-
公开(公告)号：CN120031810A
公开(公告)日：2025-05-23
申请号：CN202510042965.5
申请日：2025-01-10
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/09
Abstract: 本发明提供一种基于平均教师模型的血红细胞测试时域适应检测方法，属于深度学习领域，包括预训练、数据增强、随机恢复、损失计算以及教师模型与学生模型的更新。首先，在源域数据上预训练基准检测模型以获得初始特征。在测试阶段，目标域数据分别经过弱增强和强增强后输入教师模型和学生模型。输入教师模型后生成伪标签，以减轻持续适应过程中误差累积的影响；学生模型通过与教师模型预测结果的交叉熵损失进行优化，教师模型通过指数移动平均方法更新。此外还采用随机恢复方法，从源域预训练模型显式恢复知识到学生模型，有效缓解灾难性遗忘问题。最终模型能在测试时对目标域数据保持良好性能。
-
公开(公告)号：CN106502909B
公开(公告)日：2019-04-23
申请号：CN201610975788.7
申请日：2016-11-07
Applicant: 南京大学
IPC: G06F11/36
Abstract: 本发明公开了一种智能手机应用开发中的代码缺陷预测方法，其步骤是：1)整理代码单元，区分标注集和目标集，定义特征指标，提取特征向量；2)基于特征向量对标注集代码单元赋予权重；3)训练带权重分类器，计算目标集代码单元有缺陷概率和无缺陷概率；4)采用自学习策略校准预测结果，重复上述步骤，直到前后两次计算的预测结果近似或达到给定的迭代次数；5)输出目标集中高怀疑率的代码单元。本发明方法使用了其他智能手机应用和目标智能手机应用历史版本的数据，在代码单元层面定义特征指标，应用机器学习技术，预测可能包含缺陷的代码单元，快速准确定位智能手机应用的缺陷代码单元。本发明计算简单，能快速有效地定位缺陷代码，适用于智能手机应用的开发和维护。
-
公开(公告)号：CN109087703A
公开(公告)日：2018-12-25
申请号：CN201810972458.1
申请日：2018-08-24
Abstract: 本发明公开了一种基于深度卷积神经网络的腹腔CT图像腹膜转移标记方法，其步骤是：1)CT图像预处理；2)采用分水岭法分割预处理后的CT图像，提取候选结节；3)为候选结节构建对应的神经网络输入；4)搭建深度卷积神经网络模型，使用已标记候选结节对应的神经网络输入训练神经网络模型；5)使用神经网络模型预测未标记候选结节为肿瘤结节的概率，最后输出确定标记的所有CT图像，其中阴性标记表示未发生肿瘤腹膜转移，阳性标记表示发生了腹膜转移。本发明方法能够完成大量腹腔CT图像腹膜转移的自动标记，为恶性肿瘤诊疗提供依据；易于理解、实施简易，适用于海量腹腔CT图像的自动标记，具有良好的扩展性、鲁棒性和实用性。
-
公开(公告)号：CN104391984B
公开(公告)日：2017-10-03
申请号：CN201410755046.4
申请日：2014-12-11
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明公开了一种中英文混合的网络用户评论的推荐度评分方法，主要分为三个步骤：1) 获取中英文混合的网络用户评论，完成预处理；2) 以句子为单位，基于语法树计算每个句子的情感评分；3) 针对待评分的目标用户评论，根据单个句子的情感得分和所在位置，采用加权法完成用户评论的推荐度评分。本方法采用无监督方式，不需要对网络用户评论的人工标注，计算简单高效，同人工评价相比较具有较高的准确性；本方法具有扩展性和适应性，可以推广到其他类型语言；适用于网络用户评论数量大、更新快的情形；有效解决网络用户评论推荐度评价的问题。
-
公开(公告)号：CN104134069B
公开(公告)日：2017-09-26
申请号：CN201410384400.7
申请日：2014-08-06
Applicant: 南京大学
Abstract: 本发明公开了一种页岩显微薄片自动鉴别方法，其步骤是：1）第一阶段，将岩石薄片分为火成岩、沉积岩、变质岩三大类。2）第二阶段，从第一阶段分类得到的沉积岩中鉴别出页岩。以上两阶段采用的分类鉴别技术均为决策树技术，提取的特征均为岩石薄片图像RGB三颜色通道的统计特征和灰度通道的分形特征。本发明方法运用两阶段的信息处理技术自动鉴别页岩显微薄片，解决了因数据不平衡而导致的分类结果不理想的问题。特征选取方面充分利用页岩良好的分形特性，适用于页岩的自动鉴别；本发明计算简单高效，具有扩展性，可随着岩石薄片数据储备的增加而提高鉴别方法的准确性；在地质勘探、矿物研究中具有应用价值。
-
Patent Agency Ranking
公开(公告)号：CN106557758A
公开(公告)日：2017-04-05
申请号：CN201611055612.6
申请日：2016-11-25
Applicant: 南京大学
