-
公开(公告)号：CN117669262A
公开(公告)日：2024-03-08
申请号：CN202311833319.8
申请日：2023-12-28
IPC: G06F30/20 , G16C60/00 , G06F119/08 , G06F119/14
Abstract: 本发明公开一种多元金属硼化物超高温陶瓷材料的设计方法及系统，涉及超高温陶瓷材料技术领域，该设计方法通过评估单组元金属硼化物超高温陶瓷材料的力学性能，并综合考虑其高温稳定性，从而选择三种单组元金属硼化物超高温陶瓷材料；基于这三种单组元金属硼化物优化设计多元超高温陶瓷材料固溶体的组元成分及组分配比，构建固溶体结构模型，并采用模拟软件模拟不同固溶体结构模型的应变程度，从而确定结构最稳定的多元金属硼化物超高温陶瓷材料。相较于试错法的高实验成本、长研制周期的特点，本发明实现了高效快速、低成本设计多元金属硼化物超高温陶瓷材料。
-
公开(公告)号：CN117611951A
公开(公告)日：2024-02-27
申请号：CN202311815373.X
申请日：2023-12-26
Applicant: 之江实验室
IPC: G06V10/774 , G06V10/26
Abstract: 本说明书公开了一种基于退化图像的检测模型训练以及检测方法及装置。所述任务执行方法包括：根据获取到的各样本图像，确定合成图像。针对每个检测模型，将合成图像输入到该检测模型的图像恢复网络中，得到该检测模型的图像恢复网络输出的恢复后图像，并将恢复后图像输入到该检测模型的目标检测网络中，得到该检测模型的目标检测网络输出的目标检测结果，作为该检测模型对应的目标检测结果。以最小化该检测模型的图像恢复网络针对合成图像输出的恢复后图像与合成图像对应的真实清晰图像之间的偏差，以及最小化该检测模型针对合成图像的目标检测结果与合成图像对应的实际结果之间的偏差为优化目标，对该检测模型进行训练。
-
公开(公告)号：CN117011672A
公开(公告)日：2023-11-07
申请号：CN202311259542.6
申请日：2023-09-27
Applicant: 之江实验室
IPC: G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于类特定元提示学习的小样本类增对象识别方法和装置，该方法包括：采用基础任务的大量有标签图片构造基于类别特定提示的跨模态特征学习网络；从基础任务中构造具有伪基础任务和多阶段伪增量任务的元学习情景训练数据集，用以模拟真实的小样本类增对象识别任务；针对每个伪学习任务，使用支持集图片，构造类特定的提示向量，使用查询集图片，优化跨模态特征学习网络中的提示生成器及上下文提示向量；使用最终的跨模态特征学习网络获取增量任务的所有类别文本特征，根据测试图片的图片特征与所有类别文本特征的余弦相似度进行类别识别。本发明实现方法简便、灵活，显著提高了新类别的泛化能力，缓解旧类别的灾难性遗忘现象。
-
公开(公告)号：CN116153523A
公开(公告)日：2023-05-23
申请号：CN202310216414.7
申请日：2023-03-02
Applicant: 之江实验室
Abstract: 本发明公开了一种骨支架模型内扩散场的模拟方法和装置，构建需要模拟的骨支架模型，设置扩散物质、扩散物质对应的扩散方程、模拟的各项初始参数；构建用于扩散场模拟的神经网络，从骨支架模型内采样三维点作为样本点，并将样本点处的初始参数带入扩散方程后，根据扩散方程构建损失函数；以样本点及扩散时刻作为神经网络的输入，并采用损失函数对神经网络进行参数优化；利用参数优化的神经网络进行扩散场模拟得到模拟扩散结果。该方法在确保模拟精度的情况下，尽可能提升模拟运算速率。
-
公开(公告)号：CN115359074A
公开(公告)日：2022-11-18
申请号：CN202211284399.1
申请日：2022-10-20
Applicant: 之江实验室
IPC: G06T7/11 , G06T7/136 , G06V10/26 , G06V10/40 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于超体素聚类及原型优化的图像分割、训练方法及装置，使用训练数据进行无监督超体素聚类；基于超体素聚类结果构造基于伪标签的元学习训练数据集；采用元学习训练数据集构造基于原型优化的小样本医疗图像分割网络；将测试类的有标签训练图片输入上述小样本图像分割网络，提取相应的图片特征，根据图片所对应的真实分割掩码，计算该类别的类原型向量；将测试类的测试图片输入上述网络提取特征，计算测试图片特征与类原型向量之间的余弦相似度，并基于相似度对原型进行优化；计算图片特征与优化后的原型向量之间的余弦相似度，并对余弦相似度进行归一化处理，将相似度大于分类阈值的位置，预测为前景所在位置，得到最终的分割结果。
-
Patent Agency Ranking
公开(公告)号：CN117011672B
