-
Patent Agency Ranking
公开(公告)号：CN114003797A
公开(公告)日：2022-02-01
申请号：CN202111294388.7
申请日：2021-11-03
Applicant: 湖南大学
IPC: G06F16/953 , G06F16/28
Abstract: 本发明公开了本发明提供了一种Top‑k组合有中心的关键词查询方法，包括以下步骤：S1：用PLL算法离线生成实体网络G的枢纽标签HL；S2：获取实体网络G的枢纽标签HL，从用户处接收指定的查询关键词集合Q＝{q1,q2,…,qg}和待查询的关键词匹配组合的组数K；S3：结合查询关键词集合Q在线生成基于关键词的枢纽标签KHL；S4：初始化关键词匹配实体枚举器和关键词匹配组合枚举器；S5：关键词匹配实体增量枚举和关键词匹配组合增量枚举，以及有效实体失效验证；解决了现有Top‑k组合关键词查询方法由于直接存储实体对之间最短路径存储开销过大所导致的适应性差的问题以及关键词匹配实体集全枚举和无效实体重复计算所导致的响应速度慢的问题。
-
公开(公告)号：CN113065496B
公开(公告)日：2022-06-28
申请号：CN202110395391.1
申请日：2021-04-13
Applicant: 湖南大学
Abstract: 本发明提供一种神经网络机器翻译模型训练方法、机器翻译方法和装置。所述神经网络机器翻译模型训练方法通过从训练视频中提取场景视觉图，再根据场景视觉图得到细腻度更高的视频特征向量序列，再将视频特征向量序列与第一文本特征向量序列进行对齐融合得到更准确的视频引导的第一文本特征向量序列，然后通过视频引导的第一文本特征向量序列和第二文本特征向量序列得到预测文本向量序列，最后根据预测文本向量序列与标准文本特征向量序列的比对结果，对所述神经网络机器翻译模型的模型参数进行迭代调整，直到满足收敛条件，完成所述神经网络机器翻译模型的训练，能够提升训练得到的神经网络机器翻译模型对视频引导的机器翻译的精度。
-
公开(公告)号：CN114003797B
公开(公告)日：2024-07-26
申请号：CN202111294388.7
申请日：2021-11-03
Applicant: 湖南大学
IPC: G06F16/953 , G06F16/28
Abstract: 本发明公开了本发明提供了一种Top‑k组合有中心的关键词查询方法，包括以下步骤：S1：用PLL算法离线生成实体网络G的枢纽标签HL；S2：获取实体网络G的枢纽标签HL，从用户处接收指定的查询关键词集合Q＝{q1,q2,…,qg}和待查询的关键词匹配组合的组数K；S3：结合查询关键词集合Q在线生成基于关键词的枢纽标签KHL；S4：初始化关键词匹配实体枚举器和关键词匹配组合枚举器；S5：关键词匹配实体增量枚举和关键词匹配组合增量枚举，以及有效实体失效验证；解决了现有Top‑k组合关键词查询方法由于直接存储实体对之间最短路径存储开销过大所导致的适应性差的问题以及关键词匹配实体集全枚举和无效实体重复计算所导致的响应速度慢的问题。
-
公开(公告)号：CN117557483A
公开(公告)日：2024-02-13
申请号：CN202311531433.5
申请日：2023-11-16
Applicant: 湖南大学
IPC: G06T5/90 , G06T5/60 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于生成对抗网络增强肝脏磁共振病灶对比度的方法，包括：参数初始化；构建判别器D网络；构建生成器G网络；读取训练数据集图片x；生成训练数据集相应的目标域code集c_trg；生成验证数据集相应的目标域code集c_fixed_list；判别器D训练；判别器D损失计算；判断当前迭代次数加1能否被生成器G每迭代一次判别器应迭代次数n_critic整除。本发明利用不同期图像之间的连续变化关系来进行重建损失的计算，使得生成器G可以保留不同期图像的增强细节，准确合成病变区域的增强效果。
-
公开(公告)号：CN113065496A
公开(公告)日：2021-07-02
申请号：CN202110395391.1
申请日：2021-04-13
Applicant: 湖南大学
Abstract: 本发明提供一种神经网络机器翻译模型训练方法、机器翻译方法和装置。所述神经网络机器翻译模型训练方法通过从训练视频中提取场景视觉图，再根据场景视觉图得到细腻度更高的视频特征向量序列，再将视频特征向量序列与第一文本特征向量序列进行对齐融合得到更准确的视频引导的第一文本特征向量序列，然后通过视频引导的第一文本特征向量序列和第二文本特征向量序列得到预测文本向量序列，最后根据预测文本向量序列与标准文本特征向量序列的比对结果，对所述神经网络机器翻译模型的模型参数进行迭代调整，直到满足收敛条件，完成所述神经网络机器翻译模型的训练，能够提升训练得到的神经网络机器翻译模型对视频引导的机器翻译的精度。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
