-
公开(公告)号：CN113936176B
公开(公告)日：2024-06-07
申请号：CN202111202916.1
申请日：2021-10-15
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明提出了一种基于图卷积和形状描述子的三维点云分类方法，将形状描述子加入到图卷积神经网络中。该方法首先按照图卷积的一般流程将点云中点与点之间的关系用邻接矩阵表示出来，然后利用形状描述子描绘点的邻域空间的特征，作为三维点云的局部特征加入到图卷积中去，在一定程度上弥补了谱域图卷积对于局部特征处理的不足。然后将原本的特征与形状描述子结合到一起，使用图卷积神经网络进行聚合，最终得到最后的分类结果。本发明将形状描述子与图卷积结合到一起，使得图卷积操作能够有效聚合局部特征，从而获得更加全面的信息表示，能够更好的提高三维点云的分类结果。
-
Patent Agency Ranking
公开(公告)号：CN114186553A
公开(公告)日：2022-03-15
申请号：CN202111524951.5
申请日：2021-12-14
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于图注意力神经网络(Graph Attention Network，GAT)的生物医学英文词义消歧方法。本发明首先对生物医学英文语料进行预处理。该步骤对训练语料和测试语料包含歧义词汇的语句进行词性标注和语义标注处理。以歧义词汇所在的句子，以及句中所包含的词形、词性和语义作为消歧特征，将消歧特征作为节点来构建词义消歧特征图，利用训练语料训练GAT模型，将模型进行优化。利用优化后的GAT模型，对测试语料进行词义消歧，可得到歧义词汇在各个语义类别下的概率分布。将概率最大值对应的语义类判别为歧义词汇的语义类。本发明具有较好的词义消歧效果，更准确的判断歧义词汇的真实含义。
-
公开(公告)号：CN113095087A
公开(公告)日：2021-07-09
申请号：CN202110485038.2
申请日：2021-04-30
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06F40/289 , G06F40/268 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于图卷积神经网络(Graph Convolution Network，GCN)的中文词义消歧方法。本发明首先对汉语语料进行预处理。该步骤对训练和测试语料包含歧义词的语句进行分词、词性标注和语义标注处理。以歧义词所在的句子，以及句中所包含的词形、词性和语义作为消歧特征并作为节点来构建词义消歧特征图，使用Word2Vec、Doc2Vec工具和点互信息(PMI)、TF‑IDF方法对节点和边进行嵌入权值。用训练语料训练GCN模型，将模型优化。用优化后的GCN模型，对测试语料进行词义消歧，可得到歧义词汇在各个语义类别下的概率分布。将概率最大值对应的语义类判别为歧义词汇的语义类。本发明具有较好的词义消歧效果，更准确的判断歧义词汇的真实含义。
-
公开(公告)号：CN113095087B
公开(公告)日：2022-11-25
申请号：CN202110485038.2
申请日：2021-04-30
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06F40/289 , G06F40/268 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于图卷积神经网络(Graph Convolution Network，GCN)的中文词义消歧方法。本发明首先对汉语语料进行预处理。该步骤对训练和测试语料包含歧义词的语句进行分词、词性标注和语义标注处理。以歧义词所在的句子，以及句中所包含的词形、词性和语义作为消歧特征并作为节点来构建词义消歧特征图，使用Word2Vec、Doc2Vec工具和点互信息(PMI)、TF‑IDF方法对节点和边进行嵌入权值。用训练语料训练GCN模型，将模型优化。用优化后的GCN模型，对测试语料进行词义消歧，可得到歧义词汇在各个语义类别下的概率分布。将概率最大值对应的语义类判别为歧义词汇的语义类。本发明具有较好的词义消歧效果，更准确的判断歧义词汇的真实含义。
-
公开(公告)号：CN114186560A
公开(公告)日：2022-03-15
申请号：CN202111524927.1
申请日：2021-12-14
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于图卷积神经网络(Graph Convolution Network，GCN)融合支持向量机(Support Vector Machine，SVM)的中文词义消歧方法。本发明首先预处理语料。对训练和测试语料的语句进行分词、词性标注和语义标注处理。以歧义词所在的句子以及歧义词两侧词汇单元的词形、词性和语义类作为消歧特征，消歧特征作为节点来构建词义消歧图。使用Word2Vec、Doc2Vec工具、逐点互信息(PMI)、TF‑IDF算法对图中节点和边的权值进行计算。训练语料训练GCN模型，将模型优化。利用优化后的GCN模型计算训练和测试语料的消歧特征，再将训练语料计算后的消歧特征输入SVM分类器中，优化SVM分类器，再对测试语料进行分类，得到歧义词汇在语义类别下分类情况。本发明具有较好的词义消歧效果，准确的判断歧义词汇的真实含义。
-
公开(公告)号：CN113936176A
公开(公告)日：2022-01-14
申请号：CN202111202916.1
申请日：2021-10-15
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于图卷积和形状描述子的三维点云分类方法，将形状描述子加入到图卷积神经网络中。该方法首先按照图卷积的一般流程将点云中点与点之间的关系用邻接矩阵表示出来，然后利用形状描述子描绘点的邻域空间的特征，作为三维点云的局部特征加入到图卷积中去，在一定程度上弥补了谱域图卷积对于局部特征处理的不足。然后将原本的特征与形状描述子结合到一起，使用图卷积神经网络进行聚合，最终得到最后的分类结果。本发明将形状描述子与图卷积结合到一起，使得图卷积操作能够有效聚合局部特征，从而获得更加全面的信息表示，能够更好的提高三维点云的分类结果。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
