-
公开(公告)号：CN113535953B
公开(公告)日：2022-05-27
申请号：CN202110798113.0
申请日：2021-07-15
Applicant: 湖南大学
Abstract: 本发明公开了一种基于元学习的少样本分类方法，其结合LCM的元学习方法，训练过程主要有两个方面：Attention和岭回归分类器，Attention模块通过组合源池和支持集的分布统计信息来生成特定于类的注意力；岭回归分类器的目标是在从支持集学习之后，对查询集进行预测，由于测试阶段数据量较小，通过LCM试图挽救预测错误的标签，达到在低数据量下较高的分类准确度。
-
公开(公告)号：CN111210878A
公开(公告)日：2020-05-29
申请号：CN202010009558.1
申请日：2020-01-06
Applicant: 湖南大学
Abstract: 本发明公开了一种基于深度学习的药物预测方法。本发明基于药物发现进行原子层面的学习，从而进行毒性预测。通过将SIMLE格式的数据通过原子向量切分，word2vec向量映射转化为一组向量，然后将这组向量放入LSTM神经网络中进行训练，最后将LSTM输出的结果放入sigmoid分类器中，得到分子是否有毒，相对现有的预测方法具有良好的可行性和优越性。
-
公开(公告)号：CN110782009A
公开(公告)日：2020-02-11
申请号：CN201910986292.3
申请日：2019-10-17
Applicant: 湖南大学
Abstract: 本发明公开了一种基于ARMv8体系的计算内核优化方法。本发明针对寄存器使用情况，使用了所有32个寄存器，能够更好更完整地调用硬件资源，节省卷积过程中进行矩阵计算时的矩阵分块时间，从而提升整体的计算效率，帮助我们得到更高的工程效率应用在卷积神经网络中的卷积过程里，能有效加速其在ARMv8体系结构的运算时间。
-
公开(公告)号：CN110289050A
公开(公告)日：2019-09-27
申请号：CN201910460463.9
申请日：2019-05-30
Applicant: 湖南大学
Abstract: 本发明提供了一种基于图卷积和词向量的药物－靶标相互作用预测方法，从药物中提取分子指纹特征和邻接矩阵特征，然后利用图卷积训练这些特征，将一个蛋白质分子表达式3个一组切割，并用一个100维的向量表示这一组，利用CNN训练靶标的词向量特征，最后把训练好的药物和靶标结合在一起，进行最后的结果预测。本发明的有益效果如下：可以提供关于药物的更多特征，从而达到更高的准确性；利用词向量构建蛋白质特征，大大减少了构建特征的时间；可以完整保存药物分子图的有关信息，而不会损失特征；可以大大加快训练时间。
-
公开(公告)号：CN110166466A
公开(公告)日：2019-08-23
申请号：CN201910448335.2
申请日：2019-05-28
Applicant: 湖南大学
IPC: H04L29/06 , H04L9/08 , H04L9/06 , G06F21/60 , G06F16/953
Abstract: 本发明公开了一种可高效更新权限的多用户可搜索加密方法，属于云计算存储和密码学技术领域。数据拥有者先确定查询用户对文件的权限，构建出访问控制列表，然后将数据加密生成对应的密文数据以及元数据，并将它们上传到云服务端。同时数据拥有者返回给查询用户相应的访问密钥，用来从向云服务端生成查询认证。用户检索时，发送相应关键字的查询密文标识以及由认证密钥生成的认证标识。服务端接收到这些信息后，先根据认证标识进行认证，确定有权查询后再进行密文上的检索。本发明一方面避免了数据拥有者和查询用户的实时交互；另一方面使数据拥有者可以高效地更新查询用户的权限且不影响其他用户；再一方面可扩展到大规模加密数据库中。
-
Patent Agency Ranking
公开(公告)号：CN110162400A
公开(公告)日：2019-08-23
申请号：CN201910421598.4
申请日：2019-05-21
Applicant: 湖南大学
Abstract: 本发明公开了一种复杂网络环境下实现MAS系统中智能体合作的方法，包括：获取复杂网络拓扑图，从复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合，对得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合。本发明不仅能够根据拓扑结构上的关键节点形成相关的合作联盟，并且能够根据动态拓扑结构的改变对当前联盟进行调整，从而形成新的更高合作水平的联盟以带来更高的合作效率。
