-
公开(公告)号：CN116776287A
公开(公告)日：2023-09-19
申请号：CN202310794745.9
申请日：2023-06-30
Applicant: 福州大学
IPC: G06F18/25 , G06F40/205 , G06F40/211 , G06F40/284 , G06V30/18 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及一种融合多粒度视觉与文本特征的多模态情感分析方法及系统，该方法包括：A、初始化图节点文本表示并提取图片特征表示；B、依据句法依赖关系、成分树结构确定图注意力网络中边关系邻接矩阵；使用多模态注意力机制分别获得单词级、短语级、句子级的联合文本视觉特征表示，最终获得多粒度文本‑视觉融合特征表示；根据多层图注意力网络输出的文本‑视觉联合特征表示预测方面词位置并形成方面词表示；依据方面词位置使用ANP解析器解析出最相关的ANP对，并依据方面词在句法依赖关系中的邻接关系构建方面图；C、根据方面图的输出作为方面词情感表示，预测该方面词对应的情感极性。该方法及系统有利于提高情感极性预测精度。
-
公开(公告)号：CN116524207A
公开(公告)日：2023-08-01
申请号：CN202211575959.9
申请日：2022-12-08
Applicant: 福州大学
IPC: G06V10/46 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种基于边缘检测辅助的弱监督RGBD图像显著性检测方法，包括以下步骤：步骤S1：建立包含涂鸦标注图的弱监督RGBD图像显著性检测训练集，并进行数据增强；步骤S2：设计多层次、多任务的弱监督RGBD图像显著性检测网络；步骤S3：设计融合模块；步骤S4：设计基于边缘检测辅助的弱监督RGBD图像显著性检测网络，并设计损失函数优化网络参数；步骤S5：将待测RGBD图像输入训练好的基于边缘检测辅助的弱监督RGBD图像显著性检测模型中，得到显著性检测结果。应用本技术方案能够实现性能较好的弱监督RGBD图像显著性检测。
-
公开(公告)号：CN116383517A
公开(公告)日：2023-07-04
申请号：CN202310333838.1
申请日：2023-03-31
Applicant: 福州大学
IPC: G06F16/9536 , G06F16/45 , G06F16/483 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084 , G06F18/214 , G06F18/25 , G06Q50/00
Abstract: 本发明涉及一种动态传播特征增强的多模态谣言检测方法及系统，该方法包括以下步骤：步骤A：在社交媒体中收集多媒体帖子，提取出帖子中的文本、评论、图像和用户资料，并对帖子的真实性标签进行标注，以此构建训练数据集DS；步骤B：使用训练数据集DS训练具有动态传播特征增强的多模态谣言检测模型M，以利用模型M来分析帖子的真实性，并得出帖子的预测标签；步骤C：将未检测多媒体帖子的文本、评论、图像和用户资料输入到训练好的多模态谣言检测模型M中，获得多媒体帖子的真实性标签。该方法及系统有利于提高社交媒体中谣言检测的准确性和可靠性。
-
公开(公告)号：CN116361437A
公开(公告)日：2023-06-30
申请号：CN202310333768.X
申请日：2023-03-31
Applicant: 福州大学
IPC: G06F16/332 , G06F16/35 , G06F16/33 , G06F40/289 , G06F40/35 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种回复增强与跨度预测共同优化的多轮对话方法及系统，该方法包括以下步骤：步骤A：提取用户对话、用户对话涉及的回复，并标注用户对话涉及的相关回复话语的标签，正样本为对话中正确的回复，负样本为不正确的回复，构建训练集UB；步骤B：使用训练集UB训练回复增强与跨度预测共同优化的深度学习网络模型G，用于学习用户对话中和用户对话涉及的回复中的局部语义关系，同时针对用户对话涉及的回复中的内容进行学习；步骤C：将完整用户对话和用户对话涉及的回复输入到训练好的深度学习网络模型G中，得到关于完整用户对话的正确回复。该方法及系统可以有效提高回复选择的准确性。
-
公开(公告)号：CN109753660B
公开(公告)日：2023-06-13
申请号：CN201910013185.2
申请日：2019-01-07
Applicant: 福州大学
IPC: G06F40/295 , G06F40/30 , G06F16/35 , G06N3/0442 , G06N3/0455 , G06N3/047 , G06N3/084
