-
公开(公告)号：CN115082417A
公开(公告)日：2022-09-20
申请号：CN202210814039.1
申请日：2022-07-11
Applicant: 北京字跳网络技术有限公司 , 复旦大学
Abstract: 本公开提供了一种图像质量的处理方法、装置、电子设备及存储介质。方法包括：获取待处理的原始文本图像；利用预先训练好的文本处理模型，提取原始文本图像的第一图像特征，并基于第一图像特征检测原始文本图像的目标质量缺陷类型；确定目标质量缺陷类型对应的目标增强处理策略，利用目标增强处理策略对第二图像特征进行质量增强处理，得到目标文本图像，其中，第二图像特征为原始文本图像中待进行质量增强的图像特征。本公开的方法相比现有的图像修复方法更精准的定位了图像质量增强的方式。且利用图像增强处理策略对原始文本图像进行增强，以此实现了在没有高质量文本的情况下，满足文本图像多样化的修复需求，也提高了文本图像的修复精度。
-
公开(公告)号：CN109558898A
公开(公告)日：2019-04-02
申请号：CN201811333067.1
申请日：2018-11-09
Applicant: 复旦大学
CPC classification number: G06K9/6256 , G06N3/0454 , G06N3/08
Abstract: 本发明属于机器学习技术领域，具体为一种基于深度神经网络的高置信度多选择学习方法。本发明方法中，提出了一个置信合页损失来解决专家网络过度自信的问题，防止非专家模型以高可信度进行不准确的预测；采用选择网络来学习每个专家网络的可信度，使得最终可以从多样性的预测结果这聚合一个更可靠的决策预测。本发明方法框架简单、使用方便、可扩展性强；在图像分类和图像语义分割的任务上进行实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。
-
公开(公告)号：CN1237736A
公开(公告)日：1999-12-08
申请号：CN99109122.1
申请日：1999-06-16
Applicant: 复旦大学
IPC: G06F17/00
Abstract: 本发明属信息技术领域，是一种基于∑2邻接矩阵的全文数据库模型，包括表达方式和操作方法。它用∑2邻接矩阵A和约减的扩展∑2邻接矩阵B表示全文数据库，并提出了对∑2邻接矩阵A的简单操作和布尔操作方法，以及基于约减的扩展∑2邻接矩阵B的各种查询方法。本发明与现有全文数据库模型相比，具有很强的领域独立性、时间无关性、查询完备性、较低的空间复杂性、较快的查询响应能力和良好的可操作性，因而具有广泛的应用前景。
-
公开(公告)号：CN119578541A
公开(公告)日：2025-03-07
申请号：CN202411465577.X
申请日：2024-10-21
Applicant: 复旦大学
IPC: G06N5/04 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06F18/10 , G06F18/213 , G06F123/02
Abstract: 本发明属于深度学习中的数据挖掘领域，具体为一种基于因果关系的时间序列预测系统。本发明时间序列预测方法包括：适用于时间序列数据的因果推断与增强算法；基于图注意力机制与傅里叶变换的因果‑频域注意力模块；基于多层感知机的解码器。本发明能提高现有多变量时间序列预测方法对序列变量间依赖关系的建模能力以及对长时间序列数据的特征提取能力，有效地降低预测结果的误差。
-
公开(公告)号：CN118606286A
公开(公告)日：2024-09-06
申请号：CN202410559790.0
申请日：2024-05-08
Applicant: 复旦大学
IPC: G06F16/18 , G06F40/205 , G06F40/30 , G06F40/186 , G06F40/289 , G06F18/25 , G06F18/24 , G06F18/22 , G06N3/096 , G06N5/04 , G06N3/045
Abstract: 本发明属于自然语言处理技术领域，具体为基于大语言模型的语义日志解析系统。本发明系统包括：子词特征提取模块，通过删除因果掩码使LLAMA2的结构适应解析任务，利用大语言模型的丰富知识为每个子词提取准确的特征表示；语义识别模块，基于多头交叉注意力机制，整合每个子词的特征，进而提取日志模板并预测日志参数的语义类别；解析树模块，以树形结构存储解析得到的模板，与解析过程同步构建和更新，用于加速大规模实时日志的推理过程。本发明在常规解析和语义解析数据集上均取得了满意的效果。本发明有较强的泛化性，能捕获日志的语义特征，并有效缓解了大规模日志数据下解析效率低的问题，能够为日志相关的下游任务提供有力支持。
