-
公开(公告)号：CN107909498B
公开(公告)日：2020-07-28
申请号：CN201711012863.0
申请日：2017-10-26
Applicant: 厦门理工学院
IPC: G06Q50/00 , G06F16/9537
Abstract: 基于最大化接受者操作特征曲线下方面积的推荐方法，包括如下步骤：1)构建用户的兴趣地点对集合和签到矩阵；2)构建最大化接受者操作特征曲线下方面积的目标方程；3)对目标方程进行优化，再采用随机梯度下降的方法进行求解，迭代结束后，得到最终的用户隐矩阵和兴趣地点隐矩阵；4)计算集合中的所有兴趣点对的距离，根据该距离计算邻接矩阵N；5)计算地理上下文的排序矩阵；6)根据用户隐矩阵和兴趣地点隐矩阵得到预测的排序矩阵，将其与地理上下文排序矩阵分别进行加权后相加得到最后的推荐结果。本发明的方法可以很好的应对数据稀疏问题、计算量少，具有很好的扩展性、能达到最高水平的结果。
-
公开(公告)号：CN107316063A
公开(公告)日：2017-11-03
申请号：CN201710493622.6
申请日：2017-06-26
Applicant: 厦门理工学院
IPC: G06K9/62
CPC classification number: G06K9/6272
Abstract: 本申请涉及机器学习技术领域，尤其涉及多标记分类方法、装置、介质及设备。本申请实施例中，得到各标记的原始正例集和原始负例集后，通过类对齐，确定特定属性和插入相关标记的特定属性的操作，实现了用特定属性来表示标记之间的相关关系，以便于丰富各标记的数据和语义。故此，多标记分类相对于现有技术单纯采用单标记的方法将更加准确。例如，“沙漠”和“骆驼”具有相关关系，将以骆驼为主含有少量沙漠的图片能够分类到沙漠图片中；再例如，一张图片包含的傍晚的湖水，若湖水中具有夕阳的倒影，现有技术只会将该图片分类到湖水中，但湖水中太阳的倒影又与夕阳相关，则采用本申请的方案，还可以将该图片分类到傍晚景色的分类中。
-
公开(公告)号：CN119252347B
公开(公告)日：2025-03-14
申请号：CN202411776207.8
申请日：2024-12-05
Applicant: 厦门理工学院
Abstract: 本发明提供了一种基于KAN网络和多组学数据的癌症亚型分类方法，该方法包括获取多组学数据，包括基因组学数据、转录组学和蛋白质组学数据，构建测试数据集；利用科尔莫戈洛夫‑阿诺德网络模型对多组学数据进行特征提取和整合,并进行训练，得到训练好的癌症分型模型；在模型评估阶段，采用蒙特卡洛丢弃法进行多次前向传播，以估算模型预测结果的不确定性，提升模型的鲁棒性；癌症分型预测，使用训练好的科尔莫戈洛夫‑阿诺德网络模型对多组学数据进行高精度癌症分型。本方法能够有效解决多组学数据异质性问题，提升癌症分型的准确性和鲁棒性，有助于提高个性化治疗的效果。
-
公开(公告)号：CN118898722B
公开(公告)日：2025-02-11
申请号：CN202411404225.3
申请日：2024-10-10
Applicant: 厦门理工学院
IPC: G06V10/422 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/10 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于几何基元空间感知的平面几何自动解题方法，S1将待求解的几何图示和几何题目利用解析器按预设的规则，解析成文本子句，并输入Transformer Encoder中编码；S2将几何图示图像通过卷机神经网络分成64个图示补丁特征并通过自注意力机制学习视觉模态内部特征；S3将这些模态特征输入到多模态双支路空间感知预训练语言模块中以学习跨模态全局特征和几何基元空间信息，并输入到双向GRU编码器中以执行融合编码；S4将混合编码中的文本编码送入点基元空间注意力模块中增强模型对几何基元的空间感知能力；S5将增强的混合编码由自限GRU解码器解码，并生成顺序求解程序。
-
公开(公告)号：CN108537270A
公开(公告)日：2018-09-14
申请号：CN201810300031.7
申请日：2018-04-04
Applicant: 厦门理工学院
IPC: G06K9/62
Abstract: 本发明涉及一种基于多标签学习的图像标注方法、终端设备及存储介质，在该方法中，包括以下步骤：S100：提取实例的所有标签，通过标签传播算法计算多标签训练集中每个实例对应的每个标签的标签重要性程度；S200：根据标签重要性程度对多标签训练集进行重新采样，得到训练子集；S300：计算训练子集的类属属性，根据类属属性进行分类。本发明针对图像标注领域的多义性和海量图像等问题，通过多标签学习来对图像进行标记，通过利用训练样例隐含的相对标签重要性程度的信息来构建更有效的类属属性，通过该方法，不同的标签能够构建出与之对应的更有效的类属属性，在类属属性上构建该标签的分类模型，能够取得更好的图像分类效果。
-
Patent Agency Ranking
公开(公告)号：CN119252347A
公开(公告)日：2025-01-03
