-
公开(公告)号：CN113298830B
公开(公告)日：2022-07-15
申请号：CN202110689924.7
申请日：2021-06-22
Abstract: 本发明公开了一种基于自监督的急性颅内ICH区域图像分割方法，包括将出血部位图A1送入认知网络，由认知网络学习生成颅内ICH区域图；将颅内ICH区域图和一张CT扫描图送入分割网络，由分割网络生成ICH区域定位图；比较ICH区域定位图与CT扫描图，判断ICH区域定位图与CT扫描图的出血区域一致性，并不断循环训练。本发明结合无监督的思想，基于知识约束生成式对抗网络的图像分割技术，实现医学影像中颅内ICH区域的自动分割。在生成式对抗网络的思想上对生成器进行改造，变形为分割网络。利用生成式对抗网络的特性，模型优化不再依靠精细标注样本，保证了分割准确性。
-
公开(公告)号：CN112101385B
公开(公告)日：2022-06-10
申请号：CN202010993027.0
申请日：2020-09-21
Applicant: 西南大学
Abstract: 本发明提出一种弱监督文本检测方法，包括：构建感受野生成器，将待检测图像输入所述感受野生成器，获取一个或多个感受野；根据所述一个或多个感受野感知文本区域；构建感受野判别器，将所述文本区域输入所述感受野判别器，根据文本在所述文本区域的分布，获取识别结果；将所述识别结果反馈给所述感受野生成器，对所述一个或多个感受野进行校正，通过校正后的所述感受野生成器输出文本特征图，本发明基于感受野，再不需要标注图像中文本坐标的情况下，完成文本检测，极大地降低了标注数据集的依赖性，提高自然场景的适应性。
-
公开(公告)号：CN113298830A
公开(公告)日：2021-08-24
申请号：CN202110689924.7
申请日：2021-06-22
Abstract: 本发明公开了一种基于自监督的急性颅内ICH区域图像分割方法，包括将出血部位图A1送入认知网络，由认知网络学习生成颅内ICH区域图；将颅内ICH区域图和一张CT扫描图送入分割网络，由分割网络生成ICH区域定位图；比较ICH区域定位图与CT扫描图，判断ICH区域定位图与CT扫描图的出血区域一致性，并不断循环训练。本发明结合无监督的思想，基于知识约束生成式对抗网络的图像分割技术，实现医学影像中颅内ICH区域的自动分割。在生成式对抗网络的思想上对生成器进行改造，变形为分割网络。利用生成式对抗网络的特性，模型优化不再依靠精细标注样本，保证了分割准确性。
-
公开(公告)号：CN115329190A
公开(公告)日：2022-11-11
申请号：CN202210837152.1
申请日：2022-07-15
Applicant: 西南大学
IPC: G06F16/9535 , G06F40/194 , G06F40/30 , G06K9/62 , G09B7/04
Abstract: 本申请提供一种基于个性化能力的题目推荐方法及系统，包括：根据预设题库构建正确题库和错误题库，分别得到所述正确题库和所述错误题库中每个题目对应的题目向量表示；获取同一个学生的历史答题序列，从对应题库中获取所述历史答题序列中每个题目对应的题目向量表示，得到所述历史答题序列对应的题目向量集合，对所述题目向量集合进行特征提取，得到对应学生的知识点难度特征、题目难度特征以及学习能力特征；将所述知识点难度特征、题目难度特征以及学习能力特征输入预设的能力状态分析模型得到各时间节点对应学生的能力状态；根据所述各时间节点对应学生的能力状态从所述题库中检索匹配的题目推送至对应学生端。
-
公开(公告)号：CN112101385A
公开(公告)日：2020-12-18
申请号：CN202010993027.0
申请日：2020-09-21
Applicant: 西南大学
Abstract: 本发明提出一种弱监督文本检测方法，包括：构建感受野生成器，将待检测图像输入所述感受野生成器，获取一个或多个感受野；根据所述一个或多个感受野感知文本区域；构建感受野判别器，将所述文本区域输入所述感受野判别器，根据文本在所述文本区域的分布，获取识别结果；将所述识别结果反馈给所述感受野生成器，对所述一个或多个感受野进行校正，通过校正后的所述感受野生成器输出文本特征图，本发明基于感受野，再不需要标注图像中文本坐标的情况下，完成文本检测，极大地降低了标注数据集的依赖性，提高自然场景的适应性。
-
Patent Agency Ranking
公开(公告)号：CN118430833A
公开(公告)日：2024-08-02
申请号：CN202410622677.2
申请日：2024-05-20
Applicant: 西南大学
IPC: G16H50/70 , G16H20/90 , G06F18/214 , G06F16/332
