-
公开(公告)号：CN104317834B
公开(公告)日：2017-09-29
申请号：CN201410531101.1
申请日：2014-10-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度神经网络的跨媒体排序方法。包括如下步骤：1)将文本检索图像的排序样本或图像检索文本的排序样本构建为训练样本；2)对构建得到的训练样本进行基于深度神经网络的跨媒体排序学习，得到多媒体语义空间以及跨媒体排序模型；3)使用学习得到的跨媒体排序模型进行跨媒体检索。本发明由于使用了跨媒体排序数据驱动的深度神经网络，因此得到的检索模型的语义理解能力更强，在图像检索文本或文本检索图像中所取得性能较传统的浅层模型方法更好。
-
公开(公告)号：CN106951554A
公开(公告)日：2017-07-14
申请号：CN201710198955.6
申请日：2017-03-29
Applicant: 浙江大学
IPC: G06F17/30
CPC classification number: G06F17/30864 , G06F17/30684 , G06F17/30687 , G06F17/30705 , G06F17/30716
Abstract: 本发明公开了一种层次化新闻热点及其演化的挖掘与可视化方法。包括如下步骤：1).利用概率主题建模技术挖掘由抽象到具体的具有层次化结构的新闻热点。2).提出全新的“Nested‑circle”可视化布局对层次化的新闻热点进行可视化。3).利用相对熵方法挖掘相邻时间片同一粒度的层次化新闻热点的关联性，即新闻热点在时序上的演化行为。4).采用动态可视化技术呈现新闻热点在时序上的演化行为。5).结合上述层次化新闻热点及其演化的挖掘与可视化技术，集成了“层次化新闻热点及其演化的分析系统”，方便读者分析层次化新闻热点及其演化。
-
公开(公告)号：CN106569998A
公开(公告)日：2017-04-19
申请号：CN201610959519.1
申请日：2016-10-27
Applicant: 浙江大学
CPC classification number: G06F17/278 , G06N3/08
Abstract: 本发明公开了一种基于Bi‑LSTM、CNN和CRF的文本命名实体识别方法。该方法包括如下步骤：(1)利用卷积神经网络对文本单词字符层面的信息进行编码转换成字符向量；(2)将字符向量与词向量进行组合并作为输入传到双向LSTM神经网络来对每个单词的上下文信息进行建模；(3)在LSTM神经网络的输出端，利用连续的条件随机场来对整个句子进行标签解码，并标注句子中的实体。本发明是一个端到端的模型，不需要未标注语料集中除预训练好的词向量之外的数据预处理，因此本发明能在不同的语言和领域的语句标注中有广泛应用。
-
公开(公告)号：CN103530656B
公开(公告)日：2017-01-11
申请号：CN201310410623.1
申请日：2013-09-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于隐结构学习的图像摘要生成方法。它包括如下步骤：1）对图片提取HSV颜色直方图特征、视觉单词特征以及方向直方图特征；2）对上一步提取的三种特征进行归一化的预处理并在归一化后将三种特征融合为一个特征向量；3）构造一个带有隐变量的结构支持向量机，从数据库中多次选取训练集合，并利用训练集中不同主题相关的图片集合进行权重系数学习；4）利用上一步学习得到的权重系数，从数据库中选取不同主题相关的图片集，预测出它们的隐含的特征选择偏好并生成与之对应的摘要图片集合。本发明具有更高的信息覆盖率和更低的冗余度可以隐式地学习出不同主题相关的图片集合在特征选择上的不同偏好，比传统的方法取得更好效果。
-
公开(公告)号：CN104462408A
公开(公告)日：2015-03-25
申请号：CN201410766559.5
申请日：2014-12-12
Applicant: 浙江大学
IPC: G06F17/30
CPC classification number: G06F16/951 , G06F17/2785 , G06Q50/01
Abstract: 本发明公开了一种基于主题建模的多粒度情感分析方法，包括如下步骤：提取社交媒体文本数据库中所有数据的单词和单词特征；训练得到核心模型；根据用户的查询请求从社交媒体文本数据库中得到搜索结果；根据系统自动设定或用户指定的参数，确定主题建模中需要的主题数目和细粒度情感数目；随机地将某个主题和某个细粒度情感分配给每一个单词；计算所有单词所属主题和细粒度情感以及所查询文档表达粗粒度情感，并将结果反馈给用户。本发明具有的有益效果有：可对社交网络文本数据同时进行主题建模与多粒度情感分析；可在单词特征与单词所表达细粒度情感之间建立起关联度，为用户理解数据提供帮助。
-
Patent Agency Ranking