-
公开(公告)号：CN117830274A
公开(公告)日：2024-04-05
申请号：CN202410022015.1
申请日：2024-01-05
Applicant: 湖南大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/045 , G06N3/084 , G06F40/289 , G06F40/126
Abstract: 本发明公开了一种基于多模态大模型的航空发动机损伤检测方法，首先，通过孔探设备获取发动机内部视频，并抽取关键帧作为分析的图片集合，并将图片经过预处理；其次，构建多模态数据集，数据集由多个部分组成，分别用于训练不同的模型；然后通过使用航空发动机图文数据二次预训练，得到包含航空发动机知识的图片编码器和文本编码器。再使用大规模通用数据集，基于二次预训练的图片编码器和文本编码器，利用对比学习的方法训练多模态大模型；最后使用少量标注的航空发动机损伤图文数据，基于多模态大模型，训练图片微调网络和文本微调网络。本发明能够解决现有人工检测中主观性强、效率低、成本高的技术问题。
-
公开(公告)号：CN117475137A
公开(公告)日：2024-01-30
申请号：CN202311442716.2
申请日：2023-11-01
Applicant: 湖南大学
IPC: G06V10/25 , G06V10/762 , G06V10/774 , G06V10/766 , G06V10/764
Abstract: 本发明提出了一种复合特征图且融合anchor的密集小目标检测优化方法，属于计算机视觉目标检测领域。该发明用以提升密集小目标检测性能。技术方案为：获取原始已标注数据集用作训练输入数据。采用anchor‑based方法通过聚类获取多尺度的单目标不同尺寸先验框。推理时，第一步，使用anchor‑free对不同尺度的特征图的目标中心点和宽高进行回归，获得中大目标检测结果。第二步，使用较大特征图做置信度处理，再使用最大特征图对应较大特征图进行分类和回归。本发明可以使网络模型关注目标存在区域，减少anchor负样本不必要的冗余计算。并且对于整个特征图密集小目标具有更高的召回率。本发明对密集目标检测有提升效果，尤其对工业应用中密集目标检测性能提升显著。
-
公开(公告)号：CN116821906A
公开(公告)日：2023-09-29
申请号：CN202310705562.5
申请日：2023-06-15
Applicant: 湖南大学
IPC: G06F21/56 , G06F21/55 , G06F18/214
Abstract: 本申请提供一种基于预训练NLP模型的电路门级特征硬件木马检测方法，将门级网表的Verilog文件经过预处理，仅保留门及其连接关系，并将网表的描述形式自然语言化，使其适合NLP模型处理，然后将提取的文本信息向量化表示，使其与Transformer结构兼容。最后，利用Transformer结构中的自注意力机制来捕捉电路组件及其连接的复杂关系，实现对硬件木马的检测。这种方法能够充分利用在自然语言处理任务中学到的知识，有效地迁移到硬件木马检测任务上，实现高效准确的硬件木马检测。
-
公开(公告)号：CN110289050B
公开(公告)日：2023-06-16
申请号：CN201910460463.9
申请日：2019-05-30
Applicant: 湖南大学
Abstract: 本发明提供了一种基于图卷积和词向量的药物－靶标相互作用预测方法，从药物中提取分子指纹特征和邻接矩阵特征，然后利用图卷积训练这些特征，将一个蛋白质分子表达式3个一组切割，并用一个100维的向量表示这一组，利用CNN训练靶标的词向量特征，最后把训练好的药物和靶标结合在一起，进行最后的结果预测。本发明的有益效果如下：可以提供关于药物的更多特征，从而达到更高的准确性；利用词向量构建蛋白质特征，大大减少了构建特征的时间；可以完整保存药物分子图的有关信息，而不会损失特征；可以大大加快训练时间。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.019 seconds)
