-
公开(公告)号：CN108052636A
公开(公告)日：2018-05-18
申请号：CN201711387857.3
申请日：2017-12-20
Abstract: 本发明实施例提供了一种确定文本主题关联度的方法、装置及终端设备，其中，确定文本主题关联度的方法，包括：根据预设处理方式，对获取到的第一预设个数的第一文献信息与第二预设个数的第二文献信息分别进行预处理，第一文献信息为第一文本资源对应的文献信息，第二文献信息为第二文本资源对应的文献信息；通过预设的实体‑主题模型，分别从预处理后的第一文献信息及预处理后的第二文献信息中提取主题信息，得到对应的第三预设个数的第一词汇主题与第四预设个数的第二词汇主题；基于第三预设个数的第一词汇主题与第四预设个数的第二词汇主题，确定第一文本资源与第二文本资源的主题关联强度。能够确定存在异构性的文本资源之间的主题关联度。
-
公开(公告)号：CN104679991A
公开(公告)日：2015-06-03
申请号：CN201510041738.7
申请日：2015-01-27
Applicant: 吉林大学
IPC: G06F19/00
Abstract: 本发明公开了一种面向有序命题的信息融合新方法，围绕有序命题类问题，提出了基本支持函数的凸度、扩展无知、基本(或准-基本)支持函数λ*的信息心、信息熵，基本支持函数间的相容性等概念。提出与求质心不同的λ*“信息心”计算新方法，求λ*信息心只涉及λ*的较大信任值，其作用被突出，可理解为较大信任值被赋予了更大的权重。针对有多个最大信任值和/或“近似最大”信任值的λ*，提出了改进的信息熵计算方法，并验证了其有效性。最终提出了整合信息心、信息熵计算，相容性度量，非正整数信息心处理、扩展无知和凸度等的基本支持函数融合新方法，有效解决了有序命题类问题的信息融合问题。
-
公开(公告)号：CN107357899B
公开(公告)日：2020-05-22
申请号：CN201710573654.7
申请日：2017-07-14
Applicant: 吉林大学
IPC: G06F16/35
Abstract: 本发明公开一种基于和积网络深度自动编码器的短文本情感分析方法，该方法包括以下步骤：一、预处理短文本数据；二、利用doc2vec模型训练句向量；三、利用和积网络深度编码器对句向量进行编码，得到句向量的分层抽象特征；四、利用最大积网络深度解码器对分层抽象特征解码，将解码后的特征与原始句向量特征对比，计算重构误差。调整和积网络深度自动编码器参数使得重构误差最小。得到最优的和积网络深度编码器，由它获得最优分层抽象特征；五、利用最优分层抽象特征进行在线结构学习生成一个和积网络结构，使用少量带标签的短文本数据微调和积网络，使用在线参数学习算法不断调整网络参数，输入测试集，由训练好的和积网络获得情感分类类别。
-
公开(公告)号：CN107357899A
公开(公告)日：2017-11-17
申请号：CN201710573654.7
申请日：2017-07-14
Applicant: 吉林大学
IPC: G06F17/30
Abstract: 本发明公开一种基于和积网络深度自动编码器的短文本情感分析方法，该方法包括以下步骤：一、预处理短文本数据；二、利用doc2vec模型训练句向量；三、利用和积网络深度编码器对句向量进行编码，得到句向量的分层抽象特征；四、利用最大积网络深度解码器对分层抽象特征解码，将解码后的特征与原始句向量特征对比，计算重构误差。调整和积网络深度自动编码器参数使得重构误差最小。得到最优的和积网络深度编码器，由它获得最优分层抽象特征；五、利用最优分层抽象特征进行在线结构学习生成一个和积网络结构，使用少量带标签的短文本数据微调和积网络，使用在线参数学习算法不断调整网络参数，输入测试集，由训练好的和积网络获得情感分类类别。
-
Patent Agency Ranking
公开(公告)号：CN118279675B
公开(公告)日：2024-09-27
申请号：CN202410691981.2
申请日：2024-05-31
