-
公开(公告)号：CN117076676A
公开(公告)日：2023-11-17
申请号：CN202311060015.2
申请日：2023-08-22
Applicant: 电子科技大学
IPC: G06F16/35 , G06F40/30 , G06F40/295
Abstract: 本发明属于自然语言处理领域，具体提供一种基于实体结构编码与两次分类的文档级关系抽取方法，用以解决文档语料中实体之间的结构信息被忽视、实体对之间的语义依赖关系被忽视导致的部分潜在三元组难以抽取的问题。本发明设计了一种新的关系抽取框架，采用两次分类的方式分别对简单三元组和潜在三元组进行抽取；在对文档实体编码后，对拼接的实体对进行预分类，基于改进的自适应阈值损失函数抽取出容易分类的简单三元组；之后将预分类结果作为辅助推理信息增强实体表示并进行第二次分类，可以有效提升文档中潜在三元组的抽取效果；综上，本发明能够根据输入的文档对指定的实体之间的关系进行自动抽取。
-
公开(公告)号：CN110135510B
公开(公告)日：2023-08-01
申请号：CN201910427865.9
申请日：2019-05-22
Applicant: 电子科技大学中山学院 , 西南财经大学
IPC: G06V10/778 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种动态领域自适应方法、设备及计算机可读存储介质，包括以下步骤：基于原始图像数据获取源域数据集和目标域数据集；基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在卷积神经网络中全连接层中的输出层之前加入自适应层；计算卷积神经网络的自适应损失LMMD；基于自适应损失LMMD修改卷积神经网络的各层级参数，得到调整后的卷积神经网络；将目标域数据集代入调整后的卷积神经网络，获取图像数据识别的输出结果。本发明还同时公开了一种动态领域自适应设备及计算机可读存储介质。
-
公开(公告)号：CN115455197A
公开(公告)日：2022-12-09
申请号：CN202211066885.6
申请日：2022-09-01
Applicant: 电子科技大学
IPC: G06F16/36 , G06F16/35 , G06F40/211 , G06F40/289 , G06N5/02 , G06N5/04 , G06N3/04
Abstract: 本发明涉及自然语言处理领域，其公开了一种融合位置感知细化的对话关系抽取方法，解决现有技术中对话文本的相似结构信息带来的干扰，无法对节点进行分类，没有考虑对话数据的独特性带来的关系抽取准确性不高的问题。本发明的方法，首先，基于对对话的句法分析，获得实体的提及词；然后，基于提及词和对话信息，构建异构提及对话图并初始化节点特征；再然后，通过在异构提及对话图上使用位置感知细化的图注意力网络，获得更新后的节点特征，并通过合并节点得到实体对话图；最后，通过融合实体对话图中实体对实体间的路径信息，推理得到实体对之间的关系。
-
公开(公告)号：CN113705394A
公开(公告)日：2021-11-26
申请号：CN202110935756.5
申请日：2021-08-16
Applicant: 电子科技大学
Abstract: 本发明提供一种长短时域特征结合的行为识别方法，属于人工智能深度学习视频理解行为识别技术领域，包括S1：获取包含人类行为的视频，预处理后得到与视频对应的目标视频帧序列；S2：构建以ResNet50网络为骨干网络、包含50个残差块的行为识别网络，残差块由短时域运动特征增强模块和长时域运动特征集成模块堆叠而成；S3：基于目标视频帧序列和预设目标行为类别对行为识别网络进行训练，得到训练完成的行为识别模型；S4：将待检测视频预处理后得到待检测视频帧序列，输入至训练完成的行为识别模型中，得到待检测视频的目标行为类别，实现待检测视频中人类行为的识别，提升模型运动特征建模能力及时空特征和运动特征的交互效率。
-
公开(公告)号：CN113627557A
公开(公告)日：2021-11-09
申请号：CN202110954631.7
申请日：2021-08-19
Applicant: 电子科技大学
Abstract: 本发明涉及计算机视觉领域中的视觉关系检测技术，其公开了一种基于上下文图注意力机制的场景图生成方法，通过充分挖掘外部知识以及目标的上下文信息，从而提高场景图生成的准确率。该方法通过上下文融合目标的外部知识向量、空间特征以及视觉特征，获得融合后的特征向量；根据目标的邻接矩阵，并结合融合后的特征向量进行图注意力网络的初始化；利用样本数据集中的统计信息计算目标关系的频率系数，并利用目标上下文特征计算图注意力系数；通过图注意力网络的信息迭代获得目标的最终向量表示并计算目标之间的关系，利用目标之间的关系以及目标的损失函数进行梯度下降更新，从而生成视觉关系检测模型；针对待检测图像，根据视觉关系检测模型生成场景图。
-
Patent Agency Ranking
公开(公告)号：CN106097356A
公开(公告)日：2016-11-09
申请号：CN201610427938.0
申请日：2016-06-15
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/20084 , G06T2207/20164