Abstract: 本发明涉及医学信息处理技术领域，具体涉及一种基于大语言模型的中医知识深度挖掘方法，基于大语言模型对检索增强和模型微调数据源进行预处理，得到向量数据库、训练集、验证集和测试集；分别对检索增强和模型微调进行训练，得到训练模型；所述训练模型基于用户输入查询知识库，并输出文本，该方法同时使用了检索增强和大语言模型，结合二者的优点，辅以强化学习技术，既能够解释中医领域的名词和症候，又能够根据患者的输入判断其症候并给出解决治疗方案，解决当前中医药数字化和智能化研究仍处于初级阶段，名老中医药专家经验的数字化活态传承不足的问题。
-
公开(公告)号：CN118113748A
公开(公告)日：2024-05-31
申请号：CN202410261902.4
申请日：2024-03-07
Applicant: 西南大学
IPC: G06F16/2457 , G06F16/2458 , G06N5/022 , G06N3/0499 , G06N3/0455 , G06N3/08 , G06Q50/20
Abstract: 本申请提供一种个性化知识追踪方法及系统，该方法包括：分别对学生、习题和时间进行编码，得到学生向量、时间向量和习题向量；将所述学生向量输入第一嵌入查询模块进行权重嵌入，得到对应的学生嵌入向量；将所述习题向量输入第二嵌入查询模块进行权重嵌入，得到对应的习题嵌入向量；将所述学生嵌入向量、习题嵌入向量和时间向量融合为目标向量；将所述目标向量输入多层感知机以预测学生做对习题的概率，得到学生知识追踪结果。本申请可有效提高模型的预测准确性。
-
公开(公告)号：CN116401321A
公开(公告)日：2023-07-07
申请号：CN202310245273.1
申请日：2023-03-13
Applicant: 西南大学
IPC: G06F16/28 , G06F16/22 , G06F16/36 , G06F16/35 , G06F16/332 , G06F18/22 , G06Q40/00 , G06N3/09 , G06N3/0464 , G06N3/045 , G06N3/048
Abstract: 本申请提供一种数据资产分类定级方法、系统、设备和介质，该方法包括：获取待定级数据表，其中所述待定级数据表包括表名和字段名；根据所述待定级数据表的表名进行分类，以建立所述待定级数据表与预设的三级目录的映射关系，其中所述三级目录下挂载有多个具有预设安全等级四级目录，且每个所述四级目录包括多个资产项；基于所述映射关系调用对应的所述四级目录中的资产项作为目标资产项，以根据与所述待定级数据表的字段名相似度的最高的目标资产项的安全等级确定所述待定级数据表的安全等级。可以节约各项信息数据管理工作成本，提高工作效率，保护和规范化数据资源。
-
公开(公告)号：CN114694132A
公开(公告)日：2022-07-01
申请号：CN202210410933.2
申请日：2022-04-19
Applicant: 西南大学
Abstract: 本发明提供一种基于特征重构的芯片表面复杂文本高精度识别方法及装置，本方案通过将芯片表面的文本数据分为弱特征数据和强特征数据，根据弱特征数据建立标识特征重构器，进一步根据强特征数据和标识特征重构器的输出，建立标识特征判断器；根据标识特征判断器的输出结果，设计损失函数，对标识特征重构器和标识特征判断器进行交替优化；建立优化判别网络对每次优化后标识特征重构器的输出进行识别，在识别率达到阈值时，停止交替优化，获得目标标识特征重构器和目标标识特征判断器，并进行重构和识别芯片表面文本。从而实现对芯片字符图像的特征重构和可辨识性特征增强，进一步提高芯片残缺文本标识的识别精度。
-
公开(公告)号：CN116383503B
公开(公告)日：2024-01-16
申请号：CN202310368613.X
申请日：2023-04-07
Applicant: 西南大学
IPC: G06F16/9535 , G06N3/092 , G06N3/094
Abstract: 本发明公开基于对抗学习和序列推荐的知识追踪方法及系统，涉及信息推送领域。本发明包括，将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号；按照每个用户的知识点的学习进度将用户划分为若干个用户组；在每个用户组内，获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号；通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号；将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器，得到预测生成器输出层的准确率。本发明提高了对不同用户的知识点推送的准确度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
