-
公开(公告)号：CN117611838A
公开(公告)日：2024-02-27
申请号：CN202311646149.2
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于自适应超图卷积网络的多标签图像分类方法，通过对图像原始数据进行预处理，使用ResNet‑101进行特征提取。随后对图像特征使用K‑近邻方法构建超图，用超图建模图像数据之间的复杂高阶关系。接着将图像特征送入自适应超图卷积神经网络，在三层超图卷积层中，(第一层与第二层之间、第二层与第三层之间)共设置两个自适应更新模块，对超图结构进行更新。由于图像特征在经过卷积后，图像数据之间的复杂联系被进一步的探索，对超图的拓扑进行更新可以提升后续特征的质量，从而提升了模型性能。最后使用全连接层来完成对图像多标签的分类任务。
-
公开(公告)号：CN117238482A
公开(公告)日：2023-12-15
申请号：CN202311394031.5
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G16H50/20 , G16H50/50 , G16H30/20 , G16H30/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/09
Abstract: 本发明公开了一种小样本场景下基于自适应边际损失的早产儿视网膜病(ROP)分期诊断方法。考虑到现实中ROP患病数据量小、标签难以获取、类间数据不平衡，以及相邻两期数据差异小导致模型无法正确进行分期分类的问题，本发明从小样本学习的角度出发，利用大量的无标签数据设定自监督学习上游任务进行模型的预训练，提升模型的泛化能力和特征提取能力，同时根据专家知识定义ROP不同期的边际值，越相似的类边际将越大，然后将边际值自适应地添加至分类模型的损失函数中去，强迫模型学习那些细微的类间差异，将相似的类分的更开，从而提高模型的判别精度，完成ROP分期诊断任务，为ROP分期诊断提供了一种新的方法。
-
公开(公告)号：CN117236784A
公开(公告)日：2023-12-15
申请号：CN202311394238.2
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06Q10/0639 , G06Q10/047 , G06Q50/06
Abstract: 近年来，随着技术进步和移动网络的普及，在线社交网络成为我们日常生活的重要方面。一些用户在社交网络上的影响往往大于其他用户。寻找有影响力的用户/节点以利用网络中的特定信息的过程称为影响力最大化。有多种潜在应用，包括网络免疫、流行病管理、药物设计、疾病或谣言的传播以及病毒营销。这些影响最大化问题是NP‑hard问题，因此不能采用精确的方法。一些启发式策略已被建议作为解决特定应用程序上下文的潜在解决方案。然而现有方法存在局限性，因为它们在对有影响的节点进行排序时仅考虑局部结构等单节点拓扑，而忽略了全局结构等节点之间的连通性，从而导致评估结果不准确。因此，为找到解决这个问题的方法，必须设计了一种基于电势的复杂社会网络影响力节点识别方法，将局部性和全局性等拓扑因素考虑在内。通过考虑两个节点之间的度和距离，我们提出了一种新的中心性，它从电势公式中汲取灵感，以便根据局部性和全局性等拓扑因素确定影响节点。
-
公开(公告)号：CN117526961A
公开(公告)日：2024-02-06
申请号：CN202311545312.6
申请日：2023-11-20
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H03M7/30 , G06F18/23 , G06F18/213 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度度量学习和数据流聚类的数据压缩方法。在存储压缩领域，面临着海量多种类型数据的压缩挑战，通过快速将压缩友好的数据块聚集在一起可实现高效的压缩存储。首先将需要压缩的数据生成固定大小的切块，构建用于训练与测试的文件切块数据集，通过深度度量学习获得具有压缩友好相似性度量特性的表征空间，根据表征进行数据流实时聚类，合并同类的数据切块，实现数据的高压缩比压缩。同时，考虑到需要进行大规模聚类的时效复杂性，采用数据流聚类的方式，数据流聚类的过程对输入的流式数据，实时地维护和更新微簇，完成对大规模数据的实时聚类，使得在更大的数据集上有更快的聚类速度，实现对大规模存储数据的实时压缩。
-
公开(公告)号：CN117408381A
公开(公告)日：2024-01-16
申请号：CN202311394355.9
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于注意力机制和时空图神经网络的洪水预报方法。首先收集流域内与洪水相关的影响特征，然后构建特征与降雨或径流量对应的图数据集，通过训练就能得到基于注意力机制和时空图神经网络的洪水预报模型，根据得到的洪水预报模型就可以进行预测。同时，考虑到GCN在关注空间特征时会忽略某些时间特征，所以加入多个不同尺度的TCN先提取时间特征，提高了模型捕获有效时间特征的能力，因而具有较高的预测精度。此外，本发明使用以数据驱动的深度学习方法，减少了对于流域内部水文物理机制的依赖性，有效扩大了模型的适用范围。
-
Patent Agency Ranking
公开(公告)号：CN117370617A