Abstract: 本发明涉及一种中标数据的命名实体识别方法，包括如下步骤：对中标网页的文本数据进行清洗，得到中标文本；利用Lattice‑LSTM作为编码层得到文本数据的语义信息特征；利用LSTM作为解码层对每个字进行实体标注，标记出语句序列中的实体信息；进行规则的校正和格式化处理；最后输出识别出的中标网页的命名实体。本发明基于Lattice‑LSTM‑LSTM模型，能够高效的识别招标网站的中标项目详情页面中的命名实体。
-
Patent Agency Ranking
公开(公告)号：CN115659966A
公开(公告)日：2023-01-31
申请号：CN202211340799.X
申请日：2022-10-29
Applicant: 福州大学
IPC: G06F40/279 , G06F40/211 , G06F16/901 , G06F40/30 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于动态异构图和多级注意力的谣言检测方法及系统，该方法包括以下步骤：步骤A：在社交平台中采集帖子，提取帖子中的文本内容、评论内容和相关用户信息，并标注帖子的真实性标签，以此构建训练数据集DE；步骤B：使用训练数据集DE训练基于动态异构图和多级注意力的深度学习网络模型，通过此模型来分析帖子的真实性，并预测帖子的真实性标签；步骤C：将待检测帖子的文本内容、评论内容和相关用户信息输入到训练好的深度学习网络模型中，得到帖子的真实性标签。该方法及系统有利于提高谣言检测的准确性。
-
公开(公告)号：CN110059698B
公开(公告)日：2022-12-23
申请号：CN201910359119.0
申请日：2019-04-30
Applicant: 福州大学
IPC: G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70
Abstract: 本发明涉及一种用于街景理解的基于边缘稠密重建的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再获取三级上下文空间金字塔融合特征，以这两部分级联作为编码网络提取编码特征；利用编码特征获取半输入尺寸编码特征，基于卷积网络获取边缘特征，结合半输入尺寸编码特征，以融合边缘特征的稠密网为解码网络，重建图像分辨率，获取解码特征；计算语义分割损失和辅助监督的边缘损失，以最小化两者加权和损失为目标对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。
-
公开(公告)号：CN110070066B
公开(公告)日：2022-12-09
申请号：CN201910359494.5
申请日：2019-04-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于姿态关键帧的视频行人重识别方法及系统，该方法包括以下步骤：步骤A：使用标注了行人姿态关键点位置信息的数据训练行人姿态估计深度神经网络；步骤B：根据行人姿态估计深度神经网络预测得到的姿态信息选取姿态关键帧，训练行人重识别深度神经网络；步骤C：将查询集和检索集的视频输入行人重识别深度神经网络以提取特征，计算各视频间的特征距离，并对各特征距离进行排序，生成各查询视频的近邻列表；步骤D：利用重排序方法对近邻列表进行重新排序，选取近邻列表的前若干名为行人重识别结果。该方法及系统可以提高视频行人重识别的准确度和速度。
-
公开(公告)号：CN115422945A
公开(公告)日：2022-12-02
申请号：CN202211139407.3
申请日：2022-09-19
Applicant: 福州大学
Abstract: 本发明提出一种融合情感挖掘的谣言检测方法，所述方法包括以下步骤；步骤A：收集并提取社交网络媒体中源帖子的文本内容和评论内容，并人工标注源帖子的真实标签，形成训练数据集DT；步骤B：使用训练数据集DT，训练基于多级注意力和知识图谱的深度学习网络模型N，训练内容包括分析源帖子的真实性和预测源帖子的真实性标签；步骤C：将源帖子的文本内容和评论内容输入到训练好的深度学习网络模型N中，获得源帖子的真实性标签；本发明可以提升对微博进行谣言检测的准确性。
-
公开(公告)号：CN110059768B
公开(公告)日：2022-11-15
申请号：CN201910359134.5
申请日：2019-04-30
Applicant: 福州大学
Abstract: 本发明涉及一种用于街景理解的融合点与区域特征的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再基于通用特征获取多重上下文对比点特征，以这两部分级联作为编码网络提取编码特征；从卷积网络中选取中间层特征，结合编码特征计算区域特征，融合点域特征扩大解码特征分辨率，把这部分多次迭代作为解码网络，重建图像分辨率，计算解码特征；计算边缘增强的语义分割损失，以最小化边缘增强的语义分割损失为目标来对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
222
records
(took 0.031 seconds)
