-
公开(公告)号：CN116030309A
公开(公告)日：2023-04-28
申请号：CN202310130102.4
申请日：2023-02-03
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06N3/0475 , G06N3/092 , G06N3/094
Abstract: 本说明书公开了一种对抗样本生成方法、装置、存储介质及电子设备。在本说明书提供的对抗样本生成方法中，获取原始图像以及所述原始图像的标注；将所述原始图像作为目标图像，输入预先训练的图像分类模型，得到所述图像分类模型输出的分类结果；判断所述分类结果与所述标注是否匹配；若否，则将所述目标图像确定为对抗样本图像；若是，则确定所述分类结果与所述标注的差异，根据所述差异确定状态，将所述状态输入预先训练的样本生成模型，通过所述样本生成模型输出所述状态下的动作值，根据所述目标图像与所述动作值确定扰动图像，将所述扰动图像重新确定为目标图像。
-
公开(公告)号：CN115120248B
公开(公告)日：2022-12-20
申请号：CN202211068196.9
申请日：2022-09-02
Applicant: 之江实验室
IPC: A61B5/352 , A61B5/00 , A61B5/024 , A61B5/0245
Abstract: 本发明公开了基于直方图的自适应阈值R峰检测、心律分类方法及装置，通过计算心电信号的最大、最小值，若最小值的绝对值大于最大值，则将预处理后的心电信号进行水平翻转；提取心电信号的极大值作为候选R峰；统计R峰的直方图分布；根据人体极限心率范围及心电信号时长，确定R峰的数量范围，并截取相应的直方图范围；根据最大类间方差法确定直方图分割阈值，从而得到R峰阈值；取高于阈值的R峰；根据人体极限心率范围，确定R峰间隔阈值，过滤小于间隔阈值的R峰，得到最终的R峰。根据R峰值，计算时域特征，再将时域特征转换为频域特征，将时域特征和频域特征作为心电信号特征指标；将心电信号特征指标输入心电识别模型获得心律分类结果。
-
公开(公告)号：CN114756629B
公开(公告)日：2022-10-21
申请号：CN202210677318.8
申请日：2022-06-16
Applicant: 之江实验室
IPC: G06F16/27 , G06F16/242 , G06F9/48
Abstract: 本发明公开了基于SQL的多源异构数据交互分析引擎及方法，引擎包括：依次连接的交互控制台、协调器、执行器和源驱动器，方法包括：步骤S1：交互控制台获取SQL数据，反馈SQL执行结果；步骤S2：协调器解析SQL数据生成逻辑计划树，逻辑计划树包括一系列具有依赖关系的任务，将逻辑计划树拆分成能够并发执行的子计划，各子计划包含一组任务，将子计划调度到执行器；步骤S3：执行器根据子计划，通过源驱动器获取数据源数据，进行子计划中任务的执行，并将SQL执行结果反馈交互控制台。实现多源异构数据的交互式关联融合分析的目的，降低了成本，提高了数据准确性、时效性，提升了扩展性和维护性。
-
公开(公告)号：CN115168620A
公开(公告)日：2022-10-11
申请号：CN202211098589.4
申请日：2022-09-09
IPC: G06F16/36 , G06F40/194 , G06F40/295 , G06F40/30 , G06N3/08 , G06V10/74 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种面向知识图谱实体对齐的自监督联合学习方法，包括：步骤一，使用图像预训练深度学习模型学习实体的图像特征，通过计算图像特征之间欧氏距离来测量图像相似度，选择相似度最高的实体对作为种子对齐；步骤二，在步骤一的种子对齐的监督下，利用知识图谱的多模态信息，基于知识嵌入模型，将知识图谱嵌入到计算机低维向量空间；步骤三，基于步骤二的知识图谱的嵌入，计算实体多模态交互相似度向量，之后通过模态融合学习各模态的权重并生成最终的实体嵌入，最后，基于实体嵌入计算余弦距离以测量实体之间的对齐可能性，并输出对齐实体列表。本发明以自监督联合学习的方式进行实体对齐，全程无需人工干预，确保了其拓展性。
-
公开(公告)号：CN115120248A
公开(公告)日：2022-09-30
申请号：CN202211068196.9
申请日：2022-09-02
Applicant: 之江实验室
IPC: A61B5/352 , A61B5/00 , A61B5/024 , A61B5/0245
Abstract: 本发明公开了基于直方图的自适应阈值R峰检测、心律分类方法及装置，通过计算心电信号的最大、最小值，若最小值的绝对值大于最大值，则将预处理后的心电信号进行水平翻转；提取心电信号的极大值作为候选R峰；统计R峰的直方图分布；根据人体极限心率范围及心电信号时长，确定R峰的数量范围，并截取相应的直方图范围；根据最大类间方差法确定直方图分割阈值，从而得到R峰阈值；取高于阈值的R峰；根据人体极限心率范围，确定R峰间隔阈值，过滤小于间隔阈值的R峰，得到最终的R峰。根据R峰值，计算时域特征，再将时域特征转换为频域特征，将时域特征和频域特征作为心电信号特征指标；将心电信号特征指标输入心电识别模型获得心律分类结果。
