-
公开(公告)号：CN114707497A
公开(公告)日：2022-07-05
申请号：CN202210326124.3
申请日：2022-03-30
Applicant: 北京工业大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06F16/35
Abstract: 本发明涉及一种基于多源词典的交叉Transformer中文医疗命名实体识别方法。本发明加入多源词典信息，通过特征提取模块，分别提取通用词汇增强的文本特征和医疗词汇增强的文本特征。然后，通过交叉Transformer模块，将上一步得到的2种特征进行交互增强，并动态的进行融合。最终，使用融合后的文本特征来一起预测中文医疗文本中的实体。该方法可以同时使用通用词典信息和医疗领域词典信息，来提升词典和实体之间的匹配率。
-
公开(公告)号：CN114549492A
公开(公告)日：2022-05-27
申请号：CN202210183020.1
申请日：2022-02-27
Applicant: 北京工业大学
Abstract: 一种基于多粒度图像信息内容的图像质量评价方法，属于计算机视觉领域。针对图像局部纹理信息的质量评价模块，首先将单颗花粉图像集合中每张花粉颗粒图片针对不同方向进行纹理特征的提取，然后平均加权求和求每张花粉颗粒图片的总纹理特征分数，其次将其纹理评价指标平均加权求和作为单颗花粉基于图像纹理内容信息的质量评价得分，之后将所有花粉颗粒得分进行平均加权求和作为基于图像局部纹理信息的质量评价得分。最终，我们将图像全局内容信息的质量分数和图像局部纹理信息的质量分数进行加权求和来得到花粉图片的最终得分。本发明更关注花粉颗粒质量的效果，比以往只考虑基于粗粒度的图像内容信息质量评价结果更加准确。
-
公开(公告)号：CN113724196A
公开(公告)日：2021-11-30
申请号：CN202110807424.9
申请日：2021-07-16
Applicant: 北京工业大学
Abstract: 本发明提供一种图像质量评价方法、装置、设备及存储介质，方法包括获取包括有花粉颗粒的待检测图像；计算所述待检测图像的第一质量分数；确定所述待检测图像中的所述花粉颗粒；基于所述花粉颗粒，分割所述待检测图像，得到至少一个目标检测图像；计算所述至少一个目标检测图像对应的第二质量分数；基于所述第一质量分数和所述第二质量分数，评价所述待检测图像的质量。本发明用以解决现有技术不能精确评价花粉图像的质量的缺陷，以能够实现精确评价花粉图像的质量。
-
公开(公告)号：CN113723470B
公开(公告)日：2024-08-27
申请号：CN202110908383.2
申请日：2021-08-09
Applicant: 北京工业大学
IPC: G06N3/084 , G06N3/0464 , G06T5/50 , G06T5/60
Abstract: 本发明提供一种融合多层信息的花粉图像合成方法、装置及电子设备，该方法包括：获取通过扫描同一花粉内容得到的与焦平面对应的多层花粉图像；计算多层花粉图像各自的真实感知分数，将多层花粉图像分为多对图像，在每对图像中进行真实感知分数大小的对比，并将对比结果作为标签；将每对图像和标签输入孪生神经网络进行处理，得到多层花粉图像的质量分数排序信息；将多层花粉图像及其质量分数排序信息输入条件生成对抗网络进行处理，得到合成的花粉图像。本发明达到了在合成过程中充分融合图像的深度信息、保留重要信息和提高多层信息利用率的目的。
-
公开(公告)号：CN117974993A
公开(公告)日：2024-05-03
申请号：CN202311262483.8
申请日：2023-09-27
Applicant: 北京工业大学
IPC: G06V10/26 , G06V10/25 , G06V10/762
Abstract: 本发明提供了一种集成二维最优分割的三维图像分割方法，针对像素级别标签收集费时又费力的问题。类激活映射图通过简单地将类激活映射上采样到输入图像的大小，可以识别与特定类别最相关的图像区域。然而，类激活映射方法通常具有两方面问题：一是目标激活不足，即仅覆盖对象的最有区别的部分；二是背景激活过度，指激活了背景区域，导致激活不正确。因此，在二维图像分割层面，本发明首先采用弱监督方法来缓解像素级别标签难以获得的问题。其次，本方法充分考虑了传统无监督方法具有先验知识指导的优势，最终结合两种方法将二者获得的鉴别性区域进行充分融合、优势互补，可以弥补上述类激活映射两个问题的缺点，获得二维层面的最优分割结果。
-
Patent Agency Ranking
公开(公告)号：CN115546466A
公开(公告)日：2022-12-30
申请号：CN202211201019.3
申请日：2022-09-28
Applicant: 北京工业大学
IPC: G06V10/24 , G06V10/25 , G06V10/764 , G06V10/80