Abstract: 本发明公开了一种基于Spiking图像角点检测方法，属于图像处理技术领域，解决现有技术对角点检测精度不高，缺乏对时间和空间特征的解释问题。本发明提出了一种基于Spiking神经网络的图像角点检测方法，该算法使用Spiking神经元模板对图像进行扫描，并根据检测神经元的电压变化等情况来确定图像角点，可以较好的对图像角点进行检测。Spiking神经网络使用电压表示信息强度，使用脉冲传递信息，由于这种基于脉冲的信息表示方法具有很强的时序性，因此本发明借助于Spiking神经网络的优势，研究基于Spiking神经网络的图像角点特征检测。本发明应用于图像角点特征提取、光流计算、目标识别、跟踪、运动估计和三维重构等涉及角点应用的计算机视觉场合。涉及Spiking神经网络、机器学习。
-
公开(公告)号：CN104933722A
公开(公告)日：2015-09-23
申请号：CN201510369201.3
申请日：2015-06-29
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/13 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明公开了一种基于Spiking‐卷积网络模型的图像边缘检测方法，属于图像处理技术领域，解决现有技术仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释问题。本发明基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking‐卷积层和输出层的卷积结构的Spiking‐卷积网络模型；将构建好的卷积结构的Spiking-卷积网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking‐卷积算法；获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking‐卷积网络模型的输入层；将基于算子的Spiking‐卷积算法运用于Spiking‐卷积网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。本发明用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning。
-
公开(公告)号：CN118913295B
公开(公告)日：2025-01-10
申请号：CN202411422856.8
申请日：2024-10-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于脉冲分布式强化学习的无人机路径规划方法，属于机器智能决策与控制技术领域。本发明方法包括构建基于脉冲神经网络的分布式强化学习神经网络模型，该模型在无人机路径规划过程中预测动作的回报分布而非传统的回报期望，根据回报分布捕捉更多有效信息以在面对复杂情景时更加稳定地选择高质量的无人机控制动作。本发明基于脉冲神经网络的模型架构降低了计算频率，基于分布式强化学习的方法弥补了现有无人机路径规划方法关注点单一、损失有价值信息的问题，增强了本发明应对不确定性和随机性的能力，扩大了本发明方法面对复杂多变的现实无人机路径规划任务时的适用性。
-
公开(公告)号：CN118628944B
公开(公告)日：2024-10-22
申请号：CN202411105759.6
申请日：2024-08-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种事件流和事件帧融合的强化学习无人机避障方法，属于人机避障技术领域。本发明将事件相机产生的事件流和事件帧信息分别输入到不同的特征提取网络中，再通过特征向量融合的方式来获取事件流与事件帧的融合表征；使用在采集的离线数据流上预训练好的事件自分编码器作为模型的事件流特征提取网络，用于将具有时序性、异步性的事件流信息转换为特征信息，以提升无人机避障成功率；同时将强化学习训练过程解耦为两阶段，通过对比重建图像与真值图像进行预训练，事件帧卷积网络在智能体学习过程中进行训练，并有效利用融合特征补充智能体环境交互所需的状态信息。本发明用于搭载了事件相机的无人机，能获得良好的避障效果。
-
公开(公告)号：CN118335295A
公开(公告)日：2024-07-12
申请号：CN202410750369.8
申请日：2024-06-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于主动联邦学习的医疗图像分割方法，属于医疗图像处理技术领域。本发明包括：服务器获取医学图像数据并进行预处理，再划分给各已知客户端和未知客户端；已知客户端基于本地的训练数据集对图像分割模型执行一轮联邦学习；服务器采用主动学习方法对各已知客户端的训练数据集进行二次构建并下发给已知客户端执行一轮联邦学习；服务器基于当前联邦学习后的模型参数进行若干次蒸馏处理，将每次得到的模型参数下发给每个未知客户端进行模型测试，基于反馈的测试结果确定每次模型参数的最终测试结果；基于最优最终测试结果对应的模型参数得到图像分割模型的最优参数。本发明能够解决医疗图像分割隐私保护问题，并提高了模型的泛化性。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.022 seconds)
