-
公开(公告)号：CN120067299A
公开(公告)日：2025-05-30
申请号：CN202510212807.X
申请日：2025-02-26
Applicant: 北京工业大学
IPC: G06F16/334 , G06N3/045 , G06F21/62 , G06F40/30 , G06F18/213 , G06F18/25 , G06F16/3329 , G06F16/338 , G06F16/335 , G06F18/22 , G06N5/04 , G06N5/022
Abstract: 本发明提供一种基于大型语言模型的个性化认知路径抽取方法，涉及自然语言处理。所述方法包括以下步骤：首先，对个体陈述文本进行预处理和编码；然后，通过计算相似度，从认知路径数据库中检索出相似的认知路径抽取示例，为少样本提示构建提供参考；接着，设计了一种综合提示策略，结合基础提示、少样本提示以及思维链提示，引导大型语言模型逐步精准地抽取个体的认知路径；此外，引入自动化检查与大型语言模型自评反馈的方式，对生成的认知路径进行一致性校验与优化，以确保抽取结果的准确性和可靠性。本发明通过结合示例检索与提示工程，特别是引入思维链提示策略，强化了模型推理过程的可解释性，提高个性化认知路径抽取的效率与准确性。
-
公开(公告)号：CN119693385A
公开(公告)日：2025-03-25
申请号：CN202411585367.4
申请日：2024-11-08
Applicant: 北京工业大学
IPC: G06T7/11 , G06T7/136 , G06T7/155 , G06V10/28 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/762 , G06N3/0464 , G06N3/0895 , G06N3/084
Abstract: 一种基于策略融合和SAM优化分割的弱监督乳腺超声图像分割方法，属于计算机视觉领域。该方法总体分为初步分割，优化分割两个阶段。阶段一为初步分割，采用两个并行分支互补融合形成初步分割结果。其中边界提取分支通过形态学分割方法提取目标区域结构边界信息，语义信息提取分支通过训练分类网络实现图像语义特征提取，并采用基于LayerCAM的方法生成热图突出目标分割区域，使用阈值分割方法从热图中获得分割掩码，随后采用融合策略将两个分支的掩码进行融合，形成初步分割结果。在优化分割阶段，SAM模型作为分割增强工具细化初步分割之后的伪标签，并使用后处理步骤用于进一步增强，提高分割准确率。
-
公开(公告)号：CN119626457A
公开(公告)日：2025-03-14
申请号：CN202411812605.0
申请日：2024-12-10
Applicant: 北京工业大学
IPC: G16H20/60 , G06F16/9535 , G06F16/9537 , G06N5/022 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 一种基于时空知识图谱和用户未来状态指导的饮食方案推荐方法属于知识图谱领域，具体设计深度学习，图卷积神经网络，图自注意力机制，对比学习等技术。本发明首先利用图卷积神经网络和图自注意力机制对用户与菜品的空间信息进行建模。随后利用双向长短期记忆网络(BiLSTM)对建模得到的空间信息进行建模，得到用户与菜品的时空信息。在此基础上，通过全连接层计算用户的健康状态，并将其与时空信息进行合并。最后，利用对比学习的方法，系统可以从大量的饮食方案中筛选出最符合用户个性化需求的推荐方案。
-
公开(公告)号：CN114494728B
公开(公告)日：2024-06-07
申请号：CN202210123900.X
申请日：2022-02-10
Applicant: 北京工业大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的小目标检测方法，包括以下步骤：对训练数据中的小目标进行数据增强。通过特征提取网络对处理后的图像进行特征提取，将特征图通过级联进行融合作为特征图。特征图经过通道注意力模块加权后再经过空间注意力模块得到最终的特征图。将所提取的潜在目标根据面积大小划分为常规目标与小目标。对小目标区域进行RoIAlign区域池化操作，对池化结果进行类别判断与位置回归得到最终检测结果；使用混合注意力模块，提升RPN区域提取能力，将提取的区域按照面积大小区分为小目标与其他目标两类，对小目标区域使用RoIAlign区域池化，充分利用了小目标区域的特征信息，从而在减少计算量增加的同时提升了网络对小目标的检测能力。
-
公开(公告)号：CN118035306A
公开(公告)日：2024-05-14
申请号：CN202410056292.4
申请日：2024-01-15
Applicant: 北京工业大学
IPC: G06F16/2458 , G06F16/9535 , G06F16/9537 , G06F18/22 , G06F18/213 , G06N3/0442 , G06N3/049 , G06N3/084
