-
公开(公告)号：CN113744872A
公开(公告)日：2021-12-03
申请号：CN202111106419.1
申请日：2021-09-22
Applicant: 四川省医学科学院·四川省人民医院 , 电子科技大学
Abstract: 本发明公开了一种智能交互的阿尔兹海默症辅助筛查系统，涉及语音识别、图像处理技术领域，包括基于语音识别的可交互单元测试模块和基于事实的智能分析模块，单元测试模块用与交互式地收集MoCA测试数据，包括1)视空间和执行功能测试模块、2)语言和抽象功能测试模块以及3)记忆和定向功能测试模块；智能分析模块用于智能地处理和分析多模态数据，包括1)语音识别模块、2)手绘图识别模块和3)决策模块。采用本发明的技术方案集成了MoCA测试项目，大大简化了测试流程，并且统一、系统和完备的测试标准，确保了筛查结果的可靠性、真实性。
-
公开(公告)号：CN113435399A
公开(公告)日：2021-09-24
申请号：CN202110793167.8
申请日：2021-07-14
Applicant: 电子科技大学
IPC: G06K9/00 , G06F40/30 , G06F16/332 , G06F16/432 , G06F16/48 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多层次排序学习的多轮视觉对话方法，提出了上下文控制门机制，自适应地赋予对话历史信息权重以回答当前的问题，避免了盲目使用对话历史信息造成的冗余信息。同时本发明设计了多层次排序学习模块，将所有选项划分为3个层次，提升了与正确答案语义相近但是没有被标注为正确答案的选项的排名，从而提升了模型的泛化能力。
-
公开(公告)号：CN111931928A
公开(公告)日：2020-11-13
申请号：CN202010687142.5
申请日：2020-07-16
Applicant: 成都井之丽科技有限公司 , 电子科技大学
Abstract: 本发明涉及计算机视觉技术领域，提供一种场景图的生成方法、装置和设备，旨在使用训练数据集构建难度较小的人工神经网络来实现场景图的生成。场景图的生成方法包括：通过人工神经网络的物体检测模块来提取被分析图像中的实体对象信息；通过人工神经网络的实体关系检测模块获得被分析图像中的实体对象关系信息；根据所述实体对象信息和实体对象关系信息生成场景图，所述场景图包括至少一个由主体、谓语和客体构成的关系三元组；其中，所述人工神经网络的训练数据集中，任意一个作为监督信息的关系三元组仅存在于一个训练图像。
-
公开(公告)号：CN111858882A
公开(公告)日：2020-10-30
申请号：CN202010584144.1
申请日：2020-06-24
IPC: G06F16/332 , G06F16/583 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于概念交互和关联语义的文本视觉问答系统及方法，包括物体位置提取模块、第一全连接层、文本信息提取模块、第二全连接层、OCR-object图卷积网络、多门步机制图卷积网络、转换器网络以及双向转换器表征编码器BERT。本申请利用图像中物体和文本信息的位置关系建模，之后通过OCR-object图卷积网络对文本信息和物体信息建模，通过门机制对关系的编码学习到丰富且具有指向性的特征，最后通过转换器网络对图像当中的物体和文本进行精准关注，从而得到更加准确的答案。
-
公开(公告)号：CN109670057A
公开(公告)日：2019-04-23
申请号：CN201910005178.8
申请日：2019-01-03
Applicant: 电子科技大学
Abstract: 本发明涉及图像检索领域，其公开了一种渐进式的端到端深度特征量化系统及方法，解决传统技术中由于特征提取和量化两部分相互孤立，在数据库中的二进制编码长度需要变更时，需要重新训练神经网络并对整个数据库重新编码，而带来的耗费时间和运算资源的问题。该系统包括深度神经网络，所述深度神经网络包括：图像特征优化单元，用于将图片通过表示学习，生成用于描述图片的D维实数特征向量；特征量化单元，用于通过一个或多个量化层将特征向量转化为二进制编码；当使用多个量化层时，各个量化层的量化误差作为下一个量化层的输入，根据编码精度需求选择相应个数的量化层的量化输出的编码进行拼接，获得最终的二进制编码。
-
Patent Agency Ranking
公开(公告)号：CN119652714A
公开(公告)日：2025-03-18
申请号：CN202411804530.1
申请日：2024-12-10
Applicant: 电子科技大学(深圳)高等研究院
IPC: H04L27/00 , G06N3/0464 , G06N3/0475 , G06N3/0499 , G06N3/094 , G06N3/098 , G06F18/15 , G06F18/214 , G06F18/2431