申请号：CN202411776207.8
申请日：2024-12-05
Applicant: 厦门理工学院
Abstract: 本发明提供了一种基于KAN网络和多组学数据的癌症亚型分类方法，该方法包括获取多组学数据，包括基因组学数据、转录组学和蛋白质组学数据，构建测试数据集；利用科尔莫戈洛夫‑阿诺德网络模型对多组学数据进行特征提取和整合,并进行训练，得到训练好的癌症分型模型；在模型评估阶段，采用蒙特卡洛丢弃法进行多次前向传播，以估算模型预测结果的不确定性，提升模型的鲁棒性；癌症分型预测，使用训练好的科尔莫戈洛夫‑阿诺德网络模型对多组学数据进行高精度癌症分型。本方法能够有效解决多组学数据异质性问题，提升癌症分型的准确性和鲁棒性，有助于提高个性化治疗的效果。
-
公开(公告)号：CN118606849A
公开(公告)日：2024-09-06
申请号：CN202410511896.3
申请日：2024-04-26
Applicant: 厦门理工学院 , 福建火炬电子科技股份有限公司
IPC: G06F18/2433 , G06F18/10 , G06F18/214 , G06F40/186 , G06F40/177
Abstract: 本申请提出了一种陶瓷电容检测与分析报告自动化生成方法，包括：S1、按照统一的时间戳采集初始数据，初始数据为待测陶瓷电容的性能指标数据，并对初始数据进行预处理；S2、利用多维时间序列异常检测可解释性方法对预处理后的初始数据进行AI训练，得到检测分析模型，检测分析模型由基于深度学习异常检测方法及可解释性方法搭建；S3、利用检测分析模型对经过预处理的初始数据进行分析；S4、根据选择的报告样式生成分析报告并输出。该方法能够利用多维时间序列异常检测可解释性方法自动对陶瓷电容的检测数据进行异常检测分析，生成一份详尽且精确的分析报告，还可以展示生成的陶瓷电容检测与分析报告和提供用户交互功能。
-
公开(公告)号：CN113674292B
公开(公告)日：2023-08-01
申请号：CN202110941684.5
申请日：2021-08-17
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G16H30/20 , G06T7/00
Abstract: 本发明公开一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，包括：对已确诊的骨髓瘤显微图像中的部分骨髓瘤细胞实例进行标注，生成第一轮骨髓瘤细胞实例分割数据集；使用第一轮骨髓瘤细胞实例分割数据集对骨髓瘤细胞实例分割模型进行第一轮深度学习训练；使用第一轮深度学习训练后的模型对未标注的骨髓瘤细胞实例进行分割，生成第二轮骨髓瘤细胞实例分割数据集；使用第二轮骨髓瘤细胞实例分割数据集对第一轮训练后的模型进行第二轮深度学习训练；使用第二轮深度学习训练后的模型对其他骨髓瘤显微图像的骨髓瘤细胞实例进行分割。本发明的骨髓瘤细胞实例分割方法，降低了人工分割骨髓瘤细胞的标注成本，且具有较高的分割召回率。
-
公开(公告)号：CN114969401A
公开(公告)日：2022-08-30
申请号：CN202210496291.2
申请日：2022-05-09
Applicant: 厦门理工学院
IPC: G06F16/51 , G06F16/532 , G06F16/583 , G06V10/44 , G08G1/017
Abstract: 本发明提供了一种图像识别系统，包括图像输入模块、车标识别模块、轮廓识别模块、数据库、角度分析模块、计算处理模块和检索模块，所述图像输入模块用于接收需要识别的图像并存储，所述轮廓识别模块用于识别图像中的车辆轮廓，所述车标识别模块用于识别图像中的车标部分，所述角度分析模块根据所述车辆轮廓分析得到图像的拍摄角度，所述计算处理模块根据拍摄角度和车辆轮廓计算出车辆的特征数据，所述数据库用于存储各种车辆的特征数据，所述检索模块根据车标以及计算出的特征数据与数据库中特征数据的对比情况查找出图像中车辆的具体型号；本系统能够对不同拍摄角度下的车辆图片识别出对应的型号，具有普适性。
-
公开(公告)号：CN113674292A
公开(公告)日：2021-11-19
申请号：CN202110941684.5
申请日：2021-08-17
Abstract: 本发明公开一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，包括：对已确诊的骨髓瘤显微图像中的部分骨髓瘤细胞实例进行标注，生成第一轮骨髓瘤细胞实例分割数据集；使用第一轮骨髓瘤细胞实例分割数据集对骨髓瘤细胞实例分割模型进行第一轮深度学习训练；使用第一轮深度学习训练后的模型对未标注的骨髓瘤细胞实例进行分割，生成第二轮骨髓瘤细胞实例分割数据集；使用第二轮骨髓瘤细胞实例分割数据集对第一轮训练后的模型进行第二轮深度学习训练；使用第二轮深度学习训练后的模型对其他骨髓瘤显微图像的骨髓瘤细胞实例进行分割。本发明的骨髓瘤细胞实例分割方法，降低了人工分割骨髓瘤细胞的标注成本，且具有较高的分割召回率。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.027 seconds)