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/08 , G06V10/74 , G06V10/77 , G06V10/82
Abstract: 本发明适用于图像分类技术领域，提供了一种小样本细粒度图像分类方法及系统，分类方法包括以下步骤：对支持图像和查询图像进行特征提取；运用自注意力机制进行特征的自我重构；利用支持特征重建查询特征，并利用查询特征重建支持特征；计算查询样本与支持样本之间的距离。本发明在Stanford Dogs、Stanford Cars及CUB‑200‑2011数据集上相较于现有技术显著提升；同时通过消融实验也证实了特征增强模块和类间类内感知模块的互补性以及双向重构策略的有效性。本发明应用于小样本细粒度图像分类任务具有切实的实际意义，在增加类间方差的同时减少了类内方差。
-
公开(公告)号：CN118196706A
公开(公告)日：2024-06-14
申请号：CN202410297187.X
申请日：2024-03-15
Applicant: 吉林大学
IPC: G06V20/52 , G06V10/774 , G06V10/82
Abstract: 本文提出的基于单侧松弛最优传输与纯点基精确定位的密集检测方法，其主要步骤如下：步骤一、预训练一种金字塔视觉自注意力模型。定义好每一层中，视觉自注意力模型的规模大小。高效回归头与多尺度扩张卷积组成预测模块。步骤二、提出一种基于测度理论的计数方法，设计了一个单侧松弛最优传输算法。先对真值图和预测密度图形成的测度做Sinkhorn迭代收敛，并在这个过程中以98％的松弛度对传输矩阵的连续测度一侧进行边界松弛，再计算预测密度图形成的测度与传输矩阵对应的边缘分布的特征向量距离损失，形成单侧边界松弛惩罚。步骤三、提出一个纯点基精确定位框架，预测目标的位置点信息。通过匈牙利算法对候选点和真值点进行一对一匹配，来监督优化模型。
-
公开(公告)号：CN118279675A
公开(公告)日：2024-07-02
申请号：CN202410691981.2
申请日：2024-05-31
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/08 , G06V10/74 , G06V10/77 , G06V10/82
Abstract: 本发明适用于图像分类技术领域，提供了一种小样本细粒度图像分类方法及系统，分类方法包括以下步骤：对支持图像和查询图像进行特征提取；运用自注意力机制进行特征的自我重构；利用支持特征重建查询特征，并利用查询特征重建支持特征；计算查询样本与支持样本之间的距离。本发明在Stanford Dogs、Stanford Cars及CUB‑200‑2011数据集上相较于现有技术显著提升；同时通过消融实验也证实了特征增强模块和类间类内感知模块的互补性以及双向重构策略的有效性。本发明应用于小样本细粒度图像分类任务具有切实的实际意义，在增加类间方差的同时减少了类内方差。
-
公开(公告)号：CN118196647A
公开(公告)日：2024-06-14
申请号：CN202410297061.2
申请日：2024-03-15
Applicant: 吉林大学
IPC: G06V20/13 , G06V10/764 , G06V10/774
Abstract: 本发明公开一种基于非平衡相似性和类别映射的域适应遥感图像分类方法，该方法包含以下步骤：步骤一、计算样本可转移性权重。将源域和目标域样本输入由源域训练的网络框架，依据输出向量，计算源原型和样本可转移性权重。步骤二、基于步骤一提出的样本可转移性权重区分公共类别和私有类别样本，提出一种自适应补齐机制使得二者数量均衡。步骤三、对步骤二补齐的目标样本进行部分对齐操作生成分配矩阵Qst，非平衡相似性权重即Qst每行的最大值；并对目标样本和目标原型进行类全局映射操作，得到目标样本的分类预测向量。步骤四、基于步骤三得到的非平衡相似性权重和分类预测向量，检测目标域公共类别和私有类别样本。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.069 seconds)