公开(公告)号：CN103473308A
公开(公告)日：2013-12-25
申请号：CN201310410604.9
申请日：2013-09-10
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于最大间隔张量学习的高维多媒体数据分类方法。它包括如下步骤：1）建立多媒体数据的训练数据集；2）对训练数据集建模，进行分析，得到分类模型；3）根据用户查询数据集及分类模型，对查询数据集分类。本发明针对多媒体的高维性和结构性，利用张量来表达多媒体数据，并通过最大间隔分类器的方法，对高维的多媒体数据进行分类。在对多媒体数据进行分解分析的同时完成分类，不仅保留了多媒体数据中的结构信息，而且避免了传统的通过拼合的方法产生的高维数据所引发的“维数灾难”，因此比传统的多媒体数据分类方法更加准确，并易于计算。
-
公开(公告)号：CN101082927A
公开(公告)日：2007-12-05
申请号：CN200710069837.1
申请日：2007-07-02
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于ContextFS上下文文件系统的文件服务方法，主要包括如下步骤：利用空间中或用户随身携带的各种可计算设备和传感器获得用户在空间中的上下文信息，并确定用户的身份；根据用户历史操作或自定义偏好的历史数据来确定该用户的偏好上下文；根据文件系统中的文件元数据和上下文信息组织构建虚拟目录与虚拟文件；当用户访问虚拟目录与虚拟文件时，用户和环境上下文信息被文件系统记录并和文件语义信息一同保存并发给上下文文件系统。本发明有益的效果是：本发明是一种以主动服务为特性，利用上下文驱动目录、文件组织的分布式文件系统，它能够根据获得的上下文，与本地文件系统中文件的元数据，来重新组织生成虚拟目录与虚拟文件。
-
公开(公告)号：CN119228653B
公开(公告)日：2025-03-18
申请号：CN202411746338.1
申请日：2024-12-02
Applicant: 浙江大学
IPC: G06T3/4053 , G06T5/50 , G06V40/16 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种应用在视频监控中的人脸超分辨率重建与识别方法及系统，属于深度学习人脸超分辨率重建领域。本发明的方法首先获取实时采集的原始视频流并进行预处理，然后在目标区域内对预处理后的视频流进行人脸位置定位，接着将低分辨率人脸图像输入到训练好的人脸超分辨率重建网络中进行重建，输出重建好的超分辨率人脸图像，最后对重建好的超分辨率人脸图像进行人脸识别，输出人脸识别结果并进行可视化，将识别到的人员进行存储，用于后期审计。本发明旨在通过人脸超分辨率重建网络的强大学习能力，从低质量人脸图像中高效、准确地恢复出高质量的人脸图像，进而为人脸识别系统提供更加清晰可靠的输入，提升整体识别精度和鲁棒性。
-
公开(公告)号：CN118115624A
公开(公告)日：2024-05-31
申请号：CN202410536662.4
申请日：2024-04-30
Applicant: 浙江大学
IPC: G06T11/00 , G06F40/295
Abstract: 本发明公开了一种基于稳定扩散模型的图像分层生成系统、方法及装置，包含三个模块：用户输入模块：接受和处理用户输入；粗遮罩提取模块：接受用户输入模块处理后的输入文本生成描述的图像，以及图像中每个需要分层物体的粗遮罩；图像分层重绘模块：修复粗遮罩提取模块处理后的文本描述图像以及粗遮罩生成精细遮罩以及图片的多层分层结果。本发明能够让扩散模型拥有多层生成的能力，解决了扩散模型无法实现多层图片生成的问题，提升了扩散模型在专业艺术、影视等需要严谨图像细节领域的可应用性。
-
公开(公告)号：CN110188767B
公开(公告)日：2021-04-27
申请号：CN201910380673.7
申请日：2019-05-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置。包括如下步骤：1)把角膜病裂隙灯图像按照眼表‑角膜的自然界域进行区域标注的结果作为训练数据集，并利用滑动窗口对角膜图像中病变主体区域采样，形成区域子块集合；2)对每张角膜图像中所有区域子块，通过DenseNet模型提取其特征，获取区域向量化特征表示；3)将特征提取结果序贯链接组合，保留区域子块之间空间结构关系，并利用LSTM(长短时记忆模型)对其处理，形成角膜图像特征，并进行分类。本发明将深度序列学习模型应用于角膜疾病分类诊断。相比一般图像分类算法，本发明对角膜病诊断中区别性关键信息进行建模，有效保留角膜病特征空间结构。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.022 seconds)
