-
公开(公告)号：CN111524593A
公开(公告)日：2020-08-11
申请号：CN202010326646.4
申请日：2020-04-23
Applicant: 厦门大学
IPC: G16H50/20 , G06F16/332 , G06F16/36
Abstract: 本发明公开了一种基于上下文语言模型和知识嵌入的医疗问答方法及系统。该方法包括：获取医疗问题和医疗答案库中的候选医疗答案；采用训练好的上下文语言模型提取医疗问题和候选医疗答案的上下文嵌入；采用训练好的知识表示模型提取医疗问题和候选医疗答案的知识嵌入；对医疗问题的上下文嵌入以及知识嵌入进行融合，得到医疗问题特征表示；对候选医疗答案的上下文嵌入以及知识嵌入进行融合，得到候选医疗答案特征表示；根据医疗问题特征表示和候选医疗答案特征表示计算候选医疗答案与医疗问题的相关度；计算医疗答案库中各候选医疗答案与医疗问题的相关度的大小确定医疗问题的医疗答案。本发明能够对答案实现有效的检索，提高了检索的效率。
-
公开(公告)号：CN106447724A
公开(公告)日：2017-02-22
申请号：CN201610817035.3
申请日：2016-09-12
Applicant: 厦门大学
IPC: G06T7/70
Abstract: 一种基于扫描转换算法和网格压缩的区域限定判断方法，涉及车联网。包括以下步骤：1)一个预处理步骤：先创建一个网格，再确定网格中每一个单元的属性，即该单元在网格内还是网格外，然后压缩网格；2)一个判定步骤：由测试点经纬度，根据建立网格的参数，得到参数在网格中的位置；再计算MD码，在四叉树中查找该MD码，如果查找不到，进入下一层查找；如果找到，返回该MD码对应的属性值，就是被测点是否在多边形内的判断结果。用四叉树压缩算法来存储网格。预处理时间短，减少判定时间,可以使用任何形状的区域，无论是圆形或多边形，都可以在预处理步骤上被处理。
-
公开(公告)号：CN108197117B
公开(公告)日：2020-05-26
申请号：CN201810094963.0
申请日：2018-01-31
Applicant: 厦门大学
IPC: G06F40/284 , G06F40/30
Abstract: 一种基于文档主题结构与语义的中文文本关键词提取方法，涉及关键词提取。文本预处理；中文分词及词性标注；停用词过滤与词性过滤；关键词提取。介绍文本关键词提取的基本概念、中文分词与英文分词存在的差异、常用的中文文本关键词提取方法。研究基于文档主题结构的方法和基于语义的方法，分析其原理以及现有的实现方案。针对中文分词中存在的新词识别的难点，使用动态更新分词词典来不断改善中文分词的效果。对基于文档主题结构的方法进行改进，提取全局的关键词。将中文词语之间的语义相似度考虑进来，进一步改进算法。并在自构建的数据集中验证改进算法，通过验证实验和对比实验，都得到较好的结果，表明改进算法能够改善关键词提取的效果。
-
公开(公告)号：CN106844723A
公开(公告)日：2017-06-13
申请号：CN201710072930.1
申请日：2017-02-10
Applicant: 厦门大学
Abstract: 基于问答系统的医学知识库构建方法，涉及医学知识库。提出基于问答系统的医学知识库构建技术，主要包含三个部分：数据处理，数据分析和专家问答平台。首先在数据处理阶段，利用层次分割的方法从临床数据中提取实体和相关关系；然后，运用关联规则算法对提取的结果进行分析并挖掘实体间的关联，将挖掘出的实体关联与医学词典进行匹配，匹配正确的结果将直接存入知识库；最后，将无法确认的实体关联利用众包技术自动生成问题提交给专家问答平台进行回答，利用多数投票算法从专家的答案中选择最终结果并存储到医学知识库中。
-
公开(公告)号：CN108921785B
公开(公告)日：2020-07-07
申请号：CN201810614929.1
申请日：2018-06-14
Applicant: 厦门大学
Abstract: 基于小波包的超分辨率重建方法，输入三通道彩色低分辨图，通过32个残差单元构成的深度神经网络输出高分辨图片的高频特征；将32个残差单元的输出再输入到另外一组32个残差单元构成的深度神经网络，再输出高分辨率图片的低频特征；利用小波包将高分辨图片的低频特征和高频特征合成为最终的高分辨率图片。网络结构更为简单，训练参数更少，从而可以构建出比之前方法更深的网络结构，而增加网络深度及特征通道数是提高模型的准确率的重要方法之一。小波包是用来将图片的高频细节和低频内容分开，利用各自独立的损失函数来控制的高频细节信息和低频图片内容在超分辨率重建中所占的比例，可控制出现过度的纹理细节，或者纹理缺失的情况。
-
