-
公开(公告)号：CN115271038A
公开(公告)日：2022-11-01
申请号：CN202210842552.1
申请日：2022-07-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于时序增强的异构图推荐方法，包括以下步骤：S1、在用户和项目嵌入学习部分，经过查找层得到低维稠密向量后，利用LSTM模块对数据进行处理；S2、在元路径部分，使用优先级分数来生成高质量的路径实例，并通过TCN模块生成单个路径实例嵌入，TCN模块捕获每个序列的时序关系以增强表示，再通过互注意机制进行嵌入的聚合得到元路径的嵌入表示；S3、将用户、项目和元路径三者的嵌入表示进行结合成为一个统一的表示，进行下游的推荐任务。本发明在推荐系统方面，特别是基于由不同类型节点和边组成的异构图上，准确度、召回率上均实现了较佳的效果。
-
公开(公告)号：CN114997340A
公开(公告)日：2022-09-02
申请号：CN202210915495.5
申请日：2022-08-01
Applicant: 南京邮电大学
Abstract: 本发明涉及一种基于图神经网络系统的文献分类方法，设计基于图滤波核和广义非凸范数的图神经网络系统，按处理流程分为第一多层感知器模块、线性整流函数模块、第二多层感知器模块、目标图神经网络模块、归一化指数函数模块，目标图神经网络模块基于图滤波核和广义非凸范数构建，包括用于对图信号进行有用信息提取的图滤波核项、用于对图信号进行全局图光滑处理的图拉普拉斯正则项、以及用于对图信号进行局部图光滑处理的广义非凸范数项，并在应用中，采用预测校验下降上升算法求解该目标图神经网络模块；如此由图神经网络系统构成待训练网络，并进行训练，获得文献分类模型，能够有效提高对文献的分类精度，以及实际文献应用的工作效率。
-
公开(公告)号：CN113781410A
公开(公告)日：2021-12-10
申请号：CN202110981758.8
申请日：2021-08-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于MEDU‑Net+网络的医学图像分割方法，包括：采用GoogLeNet中的inception模块替代原U‑Net网络中用于提取图像特征信息的3×3卷积层，其包括多个分支以构成多尺度编码器；对U‑Net网络的解码器做相应优化，采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，编码器和解码器的每个分支均一一对应，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数。本发明能够通过少量的数据尽可能多的学习到图像特征，得到更好的分割结果。
-
公开(公告)号：CN113837275B
公开(公告)日：2023-10-17
申请号：CN202111120554.1
申请日：2021-09-24
Applicant: 南京邮电大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于扩张坐标注意力的改进YOLOv3目标检测方法，包括：采用具有不同扩张率的并行的多个扩张卷积结构对坐标注意力模块进行改进，引入扩张坐标注意力模块，构建得到改进YOLOv3目标检测网络；采用多尺度训练策略，预先设定更多不同尺度的图像进行训练。本发明与其他先进的目标检测算法相比，具有更高的检测精度。
-
公开(公告)号：CN113781410B
公开(公告)日：2023-10-13
申请号：CN202110981758.8
申请日：2021-08-25
Applicant: 南京邮电大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于MEDU‑Net+网络的医学图像分割方法，包括：采用GoogLeNet中的inception模块替代原U‑Net网络中用于提取图像特征信息的3×3卷积层，其包括多个分支以构成多尺度编码器；对U‑Net网络的解码器做相应优化，采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，编码器和解码器的每个分支均一一对应，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数。本发明能够通过少量的数据尽可能多的学习到图像特征，得到更好的分割结果。
-
Patent Agency Ranking
公开(公告)号：CN115130001A
公开(公告)日：2022-09-30
申请号：CN202210867990.3
申请日：2022-07-22