Abstract: 本申请公开了一种基于生成对抗学习的未知信号识别方法，涉及信号调制识别技术领域。本申请通过引入生成器和判别器的对抗训练机制，利用生成对抗网络产生与已知类别信号相似而不同的混淆样本参与训练，以此增强分类模型对未知类别信号的识别能力，并保持原有调制识别性能，同时本申请为生成器提供一种结合分类器的损失函数，使生成器生成的混淆样本靠近真实样本数据的分布，确保生成的混淆样本在数据分布上与已知类样本足够接近，同时又保持一定的未知性，进一步保证分类模型对未知类别信号的识别性能。
-
公开(公告)号：CN119094788A
公开(公告)日：2024-12-06
申请号：CN202411055109.5
申请日：2024-08-02
Applicant: 电子科技大学(深圳)高等研究院
IPC: H04N19/20 , H04N19/42 , G10L19/008 , G10L19/012
Abstract: 本发明公开了一种基于增强视频扩散模型的动作视频生成方法，根据实际情况设置动作的参考视频集合，根据实际需要构建文本编码器，变分自编码器和扩散U‑Net模型并分别采用相应的训练样本集进行预训练，基于以上子模型构建增强视频扩散模型并采用若干源视频对增强视频扩散模型进行训练，在训练过程中通过添加噪声将源视频特征转换为噪声，然后利用增强视频扩散模根据参考视频的视觉信息以及文本描述预测噪声，利用噪声的差距计算损失函数更新模型参数；将字幕文本和噪声输入训练好的增强视频扩散模型，即可生成对应的动作视频。本发明可以无需对未经训练的动作进行任何进一步的微调即可根据字幕文本准确生成动作视频。
-
公开(公告)号：CN118939828A
公开(公告)日：2024-11-12
申请号：CN202411142461.2
申请日：2024-08-20
Applicant: 电子科技大学(深圳)高等研究院
IPC: G06F16/583 , G06F16/538 , G06F18/214 , G06V10/40 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0499 , G06N3/045
Abstract: 本发明公开了一种基于图像量化的通用图像检索方法，首先构建训练样本集，再构建包括视觉特征提取模块，一阶量化跨域模块，组合特征提取模块和二阶量化跨类别模块的图像量化模型；在训练过程中，先随机初始化一阶代码本，经过视觉特征提取模块和一阶代码本利用对比学习机制学习到跨域一致性特征，基于一阶码本更新得到二阶码本，通过组合特征提取模块和二阶码本获取新类别感知的特征，再由二阶量化跨类别模块得到量化组合特征；在检索时将搜索图像库中的每张图像和待检测图像输入图像量化模型得到每张图像的组合特征，基于该组合特征得到检索结果。本发明可有效解决图像检索任务中的跨领域和跨类别挑战，显著提高图像检索的准确性和效率。
-
公开(公告)号：CN117557666A
公开(公告)日：2024-02-13
申请号：CN202311510039.3
申请日：2023-11-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种广义无偏差场景图生成方法，对场景图生成数据集中的谓词进行语义规模定量分析确定概念原型数量，然后基于超球体初始化概念原型，构建包括目标检测器，主宾语上下文编码器，平衡记忆模块，概念原型特征生成模块，多头注意力模块，特征融合模块，概念匹配模块，平衡记忆队列更新模块和场景图构建模块的场景图生成模型，采用场景图生成数据集对场景图生成模型进行训练，将需要生成场景图的图像输入训练好的场景图生成模型，得到对应的场景图。本发明针对谓词级别和概念级别的不平衡问题设置了场景图生成模型，使得生成的场景图更加合理。
-
公开(公告)号：CN116797874A
公开(公告)日：2023-09-22
申请号：CN202310717695.4
申请日：2023-06-16
Applicant: 嵩山实验室 , 电子科技大学(深圳)高等研究院
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/045
Abstract: 本发明涉及图像分类模型的安全领域，具体涉及一种基迁移的对抗样本制备方法，其首先，将输入图像按设定的采样次数复制并分别添加扰动，获得一组分别按随机方向接近替代模型的决策边界的边界点样本；然后，利用替代模型，计算各边界点样本的损失梯度；之后，计算边界点样本的平均梯度，并以平均梯度的方向添加设定步长的扰动，获得当前步的输出图像；最终，通过多次的迭代获得对抗样本。该方法，通过对替代模型决策边界信息的充分利用，进行边界拟合，增强了对抗样本的迁移性，迁移范围广，能有效评估多种不同结构的模型，评估结果更接近目标模型的鲁棒性下限。适用于基于迁移的黑盒模型鲁棒性评估。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.029 seconds)
