-
公开(公告)号：CN111177384B
公开(公告)日：2023-01-20
申请号：CN201911361911.6
申请日：2019-12-25
Applicant: 南京理工大学
IPC: G06F16/35
Abstract: 本发明公开了一种基于全局和局部标记相关性的多标记中文情感标注方法，包括：在模型参数矩阵上利用皮尔森相关系数度量标记之间的全局标记相关性；利用k‑means聚类方法将训练集聚类成m个簇，通过标记共现次数计算出标记之间的局部标记相关性矩阵；利用拟牛顿下降法L‑BFGS算法对目标函数进行最优化，求解模型参数矩阵的最优值；利用训练好的线性回归模型对测试示例进行预测；根据阈值选出样本的标记集合。本发明将全局和局部标记相关性同时应用到多标记学习中，提出基于全局和局部标记相关性的多标记中文情感标注方法，方法性能优于现有方法。
-
公开(公告)号：CN114066772A
公开(公告)日：2022-02-18
申请号：CN202111419107.6
申请日：2021-11-26
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于transformer编码器的牙体点云补全方法及系统，包括：S1、对不完整牙体点云进行处理，并根据得到的聚类中心和局部特征得到特征矩阵S2、对聚类中心和围绕各关键点的局部特征进行编码，挖掘出用于描述缺失部位牙齿的潜在向量并从潜在向量预测出缺失牙齿的低分辨率点云Yc；S3、将低分辨率点云Yc和潜在向量结合构成重构特征从和Yc恢复出高分辨率点云Yf，组合Yc和Yf得到最终牙体点云Ypred；S4、通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离，完成牙体补全网络的训练；S5、对测试数据进行补全，得到完整牙体点云，并使用指标进行评价。通过广泛的实验证明了本方法的有效性，并应用在了不完整牙体的点云补全上。
-
公开(公告)号：CN103954222B
公开(公告)日：2017-03-29
申请号：CN201410177283.7
申请日：2014-04-29
Applicant: 南京理工大学
Abstract: 本发明公开一种车辆轮廓及轴距自动测量系统及测量算法，包括三个距离测量单元、轮廓测量控制单元、轴距测量控制单元、取证单元、综合数据处理单元和检测通道；距离测量单元、轮廓测量控制单元、轴距测量控制单元、取证单元设置于检测通道上；三个距离测量单元分别为第一距离测量单元B1、第二距离测量单元B2和第三距离测量单元B3，轮廓测量控制单元分别与三个距离测量单元连接，轴距测量控制单元与第一距离测量单元B1连接，距离测量单元与综合数据处理单元连接，取证单元监控并记录车辆运行检测的实时状态。本发明能够自动测量包括车长、宽、高在内的车辆轮廓以及车辆轴距的数据，既保证测量精度，又提高测量效率。
-
公开(公告)号：CN116385697A
公开(公告)日：2023-07-04
申请号：CN202310365399.2
申请日：2023-04-07
Applicant: 南京理工大学
IPC: G06T17/20 , G06N3/0455 , G06N3/0464 , A61C13/08
Abstract: 本发明公开一种可摘局部义齿卡环三维模型设计方法，包括步骤S1：将基牙三角网格曲面模型离散化为体素表示，并使用快速行进算法计算体素空间内截断符号距离场；S2：将基牙的截断符号距离场输入神经网络，得到与输入基牙匹配的可摘局部义齿卡环的截断符号距离场；S3：使用行进立方体算法将可摘局部义齿卡环的截断符号距离场转为三角网格曲面模型。本申请方案有效提升了可摘局部义齿卡环设计效率，且避免了因医师经验和水平差异导致的产品质量差距，可作为可摘局部义齿设计辅助；同时以截断符号距离场作为中间表示，将卷积模块和注意力机制模块混合使用，提升网络对形状映射关系的捕捉能力，并降低了注意力机制对训练集规模的要求。
-
公开(公告)号：CN113052268A
公开(公告)日：2021-06-29
申请号：CN202110471932.4
申请日：2021-04-29
Applicant: 南京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种区间集数据类型下基于不确定性度量的属性约简算法，包括以下步骤：(1)输入区间集数据，建立区间集型数据表下的粗糙集模型；(2)在区间集数据表的粗糙集模型下建立不确定性度量准则；(3)通过不确定性度量准则，计算全体条件属性的不确定性、区间集数据表的核属性和每个条件属性的属性重要度；(4)依次选择属性重要度最大的属性与核属性作为约简候选属性；(5)从约简候选属性中删除部分添加的冗余属性即可得到约简后的属性结合。本发明算法首次应用在区间集型数据表中，利用条件信息熵等准则构建一种不确定性度量作为度量指标的约简方法，约简后的数据比原本的数据有更低的维度，降低了数据量，提升了分类精度。
-
Patent Agency Ranking
公开(公告)号：CN112418166A
公开(公告)日：2021-02-26
申请号：CN202011434335.6
申请日：2020-12-10
Applicant: 南京理工大学