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/901 , G06F16/951 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于邻居增强的图神经网络会话推荐方法、系统及设备，方法包括：S1、通过K临近算法需寻找出与目标推荐会话最相近的K个邻居会话，其中最后一项点击项目必须相同；S2、将目标会话和K个最相近的邻居会话建模到一张邻居增强会话图中；S3、利用门控图神经网络，学习得到的邻居增强图和原始目标会话图中的节点表示，并将最后一项点击的节点表示当作为用户的局部偏好；S4、引入Fastformer不考虑距离地捕获整个输入和输出序列本身的转换，并将结果作为用户的全局偏好；S5、将用户的全局偏好和局部偏好相融合，作为用户的最终表示。与现有基于会话的推荐系统相比，本发明在推荐的效率、准确率都具有明显的优势。
-
公开(公告)号：CN116432119A
公开(公告)日：2023-07-14
申请号：CN202310392708.5
申请日：2023-04-13
Applicant: 南京邮电大学
IPC: G06F18/2415 , G06N3/042 , G06N3/048 , G06F16/35
Abstract: 本发明公开了一种基于弹性图神经网络的文献分类方法、系统，包括：提取文献的特征信息构造特征矩阵和表征各文献之间关系的邻接矩阵；将特征矩阵和邻接矩阵分别输入两个并行的分支进行处理；第一分支分别经过第一多层感知机、第一激活函数和第二多层感知机；第二分支分别经过第一多头感知注意力模块、第三多层感知机、第二激活函数、第二多头感知注意力模块、加权求和；将第一分支和第二分支的结果进行聚合连接得到第一节点表征，将其经过带有低通滤波器功能的弹性图神经网络处理得到第二节点表征；将第二节点表征输入到softmax函数得到节点的最终分类结果。本发明增强了GNN的局部平滑自适应能力，并解决了邻居分数固定的问题。
-
公开(公告)号：CN115952349A
公开(公告)日：2023-04-11
申请号：CN202211550869.4
申请日：2022-12-05
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/635 , G06F16/901 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于双路径异构图链路预测的音乐推荐方法，包括步骤：S1、基于图神经网络，对代表各节点的音乐标签特征矩阵增加随机标签特征矩阵，构成局部增强特征矩阵，作为一条路径的基础模型；S2、将基于动态注意力机制的改进的图注意网络GATv2作为另一条路径基础模型，并且在这两条路径上均引入残差连接以及L2归一化以防止模型过拟合；S3、通过双路径结构得到节点嵌入后，引入一个纠正模块并将其与原模型的自监督辅助学习相结合，利用纠正模块来更好地平衡辅助任务的权重，从而进行下游的链路预测任务。本发明基于异构图音乐推荐的链路预测在准确度、召回率上均实现了更佳的效果。
-
公开(公告)号：CN106251315B
公开(公告)日：2018-12-18
申请号：CN201610711547.1
申请日：2016-08-23
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于全变分的图像去噪方法，包括步骤：获取由原始图像和α稳态噪声组成的含噪声图像；确定所述含噪声图像中的每一个像素点，且所述原始图像服从Gibbs先验；根据所述含噪声图像及其中的每一个像素点，求得原始图像等价于最小化的表达式；根据所得原始图像等价于最小化的表达式，获取α稳态噪声下的全变分去噪模型；将所获取的全变分去噪模型结合凸性惩罚项，获取凸全变分去噪模型；利用原始‑对偶算法对所获取的凸全变分去噪模型求解，根据所求得解复原得到原始图像。本发明可以很好地去除α稳态噪声，恢复的图像清晰，且较好地保留了图像的细节信息，恢复出的图像也和原始图像最接近。
-
公开(公告)号：CN118196838A
公开(公告)日：2024-06-14
申请号：CN202410438433.9
申请日：2024-04-12
Applicant: 南京邮电大学
IPC: G06V40/10 , G06V40/20 , G06V10/764 , G06V10/143 , G06V10/82 , G06V10/774
Abstract: 本发明涉及一种基于多维度信息学习的跨模态行人重识别方法，考虑可见光行人图像与红外行人图像，引入用于提取全局信息与通道信息的多维度信息挖掘模块MIM，构建待训练分类网络进行训练，获得跨模态行人重识别测试网络；应用中以待检测图像与候选图库集分别对应可见光、红外的不同模态为输入，对待检测图像实现行人重识别，训练中引入随机局部错切增强处理，有效模拟了视点变化和行人肢体变化，提高模型对行人姿态和视点变化的鲁棒性，并且通过对特征提取器得到的特征进行损失函数约束，应用周期性循环聚焦损失来约束模型在训练过程中对难易样本的不同关注度，更有效地提高模型性能，使得方案在累积匹配特征曲线、平均精度均值上实现了更佳的效果。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.04 seconds)
