-
公开(公告)号:CN118246488A
公开(公告)日:2024-06-25
申请号:CN202410256820.0
申请日:2024-03-07
Applicant: 成都信息工程大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/0985
Abstract: 本发明公开一种基于超网络的低参数GAN反演方法、装置及介质,方法包括:通过编码器将输入图像映射到潜在空间;利用轻量化超网络对生成器的权重进行优化,通过多通道权重优化后的生成器对映射到潜在空间的潜在代码进行处理,得到目标图像。针对StyleGAN潜空间存在的扭曲‑可编辑性权衡和扭曲‑感知权衡,通过轻量化超网络有针对性地修正主要细节特征。我们设计的的轻量化超网络框架结合了多通道并行优化的设计。让本发明可以在不牺牲反演质量和编辑能力的前提下,减少参数处理量和计算资源的消耗。
-
公开(公告)号:CN116860959A
公开(公告)日:2023-10-10
申请号:CN202310699985.0
申请日:2023-06-13
Applicant: 成都信息工程大学
IPC: G06F16/34 , G06N3/0455
Abstract: 本发明属于文本摘要提取技术领域,公开了一种结合局部主题和层次结构信息的抽取式摘要方法及系统,首先给定原文档,通过编码器得到文档的上下文表示,将其输入局部主题信息提取模块提取该句子所属片段的主题信息,将局部主题信息表示和文档的上下文表示相融合,得到融合局部主题信息的文本上下文表示;文本层次结构信息嵌入模块将文本的层次结构信息嵌入到融合局部主题信息的文本上下文表示中;通过Sigmoid层算出每个句子的置信度分数以判断该句是否属于摘要句。本发明更关注文本重要部分,提升生成摘要质量;通过修改Longformer的TokenPositionEmbeddings,使得其能够处理更长的文本数据。
-
公开(公告)号:CN115858791B
公开(公告)日:2023-09-15
申请号:CN202310129895.8
申请日:2023-02-17
Applicant: 成都信息工程大学
IPC: G06F16/35 , G06F40/205 , G06F18/25 , G06F18/241 , G06N3/0464
Abstract: 本发明涉及自然语言处理技术领域,公开了短文本分类方法、装置、电子设备和存储介质,对金融领域待处理短文本进行编码,将得到的编码信息分别输入到DSACNN模型和BiGRU模型中,通过DSACNN模型提取待处理文本的词依赖特征信息和文本依赖特征信息,通过BiGRU模型提取待处理文本的深层次特征信息,将两个模型输出的特征信息进行合并,输入分类器中对待处理文本进行分类;DSACNN模型通过减少卷积层,且增加自注意力机制算法,采用BiGRU模型作为辅助算法,减少了模型训练时间,提高了金融领域短文本分类效果,解决了上下文的长期依赖不够充分以及注意力集中点分散问题。
-
公开(公告)号:CN115994539A
公开(公告)日:2023-04-21
申请号:CN202310129891.X
申请日:2023-02-17
Applicant: 成都信息工程大学
IPC: G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明提供了一种基于卷积门控和实体边界预测的实体抽取方法及系统,属于信息提取技术领域,方法由基于卷积门控和实体边界预测的实体抽取系统执行,方法包括如下步骤:S1.获取每个字的语义信息和句法特征,并生成词向量矩阵;S2.基于词向量矩阵,提取全局语义信息特征;S3.基于全局语义信息特征,提取关键字特征;S4.基于词向量矩阵,获取包含全局语义信息以及头尾实体信息的矩阵;步骤S5.将关键字特征和矩阵进行拼接后提取全局最优标签序列,完成实体抽取。本发明通过卷积门控提取关键字特征,可以提高实体识别效果;通过实体边界预测获取包含全局语义信息以及头尾实体信息的矩阵,可以有效提高实体识别准确率。
-
公开(公告)号:CN115908205A
公开(公告)日:2023-04-04
申请号:CN202310141997.1
申请日:2023-02-21
Applicant: 成都信息工程大学
IPC: G06T5/00 , G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及图像处理技术领域,公开了图像修复方法、装置、电子设备和存储介质,利用局部卷积将第一待修复图像下采样到预设的分辨率大小,得到第二待修复图像,将第二待修复图像输入全局结构先验重建网络模型进行全局结构先验,输出粗略修复图像,将粗略修复图像输入纹理细节补充网络模型进行纹理细节补充,输出精细修复图像。基于Transformer网络和卷积神经网络联合优化,对图像进行修复,可得到与原图像近乎等同的高分辨率图像;解决了现有技术中图像重要信息和全局上下文细节丢失的技术问题。
-
公开(公告)号:CN115858791A
