-
公开(公告)号：CN112580701A
公开(公告)日：2021-03-30
申请号：CN202011428994.9
申请日：2020-12-09
Applicant: 哈尔滨理工大学
Abstract: 一种基于分类变换扰动机制的均值估计方法及装置，属于信息安全技术领域，该机制采用了数据变换扰动的方式，将数值型数据划分变换范围并进行分段，根据分段将其变换为一维二元分类数据；对转换后的数据使用随机响应机制进行扰动，再根据扰动后的数据标识的数值段从中随机均匀抽取数值作为扰动值；与其他方法相比，该方法在满足本地差分隐私机制的同时，在数据分析任务如均值估计中能获得较高的数据效用性，得到的模型的分类准确性要更高，性能要更好。
-
公开(公告)号：CN110782460A
公开(公告)日：2020-02-11
申请号：CN201910911292.7
申请日：2019-09-25
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于FCM融合改进蝙蝠算法的图像分割方法，该方法属于图像处理技术领域。FCM算法在算法初始化时需要认为设定聚类数、随机初始化聚类中心，致使该算法容易陷入局部最优值。为解决此类问题，本方法利用一种新的改进蝙蝠仿生算法与FCM算法相结方式。用改进的蝙蝠算法得到全局最优解来初始化FCM的聚类中心，解决了FCM算法对初始聚类中心敏感的问题。改进蝙蝠模糊聚类算法耗时少，分割结果准确。
-
公开(公告)号：CN117077672B
公开(公告)日：2024-04-26
申请号：CN202310822927.2
申请日：2023-07-05
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06F40/284 , G06F40/289 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明提出一种基于词汇增强和TCN‑BILSTM模型的中文命名实体识别方法，属于计算机自然语言技术领域。包括S1、将输入语句中的字符映射成字符表示；S2、将语句中的词汇和分词信息拼接到字符表示上，得到词汇增强后的字符表示；S3、使用预训练的BERT模型，获得输入语句中具有上下文表示的字符表示，将具有上下文表示的字符表示与词汇增强后的字符表示做拼接，得到拼接后的字符表示；S4、对拼接后的字符向量表示做特征提取，得到具有上下文信息和长距离语义信息的特征向量表示；S5、将具有上下文信息和长距离语义信息的特征向量表示输入CRF解码模型预测每个字符的实体标签。解决对于多层次语义信息识别率低的问题。
-
公开(公告)号：CN112580701B
公开(公告)日：2022-07-12
申请号：CN202011428994.9
申请日：2020-12-09
Applicant: 哈尔滨理工大学
Abstract: 一种基于分类变换扰动机制的均值估计方法及装置，属于信息安全技术领域，该机制采用了数据变换扰动的方式，将数值型数据划分变换范围并进行分段，根据分段将其变换为一维二元分类数据；对转换后的数据使用随机响应机制进行扰动，再根据扰动后的数据标识的数值段从中随机均匀抽取数值作为扰动值；与其他方法相比，该方法在满足本地差分隐私机制的同时，在数据分析任务如均值估计中能获得较高的数据效用性，得到的模型的分类准确性要更高，性能要更好。
-
公开(公告)号：CN113610183B
公开(公告)日：2022-06-03
申请号：CN202110954054.1
申请日：2021-08-19
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06K9/62
Abstract: 本发明提出了一种基于三元组多样范例集和梯度正则化的增量学习方法、计算机及存储介质，属于人工智能领域。首先，得到的预测样本特征和真实标签，并输入损失函数进行反向传播更新模型参数；其次，计算批次数据的原型表示；再其次，计算每个类别应保存的正例样本的数量和反例样本的数量；再其次，更新已有类别的范例集应存储的范例的数量；再其次，对正例集合范例集中的样本进行打分，根据样本的分数构建当前类别范例集；再其次，随机取样获得重演样本集，然后对重演样本集和批次数据中的样本进行前向传播；再其次，计算三种损失函数的梯度；最后，对三种不同梯度进行正则化，得到最终的梯度值进行反向传播更新。本发明解决了灾难性遗忘的问题。
-
Patent Agency Ranking
公开(公告)号：CN113592007B
公开(公告)日：2022-05-31
申请号：CN202110896069.7
申请日：2021-08-05