CPC classification number: G06K9/0014 , G06K9/00147 , G06K9/6223 , G06K9/6273 , G06N3/0445 , G06N3/08
Abstract: 本发明公开了一种沙粒显微图像的多目标自动鉴别方法，其步骤是：1)制备沙粒显微图像，使用中值滤波预处理；给沙粒样本图像添加对应标签，制备沙粒单元库；2)使用区域生长算法分割沙粒显微图像，去除杂质并提取多目标单元；3)计算沙粒单元的纹理和形状特征；4)基于沙粒单元库，训练RBF神经网络分类器；5)预测沙粒单元的类别，并输出沙粒显微图像的成分组成。本方法运用图像处理技术和机器学习方法，自动提取并识别沙粒显微图像中的多目标单元，能够解决图像中杂质较多从而影响多目标单元提取的问题。
-
公开(公告)号：CN106502909A
公开(公告)日：2017-03-15
申请号：CN201610975788.7
申请日：2016-11-07
Applicant: 南京大学
IPC: G06F11/36
CPC classification number: G06F11/3608
Abstract: 本发明公开了一种智能手机应用开发中的代码缺陷预测方法，其步骤是：1)整理代码单元，区分标注集和目标集，定义特征指标，提取特征向量；2)基于特征向量对标注集代码单元赋予权重；3)训练带权重分类器，计算目标集代码单元有缺陷概率和无缺陷概率；4)采用自学习策略校准预测结果，重复上述步骤，直到前后两次计算的预测结果近似或达到给定的迭代次数；5)输出目标集中高怀疑率的代码单元。本发明方法使用了其他智能手机应用和目标智能手机应用历史版本的数据，在代码单元层面定义特征指标，应用机器学习技术，预测可能包含缺陷的代码单元，快速准确定位智能手机应用的缺陷代码单元。本发明计算简单，能快速有效地定位缺陷代码，适用于智能手机应用的开发和维护。
-
公开(公告)号：CN102262681B
公开(公告)日：2015-12-02
申请号：CN201110239145.3
申请日：2011-08-19
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明公开了一种可以快速、准确在博客信息传播中识别关键博客集的方法，其步骤是：1)以博客为单位收集和确定博客之间的关注关系和链接关系；2)以博客为节点构建博客网络图，图的边为博客间的关联；3)根据信息传播模型确定博客间关联(有向边)的权重；4)基于博客网络图计算每个博客对其他博客传播影响力的期望值；5)识别博客网络图中信息传播影响力最大的关键节点集合。本发明结合信息传播模型，应用博客之间的关联关系，通过计算信息传播期望，快速识别博客信息传播中关键的博客集合，以方便博客信息的监督。
-
公开(公告)号：CN105095091A
公开(公告)日：2015-11-25
申请号：CN201510610763.2
申请日：2015-09-23
Applicant: 南京大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于倒排索引技术的软件缺陷代码文件定位方法，属于计算机软件测试和维护技术领域，该方法的步骤1）汇总软件系统中的代码文件；步骤2）对代码文件记录分词；步骤3）读入缺陷报告；步骤4）在倒排索引表中检索每一个关键词；步骤5）根据关键词评分对文件索引项排序，定位包含缺陷的代码文件。本发明通过关键词查询和统计推荐高风险的代码文件，能够快速准确地定位包含缺陷的软件代码文件，适用于大型软件系统的测试和维护工作；同时本发明计算简单，适用于不同类型的编程语言，及不同规模的计算机软件，具有扩展性和适应性且便于使用并行算法，能快速有效地分析和处理大量的缺陷报告信息，进而有效的提高软件缺陷定位的效能。
-
公开(公告)号：CN104391984A
公开(公告)日：2015-03-04
申请号：CN201410755046.4
申请日：2014-12-11
Applicant: 南京大学
IPC: G06F17/30
CPC classification number: G06F17/30864 , G06F17/2785 , G06F17/289
Abstract: 本发明公开了一种中英文混合的网络用户评论的推荐度评分方法，主要分为三个步骤：1)获取中英文混合的网络用户评论，完成预处理；2)以句子为单位，基于语法树计算每个句子的情感评分；3)针对待评分的目标用户评论，根据单个句子的情感得分和所在位置，采用加权法完成用户评论的推荐度评分。本方法采用无监督方式，不需要对网络用户评论的人工标注，计算简单高效，同人工评价相比较具有较高的准确性；本方法具有扩展性和适应性，可以推广到其他类型语言；适用于网络用户评论数量大、更新快的情形；有效解决网络用户评论推荐度评价的问题。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.022 seconds)