公开(公告)日:2023-03-28
申请号:CN202310129895.8
申请日:2023-02-17
Applicant: 成都信息工程大学
IPC: G06F16/35 , G06F40/205 , G06F18/25 , G06F18/241 , G06N3/0464
Abstract: 本发明涉及自然语言处理技术领域,公开了短文本分类方法、装置、电子设备和存储介质,对金融领域待处理短文本进行编码,将得到的编码信息分别输入到DSACNN模型和BiGRU模型中,通过DSACNN模型提取待处理文本的词依赖特征信息和文本依赖特征信息,通过BiGRU模型提取待处理文本的深层次特征信息,将两个模型输出的特征信息进行合并,输入分类器中对待处理文本进行分类;DSACNN模型通过减少卷积层,且增加自注意力机制算法,采用BiGRU模型作为辅助算法,减少了模型训练时间,提高了金融领域短文本分类效果,解决了上下文的长期依赖不够充分以及注意力集中点分散问题。
-
公开(公告)号:CN114757179A
公开(公告)日:2022-07-15
申请号:CN202210386899.X
申请日:2022-04-13
Applicant: 成都信息工程大学
IPC: G06F40/284 , G06F40/216 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种实体关系联合抽取方法及装置,其方法包括:获取句子的词向量矩阵,并对所述句子的词向量矩阵进行关系抽取处理,得到所述句子的关系;通过对所述句子的关系进行编码处理,得到所述句子的关系向量;利用所述词向量矩阵和所述关系向量,得到所述句子的实体对,并将所述实体对和所述关系进行组合处理,得到所述句子的三元组信息。
-
公开(公告)号:CN108636260A
公开(公告)日:2018-10-12
申请号:CN201810428330.9
申请日:2018-05-07
Applicant: 成都信息工程大学
CPC classification number: B01F11/0025 , B01F11/0008 , B01F15/00071 , B01F15/00772 , B01F2215/0032
Abstract: 本发明涉及一种医疗用药剂摇匀设备,其包括机体、外壳体、内壳体和放置箱;所述机体底部设置支撑底座,所述支撑底座上表面两侧固定焊接支撑臂,所述支撑臂之间设置外壳体;所述支撑臂上端安装驱动转盘,所述驱动转盘后侧焊接第二工作电机,所述外壳体内部设置内壳体,所述内壳体两侧壁上部焊接连接座,所述连接座远离所述内壳体一侧焊接外壳体;所述内壳体内部环形分布多个放置箱。本发明能够实现对药剂的充分的混摇,从而使得药剂的药效更好的作用于患者,同时本发明能够避免药剂瓶进行充分的保护,避免药剂瓶破碎,安全性更好。
-
公开(公告)号:CN106775023A
公开(公告)日:2017-05-31
申请号:CN201710012567.4
申请日:2017-01-09
IPC: G06F3/0354 , G06F3/01
CPC classification number: G06F3/03543 , G06F3/013
Abstract: 本发明公开眼电信号采集方法及基于眼电信号控制的蓝牙鼠标系统,通过本发明的眼电信号处理方法,识别出向左看、向右看、向下看、向上看和连续两次眨眼等眼部动作,并定义不同的眼部动作对应不同的鼠标操作,本发明的基于眼电信号控制的蓝牙鼠标系统,包括:眼电信号采集电极、眼电信号采集模块、模数转换器、数字信号处理器、蓝牙模块以及电源模块;用于实现使用者仅通过眼部动作就能控制鼠标实现不同的操作,从而能够帮助双臂缺失的患者,像正常人一样使用电子设备进行上网等操作;本发明电路结构简单,体积小,方便携带,抗干扰能力强,能够广泛用于移动医疗、家庭病人监护等领域。
-
公开(公告)号:CN118627517A
公开(公告)日:2024-09-10
申请号:CN202410810751.3
申请日:2024-06-21
Applicant: 成都信息工程大学
IPC: G06F40/30 , G06F40/211 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/082 , G06F18/2415
Abstract: 本发明公开一种多特征语义融合的联合实体关系抽取方法、装置及介质,本发明引入了多特征语义融合模块,用于融合增强了实体间联系的实体掩码嵌入序列和提高了广度语义的包嵌入序列。随后,通过并行解码器一次性生成三元组集合嵌入,以提高三元组之间的交互和解码效率,然后使用FNN对三元组集合嵌入进行分类,并使用集合损失去指导模型训练,得到三元组集合。最后,采用实体掩码序列剪枝三元组集合。在公开数据集NYT和WebNLG上的实验结果表明,在编码器为Bert的情况下所提模型相较基线模型在准确率和F1指标上的效果更好,验证了本文模型的有效性。
-
-
-
-
-
-
-
-
-