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质，属于图片检测技术领域。本发明包括首先利用图片数据增强方式对训练数据集进行数据增强，然后利用数据增强后的图片数据集训练基于图片全局特征进行识别的教师神经网络T1，利用数据增强后的图片数据集训练基于图片语义特征进行识别的教师神经网络T2，然后利用教师神经网络T1、T2，结合类别预测损失函数，特征注意力蒸馏损失函数，语义蒸馏损失函数训练学生神经网络，最后将待预测的图片输入到已训练完毕的学生神经网络中进行不良图片识别。本发明在不良图片识别问题中相比于传统方法准确率更高，识别速度更快。
-
公开(公告)号：CN113610183A
公开(公告)日：2021-11-05
申请号：CN202110954054.1
申请日：2021-08-19
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于三元组多样范例集和梯度正则化的增量学习方法、计算机及存储介质，属于人工智能领域。首先，得到的预测样本特征和真实标签，并输入损失函数进行反向传播更新模型参数；其次，计算批次数据的原型表示；再其次，计算每个类别应保存的正例样本的数量和反例样本的数量；再其次，更新已有类别的范例集应存储的范例的数量；再其次，对正例集合范例集中的样本进行打分，根据样本的分数构建当前类别范例集；再其次，随机取样获得重演样本集，然后对重演样本集和批次数据中的样本进行前向传播；再其次，计算三种损失函数的梯度；最后，对三种不同梯度进行正则化，得到最终的梯度值进行反向传播更新。本发明解决了灾难性遗忘的问题。
-
公开(公告)号：CN113592008A
公开(公告)日：2021-11-02
申请号：CN202110896070.X
申请日：2021-08-05
Applicant: 哈尔滨理工大学
Abstract: 本申请公开了一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质，属于计算机视觉技术领域。解决了现有技术中无法同时利用样本类内与类间分布情况的不足。本申请1)针对于基类数据集，依据重构损失最小化准则，训练一个自编码器，学习类内样本间的差异信息。2)将支持集的样本输入到自编码器中，为支持集生成更多的重构样本。3)将支持集的样本、重构样本和查询集样本一起训练出图神经网络，用来对查询集样本节点进行边标签的预测，进而预测节点所属的类别。本申请提高了小样本情况下模型的性能和泛化能力。
-
公开(公告)号：CN119721039A
公开(公告)日：2025-03-28
申请号：CN202411839124.9
申请日：2024-12-13
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06F16/35 , G06F40/30 , G06N3/098
Abstract: 本发明公开了基于类型引导交互的多模态命名实体识别方法和系统、电子设备及计算机可读存储介质，属于多模态命名实体识别技术领域。解决了现有技术中传统的多模态命名实体识别方法因模型难以捕获模态间语义的对应关系导致的识别结果不准确的问题；本发明通过图文对层级提取模块和实体类别提取模块，提取特征；通过类别引导的注意力模块，生成实体类别引导的文本和视觉表示以及增强的实体类别表示；通过基于注意力机制的跨模态层级交互模块，生成对实体类别敏感性强的多模态表示；通过带有类型引导单模态辅助任务的联合学习模块，生成图像文本对的预测序列。本发明有效提升了对图像和文本的识别精度，可以应用于识别和提取命名实体。
-
公开(公告)号：CN118628734A
公开(公告)日：2024-09-10
申请号：CN202410663602.9
申请日：2024-05-27
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/764 , G06V20/70
Abstract: 本发明提出一种基于自适应分块与概率重分配的图像分割方法，属于图像分割技术领域。包括：S1.初始化高斯混合模型参数与每个像素的分割类别初始估计值；S2.对待分割图像使用固定形状的滑动窗口进行固定分块划分；S3.将待分割图像转换为灰度图像，计算每个像素邻域范围内的方差，生成每个像素的匹配度向量，选取匹配度向量中最小值的区域块与对应像素建立映射关系和像素‑块区域似然矩阵；S4、得到待分割图像的后验概率及本轮图像分割结果；S5.将待分割图像的后验概率按照像素与区域块的映射关系分配到区域块中的每个像素，对模型参数进行更新；S6.重复S2至S5，直至收敛。本发明有效提升整体分割的准确度和一致性。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.028 seconds)