-
Patent Agency Ranking
公开(公告)号：CN117114128A
公开(公告)日：2023-11-24
申请号：CN202310972905.4
申请日：2023-08-03
Applicant: 复旦大学
Abstract: 本发明属于机器学习技术领域，具体为一种基于超球几何结构的持续学习方法。本发明方法包括：将视觉特征投影到超球空间中，在这个较低维的嵌入空间中构建类别原型，并进行持续学习；基于超球结构，设计了基础训练方案，包括实例原型紧性损失函数来减少类间距离，以及类间原型分离损失函数来最大化类间的分离性；设计了增量学习方案，包括原型的构建和适应策略，以有效地适应新的类；以及实例原型关系保持蒸馏方案来克服灾难性遗忘的问题。以上方法在多个图像数据集上进行了实验验证，证明方法的优越性。本发明能够帮助深度学习模型在增量学习场景下的具有对未来数据更强的适应能力并且有助于克服对旧数据的灾难性遗忘问题。
-
公开(公告)号：CN116958740A
公开(公告)日：2023-10-27
申请号：CN202310832458.2
申请日：2023-07-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/0455 , G06N3/0895 , G06V10/80 , G06N3/048
Abstract: 本发明属于机器学习技术领域，具体为基于语义感知和自适应对比学习的零样本目标检测方法。本发明采用基于transformer网络的DETR作为目标检测模型框架，并引入基于注意力的语义感知模块，来缓解映射式零样本目标检测模型对已见类别的偏见；还采用基于度量学习的自适应对比损失，使模型学习到更好的特征表示，同时保持类别间的语义结构关系，进一步提升检测性能。实验结果表明，与现有方法相比，本发明在零样本目标检测任务上具有更好的性能和泛化能力，具有广泛的应用前景。
-
公开(公告)号：CN109614521B
公开(公告)日：2023-06-27
申请号：CN201811329958.X
申请日：2018-11-09
Applicant: 复旦大学
IPC: G06F16/901 , G06F16/903
Abstract: 本发明属于隐私保护技术领域，具体为一种高效的隐私保护子图查询处理方法。本发明利用k‑automorphism模型来保护属性图的结构隐私，并通过综合考虑属性的t‑closeness约束以及子图查询在图上的搜索空间来保护属性图的属性隐私，针对结构和属性隐私处理后的图，进一步提出高效的子图查询处理算法。本发明方法框架清晰、使用方便、可扩展性强，并在三个图数据集上的隐私保护和子图查询处理两大任务的结果上，都远远超过了现有方法。本发明能够为隐私保护图数据查询，图数据分析等涉及到隐私保护和图数据处理的领域，提供基础框架和算法的支持。
-
公开(公告)号：CN109543445B
公开(公告)日：2022-12-20
申请号：CN201811265074.2
申请日：2018-10-29
Applicant: 复旦大学
IPC: G06F21/62
Abstract: 本发明属于信息安全隐私保护技术领域，是一种基于条件概率分布的隐私保护数据发布方法。根据条件概率分布对攻击者的先验知识进行建模，让攻击者在不同事务中具有不同的先验知识；然后利用构建的模型和准标识符属性值，对每条记录的敏感属性值进行预测，并用预测值替换原始值后进行发布。发布的敏感属性预测值与原始值没有直接相关性，有效保护了用户数据隐私；预测的敏感属性值分布与真实的分布近似，有效控制了分布误差，确保其发布数据集比泛化及随机应答方法发布的数据集可用性更好。本发明能为医疗、金融、生信、交通等各个社会领域的数据发布提供隐私保护机制，在保护用户数据隐私的同时，为数据在科学研究和社会服务中的应用提供支撑。
-
公开(公告)号：CN112584158B
公开(公告)日：2021-10-15
申请号：CN201910945672.2
申请日：2019-09-30
Applicant: 复旦大学 , 上海哔哩哔哩科技有限公司
Abstract: 本申请实施例提供了一种视频质量增强方法，该方法包括：获取待处理的帧序列，所述帧序列包括目标帧以及与所述目标帧邻近的多个邻近帧；提取所述帧序列中各个帧的特征信息；根据所述各个帧的特征信息获取用于增强所述目标帧的参考特征信息；根据所述参考特征信息和所述目标帧，获取对应于所述目标帧的目标增强帧。本申请实施例可以有效地将有损视频恢复为高质量视频。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.03 seconds)