公开(公告)日：2024-01-09
申请号：CN202311259542.6
申请日：2023-09-27
Applicant: 之江实验室
IPC: G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于类特定元提示学习的小样本类增对象识别方法和装置，该方法包括：采用基础任务的大量有标签图片构造基于类别特定提示的跨模态特征学习网络；从基础任务中构造具有伪基础任务和多阶段伪增量任务的元学习情景训练数据集，用以模拟真实的小样本类增对象识别任务；针对每个伪学习任务，使用支持集图片，构造类特定的提示向量，使用查询集图片，优化跨模态特征学习网络中的提示生成器及上下文提示向量；使用最终的跨模态特征学习网络获取增量任务的所有类别文本特征，根据测试图片的图片特征与所有类别文本特征的余弦相似度进行类别识别。本发明实现方法简便、灵活，显著提高了新类别的泛化能力，缓解旧类别的灾难性遗忘现象。
-
公开(公告)号：CN115359074B
公开(公告)日：2023-03-28
申请号：CN202211284399.1
申请日：2022-10-20
Applicant: 之江实验室
IPC: G06T7/11 , G06T7/136 , G06V10/26 , G06V10/40 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/048 , G06N3/088
Abstract: 本发明公开了基于超体素聚类及原型优化的图像分割、训练方法及装置，使用训练数据进行无监督超体素聚类；基于超体素聚类结果构造基于伪标签的元学习训练数据集；采用元学习训练数据集构造基于原型优化的小样本医疗图像分割网络；将测试类的有标签训练图片输入上述小样本图像分割网络，提取相应的图片特征，根据图片所对应的真实分割掩码，计算该类别的类原型向量；将测试类的测试图片输入上述网络提取特征，计算测试图片特征与类原型向量之间的余弦相似度，并基于相似度对原型进行优化；计算图片特征与优化后的原型向量之间的余弦相似度，并对余弦相似度进行归一化处理，将相似度大于分类阈值的位置，预测为前景所在位置，得到最终的分割结果。
-
公开(公告)号：CN117236416A
公开(公告)日：2023-12-15
申请号：CN202311498497.X
申请日：2023-11-13
Applicant: 之江实验室
Abstract: 本发明公开了一种大语言模型交互方法和装置，该方法提出一种新的规划者‑协调者‑执行者的大语言模型交互框架，其中，大语言模型作为规划者，智能体作为执行者，新增的协调者可以确定何时请求与规划者通信，并将执行者当前的观测数据转化成规划者可以理解的自然语言形式的文本字符串，协调者可通过基于无效通信惩罚的强化学习预训练，实施最优通信策略。本发明通过实施最优通信策略可以在正式部署到测试环境后显著减少与规划者的通信次数，同时协调者能够在规划者容易出错的场景下减少对规划者的依赖，以及在面对突发情况时及时求助于规划者，提高了执行者的安全性与任务成功率。
-
公开(公告)号：CN113409359B
公开(公告)日：2022-11-29
申请号：CN202110710343.7
申请日：2021-06-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于特征聚合的多目标跟踪方法，该方法将多目标跟踪任务分为基于Single Shot的目标跟踪与Identity‑Aware特征聚合的数据关联部分，Single Shot的目标跟踪一次性将前一帧所有的目标跟踪到当前帧中，Identity‑Aware特征聚合的数据关联聚合相邻帧同一物体的特征。本发明提出的Single Shot的目标跟踪为所有目标共享计算，使得多目标跟踪方法的速度不受目标数量的影响；本发明提出的Identity‑Aware特征聚合的数据关联提升了物体特征的区分性，使得数据关联部分更加准确。
-
公开(公告)号：CN113409359A
公开(公告)日：2021-09-17
申请号：CN202110710343.7
申请日：2021-06-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于特征聚合的多目标跟踪方法，该方法将多目标跟踪任务分为基于Single Shot的目标跟踪与Identity‑Aware特征聚合的数据关联部分，Single Shot的目标跟踪一次性将前一帧所有的目标跟踪到当前帧中，Identity‑Aware特征聚合的数据关联聚合相邻帧同一物体的特征。本发明提出的Single Shot的目标跟踪为所有目标共享计算，使得多目标跟踪方法的速度不受目标数量的影响；本发明提出的Identity‑Aware特征聚合的数据关联提升了物体特征的区分性，使得数据关联部分更加准确。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.029 seconds)