-
Patent Agency Ranking
公开(公告)号：CN114118633B
公开(公告)日：2022-06-10
申请号：CN202210090890.4
申请日：2022-01-26
Abstract: 本发明公开了一种基于先行关系的指标自优化预测方法及装置，包括：制定协同调整规则，计算时滞协同相关度形成时滞相关分析表，以及对时间序列指标进行筛选形成先行分析表；若指标时间长度远小于指标个数，则对指标集进行重抽样处理，并进行逐步回归；构造指标重要性测度公式，自优化先行指标集，形成关键先行指标集；利用关键先行指标集进行再逐步回归，开展参数估计与预测。本发明的基于先行关系的指标自优化预测算法，解决了高维数据分析过程中指标维度远高于指标数量而导致的预测失效问题。
-
公开(公告)号：CN114490860A
公开(公告)日：2022-05-13
申请号：CN202210071437.9
申请日：2022-01-21
Applicant: 之江实验室
IPC: G06F16/26 , G06F16/215 , G06F16/25 , G06F40/30 , G06F40/186
Abstract: 本发明公开了一种数据转换操作语义的可视化方法及装置、电子设备，包括：为数据转换操作挑选含有二维数据表的图形图符模板；根据数据转换操作，确定用于展示在二维数据表上的行和列；从真实表格中挑选出与数据转换操作语义相关的行列单元格数据，并填入二维数据表中；在二维数据表的外围填入与数据转换操作语义相关的非真实表格数据；为所述二维数据表中的单元格进行颜色的编码；用标记框将二维数据表中具有依赖关系的列框选出，并用连接线相连；根据真实表格的行列数目大小，为二维数据表绘制行列滚动条。本发明采用多种视觉通道从不同维度可视化数据转换操作的语义，具有通用性广、可扩展性强、可解释性高等优点。
-
公开(公告)号：CN114327215A
公开(公告)日：2022-04-12
申请号：CN202210252339.5
申请日：2022-03-15
Applicant: 之江实验室
IPC: G06F3/04845 , G06T11/20
Abstract: 本发明属于信息可视化领域，涉及一种智能识别图表刷选目标的方法、装置和介质，该方法包括：步骤一，初始化计算图表的各类元素，根据预设的目标刷选范围，对图表进行刷选，获取刷选范围；步骤二，计算刷选范围的各类图表元素的匹配分值，其中，所述匹配分值包括数据区域的匹配分值、坐标轴的匹配分值、图例的匹配分值；步骤三，根据各类图表元素的匹配分值，提取目标元素，获取目标元素对应数据信息，后将数据信息包装为事件并发送给用户端。本发明方法支持以图表为整体来完成数据刷选，还可以支持边界值的刷选，且不受限于单个图表元素所占区域的大小。
-
公开(公告)号：CN113673252A
公开(公告)日：2021-11-19
申请号：CN202110924937.8
申请日：2021-08-12
Applicant: 之江实验室
IPC: G06F40/30 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及多维数据分析领域，具体为一种基于字段语义的数据表自动join推荐方法，包括：步骤1，将待join的两数据表中的字段两两组合，作为计算相似度值的集合；步骤2，推断出字段的语义类型；步骤3，判断两字段的数据类型和语义类型是否一致，再判断两字段名是否一致，接着判断两字段值是否存在枚举类；步骤4，分别计算字段名相似度和字段值的相似度，后通过加权求和，得到匹配系数，即两字段的相似度；步骤5，将所有字段的相似度的分值从高到低进行排序并输出提取前20条，作为推荐。本发明通过对数据表字段名和字段值的分析来推荐join的联接子句，更准确更全面地帮助用户发现多维数据隐藏的关联信息，有效地提升大数据分析系统的智能化水平。
-
公开(公告)号：CN118378091B
公开(公告)日：2024-09-24
申请号：CN202410791652.5
申请日：2024-06-19
Applicant: 之江实验室
IPC: G06F18/214 , G06F18/27 , G06F18/2431 , G06N3/0464 , G06N3/084
Abstract: 测天文光红移的标准数据集和基线模型的构建方法和系统，其方法包括：收集与测光红移任务相关的天文图像数据，进行数据预处理；计算红移真值并进行归一化处理，将红移数据转换为三元组；选择深度模型，根据分类数量修改模型头部为并行的分类头和回归头，并随机初始化网络参数；对输入样本计算分类损失和回归损失，并使用梯度下降算法更新神经网络模型参数，直至模型在训练集上的损失不再降低；联合建模深度神经网络和贝叶斯神经网络实现红移的不确定性估计；最后将训练好的模型进行部署，完成红移估计任务。本发明针对测光红移估计问题，建立了完整的机器学习数据集和基线模型方法，推进了机器学习方法在天文测光红移问题的应用。
-
-
-
-
-
-
-
-
-
Search Results
188
records
(took 0.043 seconds)