Patent Agency Ranking
公开(公告)号：CN106844723B
公开(公告)日：2019-09-10
申请号：CN201710072930.1
申请日：2017-02-10
Applicant: 厦门大学
IPC: G06F16/21 , G06F16/215 , G06F16/242 , G06F16/2458 , G16H70/00 , G16H50/20 , G06N5/02
Abstract: 基于问答系统的医学知识库构建方法，涉及医学知识库。提出基于问答系统的医学知识库构建技术，主要包含三个部分：数据处理，数据分析和专家问答平台。首先在数据处理阶段，利用层次分割的方法从临床数据中提取实体和相关关系；然后，运用关联规则算法对提取的结果进行分析并挖掘实体间的关联，将挖掘出的实体关联与医学词典进行匹配，匹配正确的结果将直接存入知识库；最后，将无法确认的实体关联利用众包技术自动生成问题提交给专家问答平台进行回答，利用多数投票算法从专家的答案中选择最终结果并存储到医学知识库中。
-
公开(公告)号：CN111524593B
公开(公告)日：2022-08-16
申请号：CN202010326646.4
申请日：2020-04-23
Applicant: 厦门大学
IPC: G16H50/20 , G06F16/332 , G06F16/36
Abstract: 本发明公开了一种基于上下文语言模型和知识嵌入的医疗问答方法及系统。该方法包括：获取医疗问题和医疗答案库中的候选医疗答案；采用训练好的上下文语言模型提取医疗问题和候选医疗答案的上下文嵌入；采用训练好的知识表示模型提取医疗问题和候选医疗答案的知识嵌入；对医疗问题的上下文嵌入以及知识嵌入进行融合，得到医疗问题特征表示；对候选医疗答案的上下文嵌入以及知识嵌入进行融合，得到候选医疗答案特征表示；根据医疗问题特征表示和候选医疗答案特征表示计算候选医疗答案与医疗问题的相关度；计算医疗答案库中各候选医疗答案与医疗问题的相关度的大小确定医疗问题的医疗答案。本发明能够对答案实现有效的检索，提高了检索的效率。
-
公开(公告)号：CN108765297B
公开(公告)日：2020-07-17
申请号：CN201810619839.1
申请日：2018-06-14
Applicant: 厦门大学
IPC: G06T3/40
Abstract: 基于循环训练的超分辨率重建方法，涉及超分辨率图像重建。输入低分辨率图片，生成高分辨率图片，预训练图像放大生成器；输入高分辨率图片，生成低分辨率图片，预训练图像缩小生成器；连接图像放大生成器和图像缩小生成器，循环训练直至收敛。受到CycleGAN的启发，采用了一个对称的图像放大和缩小的网络结构，它由两个生成器组成，可以实现从低分辨率图片到高分辨率图片的循环生成，通过这种循环训练的方式对SR效果进行调优。
-
公开(公告)号：CN108921785A
公开(公告)日：2018-11-30
申请号：CN201810614929.1
申请日：2018-06-14
Applicant: 厦门大学
Abstract: 基于小波包的超分辨率重建方法，输入三通道彩色低分辨图，通过32个残差单元构成的深度神经网络输出高分辨图片的高频特征；将32个残差单元的输出再输入到另外一组32个残差单元构成的深度神经网络，再输出高分辨率图片的低频特征；利用小波包将高分辨图片的低频特征和高频特征合成为最终的高分辨率图片。网络结构更为简单，训练参数更少，从而可以构建出比之前方法更深的网络结构，而增加网络深度及特征通道数是提高模型的准确率的重要方法之一。小波包是用来将图片的高频细节和低频内容分开，利用各自独立的损失函数来控制的高频细节信息和低频图片内容在超分辨率重建中所占的比例，可控制出现过度的纹理细节，或者纹理缺失的情况。
-
公开(公告)号：CN108765297A
公开(公告)日：2018-11-06
申请号：CN201810619839.1
申请日：2018-06-14
Applicant: 厦门大学
IPC: G06T3/40
Abstract: 基于循环训练的超分辨率重建方法，涉及超分辨率图像重建。输入低分辨率图片，生成高分辨率图片，预训练图像放大生成器；输入高分辨率图片，生成低分辨率图片，预训练图像缩小生成器；连接图像放大生成器和图像缩小生成器，循环训练直至收敛。受到CycleGAN的启发，采用了一个对称的图像放大和缩小的网络结构，它由两个生成器组成，可以实现从低分辨率图片到高分辨率图片的循环生成，通过这种循环训练的方式对SR效果进行调优。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.02 seconds)