Abstract: 本发明提供了一种基于相似性预测的事件相关图构造方法。本发明基于相似性预测任务背景，针对现有的常见概念关系图根据目标文本中的概念序列学习这些概念之间的时间信息可能会给相似性学习带来噪音的问题，设计了事件关系图表示方法，减少了噪声的干扰，从而进一步提升者相似性建模任务的精度。相似性预测在很多应用领域都有广泛的应用，包括搜索引擎、广告推荐、社交媒体分析等。
-
Patent Agency Ranking
公开(公告)号：CN115546466A
公开(公告)日：2022-12-30
申请号：CN202211201019.3
申请日：2022-09-28
Applicant: 北京工业大学
IPC: G06V10/24 , G06V10/25 , G06V10/764 , G06V10/80
Abstract: 一种基于多尺度显著特征融合的弱监督图像目标定位方法，属于计算机视觉领域。为了解决小目标图像ROI标注工作繁杂、CAM激活不足两个问题，本发明重点关注优化弱监督下分类网络输出类激活图的研究。本发明涉及两个层面的信息融合：①由于卷积神经网络中最底层的特征图语义信息弱但位置信息强，故可与最高层特征图进行融合得到分类网络最终的特征图；②由于分类网络对不同尺度ROI的敏感度不同，其得到的类激活图也有所不同，所以融合不同激活图中互补的对象信息能够完善图像中目标区域的定位，进而产生更准确的伪标签用于分割任务。
-
公开(公告)号：CN109741318B
公开(公告)日：2022-03-29
申请号：CN201811648244.5
申请日：2018-12-30
Applicant: 北京工业大学
Abstract: 本发明提供了基于有效感受野的单阶段多尺度特定目标的实时检测方法。该方法首先是从SSD的多尺度架构中提取出相应的特征层，并根据感受野覆盖的像素范围来选择尺度；其次，我们移除了传统方法中的anchor结构，采用更少的特征层，利用天然感受野的特性直接对特征图的对应的感受野框进行分类和回归。最后采用RF(感受野)采样框置灰学习策略，避免学习冗杂多余参数。本方法大大降低了传统基于anchor采样框的算法复杂度，提高了检测的效率并能够达到实时的效果，在数据量非常大的应用背景下非常具有使用价值。
-
公开(公告)号：CN110046252B
公开(公告)日：2021-07-30
申请号：CN201910246935.0
申请日：2019-03-29
Applicant: 北京工业大学
Abstract: 一种基于注意力机制神经网络与知识图谱的医疗文本分级方法属于计算机人工智能领域，通过基于Attention机制的增强型LSTM模型得到准确性更高的医疗文本的分级结果。方法包括：直接关系抽取模块、直接关系统一模块、间接语义关系推理模块、神经网络分级模块。在本方法中使用了知识图谱作为外部数据源，通过增强型的LSTM作为Encoder模型学习知识图谱与文本数据中实体‑关系‑实体三元组数据作为模型的输入，通过Attention机制得到不同的三元组对于文本分级的重要程度，将普通的LSTM作为的Decoder模型学习中间隐藏向量，在通过softmax层得到最终的文本分级结果。
-
公开(公告)号：CN110134954A
公开(公告)日：2019-08-16
申请号：CN201910371706.1
申请日：2019-05-06
Applicant: 北京工业大学
IPC: G06F17/27
Abstract: 一种基于Attention机制的命名实体识别方法属于计算机领域，通过Attention机制引入中文字素和字符位置权重信息来提高命名实体识别的准确率。方法包括：相似词语提取模块、特征构建模块和分类器模块，其中特征构建模块包括词语相似度融合、词特征提取、字符特征提取和特征融合四个子模块。本方法通过双向LSTM(长短期记忆)来处理命名实体识别中的上下文信息，通过crf(条件随机场)来预测实体标签类别。
-
公开(公告)号：CN109961093A
公开(公告)日：2019-07-02
申请号：CN201910170701.2
申请日：2019-03-07
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于众智集成学习的图像分类方法，本发明采用的技术方案为一种基于集成学习的方法来提高图像分类的准确性的方法。改变了传统的svm训练方式，将传统svm与随机森林的思想进行了结合，使最终预测结果，更加具有鲁棒性，更可靠。针对从某医院内分泌科的系统数据库收集的面部数据集，对于面部图像检测任务的正确分类率，综合分类器的最佳性能为88.1％。证明了该集成学习方法可以实现面部图像的分类，在其他场景图像数据集中，本方法也得到了很好的效果。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.028 seconds)