公开(公告)日：2024-01-09
申请号：CN202311393457.9
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F16/901 , G06F16/903 , G06F16/906 , G06F21/64
Abstract: 本发明公开了一种基于最小哈希的大规模冗余数据压缩方法。首先将原始数据转化为固定长度(8KB)、byte数据类型的数据块，然后提取生成的数据块中长度为k的连续段，进行MinHash，得到数据块的签名，使用局部敏感哈希(LSH)利用数据块的签名进行聚类，最后采用采用滑动band，拓展签名的计算维度，提高准确率。此外，在查询阶段，可以计算出数据块在不同bucket出现的其他数据块的数量和，以此做为当前数据块的重要性，从重要性最大的点开始查询。
-
公开(公告)号：CN117353750A
公开(公告)日：2024-01-05
申请号：CN202311393490.1
申请日：2023-10-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H03M7/30 , G06F18/23213 , G06F18/23 , G06F18/213 , G06N3/08
Abstract: 本发明公开了一种基于组间损失优化压缩友好度量学习的文件压缩方法。首先将需要压缩文件生成固定大小的切片，构建用于训练与测试的文件切片数据集，通过深度度量学习获得具有“同组文件数据切片相似，不同组文件切片不同”特性的隐表征，根据隐表征进行谱聚类，合并同类的文件切片，实现文件的高压缩比压缩。同时，考虑到需要进行存储压缩的数据结构复杂，所以谱聚类的方式，谱聚类的过程对数据结构没有太多的假设而且可以通过构造稀疏的相似图，使得在更大的数据集上有更快的聚类速度。此外，本发明使用以无标签数据驱动的深度压缩友好度量与聚类的方法，减少了对数据标签的需要，有效的扩大了模型的适用范围。
-
公开(公告)号：CN116861287A
公开(公告)日：2023-10-10
申请号：CN202310752440.1
申请日：2023-06-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F18/24 , G06F18/22 , G06F18/23 , G06N3/0895
Abstract: 本发明提供了一种基于多标签演化高维文本流的在线半监督分类算法，其特征在于：包括模型初始化、分类阶段和模型维护；取Dinit个带标签的文档，并为每个标签创建Zmin个微簇，微簇包含文档；初始模型对每个到来的文档流进行预测，对于每个到来的文档，模型计算簇‑文档的概率，并基于概率得分，选择k个最近的微簇Zd；此时，需要预测的标签数Y等于具有高于Zd分布均值的微簇的数量lcount；当大于平均值的簇数量为一，则预测在最近的簇中有高簇数量的标签，否侧比较每个标签的簇概率之和，并用最近标签的标签共现得分进行预测；在预测标签后，如果到来的文档没有标签，则将其添加到每个预测标签的最近微簇中，否则将到达的文档添加到地面真实标签的最近微簇中。
-
公开(公告)号：CN116109565A
公开(公告)日：2023-05-12
申请号：CN202211534853.4
申请日：2022-12-01
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于重生网络的早产儿视网膜病异常检测方法。考虑到现实中局部区域患者较少且图像标签获取困难、成本较高的问题，故本发明从小样本数据的角度出发，首先收集有限数据量的眼底图像，并对图像进行一定程度的增强，然后使用传统神经网络策略来训练一个初代AI模型，然后在初代AI模型的基础上进行网络重生(自蒸馏)，通过多次蒸馏迭代，对知识进行提纯和集成，从而提高早产儿视网膜病的诊断准确率。故本发明从改善数据情况和模型本身的能力出发，保证在输入较少量样本的情况下，模型也能取得较高的预测精度，为早产儿视网膜病医学诊断提供了一种新的方法。
-
公开(公告)号：CN115809992A
公开(公告)日：2023-03-17
申请号：CN202211536413.2
申请日：2022-12-02
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/00 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/088 , G06N3/0895 , G06N3/09
Abstract: 本发明公开了一种结合自监督和有监督的早产儿眼底图像异常检测方法。考虑到现实中正常眼底图像数量多而患者有限导致异常眼底图像数量有限，且图像标签获取困难的问题，故本发明从自监督和有监督学习相结合的角度出发，首先按一定的方法收集眼底图像，并对图像进行一定程度的清洗与增强，然后分别使用自监督和有监督学习的方式训练两种有效的特征提取器，然后使用这两种特征提取器对图像进行编码，并将两种特征进行拼接作为图像的最终特征，用拼接后的特征训练一个简单高效的线性分类器，完成ROP的高性能检测。故本发明从自监督和有监督学习的角度出发，保证在现实数据受限的情况下，模型也能取得较高的准确性、鲁棒性以及良好的泛化性能，为ROP医学诊断提供了一种新的方法。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.03 seconds)
