-
公开(公告)号：CN118349792A
公开(公告)日：2024-07-16
申请号：CN202410091729.8
申请日：2024-01-23
Applicant: 浙江工业大学
IPC: G06F18/20 , G06F18/2131 , G06F18/213 , G06N3/04 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于线性模型的多尺度补丁长期时序预测方法。该方法首先提出多尺度补丁(Multiscale Patch)模块，利用快速傅里叶变换(FFT)检测时间序列中潜在的top‑k个周期模式，并以不同的周期模式作为补丁(Patch)长度，对原始序列进行补丁操作；然后设计补丁编码(Patch Encoding)模块，该模块包括补丁内线性层和补丁间线性层，使用线性模型来提取时序数据的局部深层依赖关系以及全局季节性和趋势变化；最后提出集成预测(Ensemble Prediction)模块，基于线性层对每个补丁编码序列进行预测，并通过线性加权整合多尺度补丁预测的结果，以获得更稳定的预测结果。该方法有效扩展了线性模型高效的优势，在七个现实世界数据集上的准确性和效率方面均实现了最先进的性能。
-
公开(公告)号：CN113592893A
公开(公告)日：2021-11-02
申请号：CN202110999574.4
申请日：2021-08-29
Applicant: 浙江工业大学
Abstract: 本发明公开了一种确定主体和精准化边缘相结合的图像前景分割方法，将用于定位显著性区域的确定主体过程和精准分割目标的边缘精准化过程相结合，首先确定主体部分设计了上下文感知金字塔特征提取模块得丰富的上下文特征，结合上下文感知金字塔特征提取模块特征映射后的通道注意机制CA模块和低层次特征映射后的空间注意机制SA模块，用一种使用交叉熵损失来监督显著边界定位信息的生成从而得到定位信息；然后精准化边缘过程，以光谱消光技术为基础获取图像中非局部颜色特征，用ResNet‑101深度残差网络获取高级语义特征，用拉普拉斯矩阵结合两者以对图像中的像素点进行分类，达到目标精准分割的效果；最后，在将两个过程的结果相融合。
-
Patent Agency Ranking
公开(公告)号：CN113592893B
公开(公告)日：2024-03-05
申请号：CN202110999574.4
申请日：2021-08-29
Applicant: 浙江工业大学
IPC: G06T7/194 , G06T7/12 , G06T7/90 , G06V10/80 , G06V10/46 , G06N3/0464 , G06V10/762
Abstract: 本发明公开了一种确定主体和精准化边缘相结合的图像前景分割方法，将用于定位显著性区域的确定主体过程和精准分割目标的边缘精准化过程相结合，首先确定主体部分设计了上下文感知金字塔特征提取模块得丰富的上下文特征，结合上下文感知金字塔特征提取模块特征映射后的通道注意机制CA模块和低层次特征映射后的空间注意机制SA模块，用一种使用交叉熵损失来监督显著边界定位信息的生成从而得到定位信息；然后精准化边缘过程，以光谱消光技术为基础获取图像中非局部颜色特征，用ResNet‑101深度残差网络获取高级语义特征，用拉普拉斯矩阵结合两者以对图像中的像素点进行分类，达到目标精准分割的效果；最后，在将两个过程的结果相融合。
-
公开(公告)号：CN113592894B
公开(公告)日：2024-02-02
申请号：CN202110999575.9
申请日：2021-08-29
Applicant: 浙江工业大学
IPC: G06T7/194 , G06T7/181 , G06T7/62 , G06T7/90 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/40 , G06V10/74 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明为一种基于边界框和同现特征预测的图像分割方法，首先，使用FCOS方法、多尺度策略和中心度思想，确定主体的检测框范围；其次确定主体部分设计了上下文感知金字塔特征提取模块得丰富的上下文特征，结合上下文感知金字塔特征提取模块特征映射后的通道注意机制模型模块和低层次特征映射后的空间注意机制模型模块，再使用交叉熵损失来监督显著边界定位信息的生成；对图像的同现特征进行预测，测量同现特征和目标特征的相似性来学习同现特征的概率并加入上下文先验信息以增强复杂场景中的鲁棒性，然后精准化边缘过程，达到目标精准分割的效果。
-
公开(公告)号：CN113592894A
公开(公告)日：2021-11-02
申请号：CN202110999575.9
申请日：2021-08-29
Applicant: 浙江工业大学
Abstract: 本发明为一种基于边界框和同现特征预测的图像分割方法，首先，使用FCOS方法、多尺度策略和中心度思想，确定主体的检测框范围；其次确定主体部分设计了上下文感知金字塔特征提取模块得丰富的上下文特征，结合上下文感知金字塔特征提取模块特征映射后的通道注意机制模型模块和低层次特征映射后的空间注意机制模型模块，再使用交叉熵损失来监督显著边界定位信息的生成；对图像的同现特征进行预测，测量同现特征和目标特征的相似性来学习同现特征的概率并加入上下文先验信息以增强复杂场景中的鲁棒性，然后精准化边缘过程，达到目标精准分割的效果。
-
公开(公告)号：CN119691410A
公开(公告)日：2025-03-25
申请号：CN202510200896.6
申请日：2025-02-24
Applicant: 浙江工业大学
IPC: G06F18/20 , G06F18/2131 , G06F18/25
Abstract: 本发明公开了一种基于风险感知的自适应时序预测方法，该方法通过感知预测误差的变化来动态调整预测步长，避免多步预测后带来的高误差问题，从而确保预测结果的准确性。本方法包含三个关键模块：基于多尺度片段的特征提取与融合模块，用于捕获服务需求量错综复杂的周期性、季节性以及趋势性特征，提取其中的长期依赖关系和局部语义信息；基于扩散模型的时序概率预测模块，用于对预测结果进行概率建模以其预测时刻的概率分布来刻画预测结果的可信值；自适应风险管理的预测优化模块，用于评估预测风险并进行自适应截断。本发明在时序预测的准确性和可靠性方面提供了一种新的解决方案。
-
公开(公告)号：CN116521863A
公开(公告)日：2023-08-01
申请号：CN202211714103.5
申请日：2022-12-27
Applicant: 浙江工业大学
IPC: G06F16/35 , G06F18/214 , G06F18/241 , G06N3/04
Abstract: 本发明公开一种基于半监督学习的标签抗噪文本分类方法，该方法首先通过任务自适应预训练预测出每个样本在每个类别上的概率，再使用置信学习方法来评估每个样本的标签质量，将所有训练数据划分为噪声样本和干净样本；对噪声样本进行处理，借助数据增强、集成学习等策略来预测噪声样本的伪标签，使用MixMatch方法来集成一致性正则化、熵最小化和传统正则化方法，结合半监督学习的主流范式思想和组件，将原始标签和伪标签结合起来重新标记噪声样本；最后结合噪声样本和干净样本，使用MixUp方法以线性插值的方式重新构建新的训练样本和标签并重新训练最终的文本分类模型。该方法极大地利用了噪声标签数据，将噪声样本的利用率最大化，提升了神经网络的鲁棒性。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
