3/4046 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082

Abstract: 本发明公开了一种基于动态卷积神经网络的轻量级自适应图像去模糊方法，包括：获取目标模糊图像，目标模糊图像的第一下采样图像和第二下采样图像；将目标模糊图像，第一下采样图像和第二下采样图像输入至训练好的轻量级自适应图像去模糊模型中，得到目标模糊图像对应的清晰去模糊图像；其中，轻量级自适应图像去模糊模型包括：多尺度自适应特征提取模块、三维注意力编码模块、三维注意力解码模块和多尺度自适应特征融合模块。本发明公开的轻量级自适应图像去模糊方法能运用在成本和时间敏感的场景如移动设备、车辆和机器人等，并且可以几乎实时获得高质量的去模糊图像。