IPC: G06K9/00 , G06K9/62 , G06N20/00 , G10L15/06 , G10L21/0208 , G10L25/24 , G10L25/45 , G10L25/57 , G10L25/63
Abstract: 本发明公开了一种基于多模态信息的情感分布学习方法，包括：S1、数据准备：提取多模态数据特征，并将多模态数据特征数据集分为训练集和测试集，分别用于模型训练部分和情感预测部分；S2、模型训练：在训练集上学习每个模态的情感分布；S3、情感预测：基于步骤S2中训练好的模型在测试集上进行预测，并通过融合策略将所有模态结果结合起来得到最终结果。本发明通过学习来获取更加准确的标记相关性矩阵，另外，在进行多模态数据处理时采用了后期融合策略，同时，在训练过程中通过约束不同模态的标记相关性矩阵尽可能相似来实现不同模态之间的相互印证和相互补充。本发明通过引入多模态信息可以提高情感分布学习模型的性能。
-
公开(公告)号：CN112418166B
公开(公告)日：2022-11-11
申请号：CN202011434335.6
申请日：2020-12-10
Applicant: 南京理工大学
IPC: G06V20/40 , G06V40/16 , G06V10/774 , G06N20/00 , G10L15/06 , G10L21/0208 , G10L25/24 , G10L25/45 , G10L25/57 , G10L25/63
Abstract: 本发明公开了一种基于多模态信息的情感分布学习方法，包括：S1、数据准备：提取多模态数据特征，并将多模态数据特征数据集分为训练集和测试集，分别用于模型训练部分和情感预测部分；S2、模型训练：在训练集上学习每个模态的情感分布；S3、情感预测：基于步骤S2中训练好的模型在测试集上进行预测，并通过融合策略将所有模态结果结合起来得到最终结果。本发明通过学习来获取更加准确的标记相关性矩阵，另外，在进行多模态数据处理时采用了后期融合策略，同时，在训练过程中通过约束不同模态的标记相关性矩阵尽可能相似来实现不同模态之间的相互印证和相互补充。本发明通过引入多模态信息可以提高情感分布学习模型的性能。
-
公开(公告)号：CN114067081A
公开(公告)日：2022-02-18
申请号：CN202111418946.6
申请日：2021-11-26
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于双向增强网络的3D牙齿模型分割方法，包括：使用quadricedge collapse网格化简算法对原始3D牙齿模型进行化简，得到化简后的3D牙齿模型的初始化坐标矩阵P和法向量矩阵V；将化简后的3D牙齿模型输入特征提取器，得到其语义信息F；将每个网格的坐标p和语义信息f输入双向增强模块，得到增强后的网格特征s；将每个网格增强后的网格特征s输入多层感知机，得到每个网格所属特定牙齿种类的概率矩阵M，训练3D牙齿模型分割网络；利用训练好的3D牙齿模型分割网络对测试实例中每个网格所属特定牙齿种类进行预测。本发明方法分割精度高，并应用于牙齿分割领域。
-
公开(公告)号：CN119784643A
公开(公告)日：2025-04-08
申请号：CN202411589587.4
申请日：2024-11-08
Applicant: 南京理工大学
IPC: G06T5/77 , G06T5/60 , G06T9/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种低光水下图像增强方法与系统，包括构建低光水下图像数据集、构建低光水下图像增强网络模型，随后基于低光水下图像数据集对构建的低光水下图像增强网络模型进行训练，最后利用训练好的低光水下图像增强网络模型对低光水下图像测试样本进行预测，得到高质量的水下图像，并使用评价指标进行评价。本发明的方案采用基于深度学习的Retienx分解模块能够有效的缓解纯物理算法带来的特定场景限制，利用解码器特征模块利用全局光照特征模块能够在全局层面上促进编码层特征和解码层特征的信息交互，从而极大的提高了模型的修复能力，通过广泛的实验证明了本方法的有效性，且在真实的低光水下图像数据集上进行实验，可以得出本发明提出的方法具有较好性能的结论。
-
公开(公告)号：CN116310222A
公开(公告)日：2023-06-23
申请号：CN202310303667.8
申请日：2023-03-27
Applicant: 南京理工大学
IPC: G06T17/20 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种牙冠三维模型的表面重建方法，包括：S1、对牙冠点云中的顶点进行KNN初始化，构建初始三角面和初始三角网格；S2、使用测地距离‑欧式距离比率对初始三角面进行筛选，对筛选后的候选三角面，取其边的邻域内顶点构造邻接三角面候选集；S3、使用三维卷积神经网络对邻接三角面候选集内的邻接三角面进行分类，筛选出得分较高的邻接三角面；S4、不断在步骤S2和步骤S3之间迭代训练，每个迭代轮次产生的概率是下一轮迭代的特征，选择候选集中得分最高的三角面构造新的三角网格作为输出，即得到预测三角网格。本发明用于从离散的牙冠点云数据中高效地获取其表面结构，为3D渲染、3D打印等下游任务提供精细三维模型。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.014 seconds)