Abstract: 一种基于多尺度显著特征融合的弱监督图像目标定位方法，属于计算机视觉领域。为了解决小目标图像ROI标注工作繁杂、CAM激活不足两个问题，本发明重点关注优化弱监督下分类网络输出类激活图的研究。本发明涉及两个层面的信息融合：①由于卷积神经网络中最底层的特征图语义信息弱但位置信息强，故可与最高层特征图进行融合得到分类网络最终的特征图；②由于分类网络对不同尺度ROI的敏感度不同，其得到的类激活图也有所不同，所以融合不同激活图中互补的对象信息能够完善图像中目标区域的定位，进而产生更准确的伪标签用于分割任务。
-
公开(公告)号：CN118114668A
公开(公告)日：2024-05-31
申请号：CN202410172746.4
申请日：2024-02-07
Applicant: 北京工业大学
IPC: G06F40/295 , G06N3/045 , G06N3/084 , G06N3/09
Abstract: 一种基于多粒度和图注意力网络的文档级实体关系抽取的方法，涉及自然语言处理技术的实体关系抽取领域。首先获取文档文本，得到文档中标注好的实体及其相关信息，并构建一个情感参考词表；然后基于文档的层次结构，利用多粒度思想，将文档分为段落、句子、实体等不同的层次，从而构建层次图；基于层次图和图注意力网络，分别进行同粒度节点之间以及不同粒度节点之间的信息交互和更新，然后使用多头注意力机制整合所有粒度节点信息；最后依据整合后的信息进行该文档的实体关系抽取。本发明充分利用文档的层次结构信息，使用图注意力网络在层次图中传递和聚合信息，更全面的捕捉并融合文本中信息，进而有效提高实体关系抽取的准确率。
-
公开(公告)号：CN118038113A
公开(公告)日：2024-05-14
申请号：CN202311351593.1
申请日：2023-10-18
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/762 , G06V10/44 , G06V10/80 , G06N3/0464
Abstract: 本发明提供了一种基于区域关系引导的图像分类方法。本发明包括四个模块：(1)经过CNN模型提取单个图像级特征，获得单个图像级特征矩阵；(2)首先经过CNN模型提取单个图像级特征；其次需要构造相似目标的图表征：基于上述图像级表示特征进行K‑means聚类，获得关键目标的聚类质心，最后通过GCN模型生成关键目标的关系矩阵；(3)在融合模块中，利用矩阵融合的方式将特征提取模块得到的特征矩阵和关系学习模块得到的关系矩阵深度融合；(4)在图像分类器模块，将上述融合后的图像特征输入分类器中的池化操作、归一化、交叉熵损失的三个流程，得到最终的图像分类预测结果。本发明有效解决了类间相似目标之间难以辨别的问题。
-
公开(公告)号：CN116934775A
公开(公告)日：2023-10-24
申请号：CN202310821345.2
申请日：2023-07-06
Applicant: 北京工业大学
IPC: G06T7/11 , G06T5/00 , G06T5/20 , G06T5/40 , G06V10/762 , G06V10/80 , G06T3/40 , G06N3/0464 , G06N3/0895
Abstract: 一种基于噪声指数指导的多尺度半监督目标分割方法，属于计算机视觉领域，针对现有的单一传统分割方法鲁棒性不强、特征捕获能力有限，以及深度学习方法U‑Net对上下文信息关注不足、全监督方法像素级标注复杂的问题。本发明涉及两个层面的信息融合：由于单一的传统分割方法特征捕获能力有限，因此可以融合多种传统方法得到更加准确的伪标签；由于深度学习网络U‑Net对上下文信息关注不足，可以在每个阶段的跳跃连接融合不同尺度的下采样特征图，这样融合的特征图将会携带多尺度背景信息，并保存细粒度目标位置信息，进而使网络关注更重要区域。
-
公开(公告)号：CN116503637A
公开(公告)日：2023-07-28
申请号：CN202310164383.5
申请日：2023-02-24
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/75 , G06V10/80 , G06V10/82 , G06N3/048 , G06N3/047 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 一种融合序列关系的图像分类方法，属于计算机视觉领域。连续的序列图像显现的图像特征变化可能表现出一定的规律性，在实际应用对序列图像分类时也需要通过观察完整的序列变化来完成。现有的序列图像分类方法只关注单张的图像特征，忽略了图像序列之间的上下文关系，从而对序列图像的分类结果造成很大影响。本发明针对此问题，设计了一种融合序列上下文关系特征的图像分类方法，在关注单张图像特征信息的基础上，更针对性地关注序列图像的上下文信息，结合单张图像和序列关系两方面的信息得出最后的分类结果。我们提出的流程和解决方案具有全面学习序列图像信息的效果，比以往只独立考虑单张图像信息更加准确。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.029 seconds)
