-
公开(公告)号：CN116958742A
公开(公告)日：2023-10-27
申请号：CN202310832460.X
申请日：2023-07-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/082 , G06N3/0495 , G06N3/0455 , G06N3/0895 , G06V10/25
Abstract: 本发明属于机器学习技术领域，具体为一种基于定位预训练与渐进式优化策略的弱监督小样本目标检测方法与系统。本发明将弱监督学习机制引入到小样本深度目标检测框架，建立了一套准确率高的弱监督小样本目标检测系统。本发明方法框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的弱监督小样本目标检测的结果上，都超过了现有方法。本发明能够为目标检测技术在军事和工业应用领域，提供基础框架和算法的支持，也能很容易地扩展到其他小样本学习任务上。
-
公开(公告)号：CN116756690A
公开(公告)日：2023-09-15
申请号：CN202310743839.3
申请日：2023-06-24
Applicant: 复旦大学
IPC: G06F18/25 , G06F18/241 , G06F18/214 , G06V10/82 , G06V10/40
Abstract: 本发属于数据挖掘技术领域，具体为一种跨语言多模态信息融合方法及装置。本发明跨语言多模态信息融合方法包括：收集跨语言多模态信息数据；建立多语种文本模态数据特征表示模块、建立图像模态数据特征表示模块；构建多模态特征融合模块将单一模态的数据表征通过自监督任务完成融合；结合多模态融合特征与数据标签实现整体模型的优化训练，并对跨语言多模态信息融合进行了下游分类任务验证。本发明还提供多模态信息融合装置，并应用与跨语言多模态信息分类任务中。本发明能够增强多模态数据的表征与融合能力，提升下游任务的准确性。
-
公开(公告)号：CN116756381A
公开(公告)日：2023-09-15
申请号：CN202310743834.0
申请日：2023-06-24
Applicant: 复旦大学
IPC: G06F16/901 , G06N5/04 , G06V10/20 , G06V10/40 , G06N3/0499 , G06N3/08 , G06F17/16
Abstract: 本发明属于机器学习技术领域，具体为一种基于条件独立性测试和连续优化的因果发现方法。本发明方法包括：利用条件独立性测试建立掩盖矩阵；基于掩盖矩阵设计连续优化损失函数中的约束项(硬约束/软约束)；利用变分自编码器和结构因果模型结合建立变分图自编码器模型，并导出对应的证据下界目标函数；基于二次罚函数法优化等式约束优化问题得到权重矩阵从而发现因果关系，并对方法进行了虚拟数据集和真实生物数据集的验证。本发明能够弥补现有基于连续优化的因果发现方法在处理较少样本和异质噪声场景下发现因果关系的能力不足。
-
公开(公告)号：CN111126386B
公开(公告)日：2023-06-30
申请号：CN201911321106.0
申请日：2019-12-20
Applicant: 复旦大学
IPC: G06V20/62 , G06V30/19 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/094 , G06N3/096
Abstract: 本发明属于人工智能技术领域，具体为一种基于属于机器视觉场景文本识别任务上的领域适应方法。本发明方法包括：构建CNN‑LSTM网络、注意力网络；将两者组合成场景文本识别网络；将自源域与目标域的场景图像输入场景文本识别网络，由CNN‑LSTM从输入的场景图像中提取图像特征，由注意力网络对图像特征进行再编码，提取出每一个字符的对应特征，实现将图像中的文本信息切分成字符级别信息；最后运用基于对抗学习的迁移学习技术，构建域分类网络，与场景文本识别网络共同构成对抗生成网络，最终使模型能够有效适应目标域。本发明充分利用少量目标域标定样本，解决了在实际场景文本识别任务中经常出现的样本稀缺问题，提高识别效果。
-
公开(公告)号：CN111144469B
公开(公告)日：2023-05-02
申请号：CN201911321107.5
申请日：2019-12-20
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/764 , G06F18/214 , G06F18/241 , G06V30/40 , G06V10/82 , G06N3/0464
Abstract: 本发明属于人工智能技术领域，具体为一种基于多维关联时序分类神经网络的端到端多序列文本识别方法。本发明设计了编码器、多维关联时序分类神经网络和解码器；对含有多个文本序列的图片进行编码解码，编码器将原始的图片映射到特征空间，多维关联时序分类神经网在特征空间上捕获图片的空间时序信息，并利用该信息对各个位置进行文本识别，解码器则根据分类得到的最大概率类别图进行解码生成多序列文本。本发明方法框架简单、使用方便、可扩展性强、可解释性强。本发明设计了多个数据集和实用场景并在其上进行了实验，能够有效的识别图片中的多文本序列。本发明能够为多序列文本识别等底层的计算机视觉任务，提供基础框架和算法的支持。
-
Patent Agency Ranking
公开(公告)号：CN109558493B
公开(公告)日：2023-02-10
申请号：CN201811255993.1
申请日：2018-10-26
Applicant: 复旦大学
Abstract: 本发明属于生物信息学领域，具体为一种基于疾病本体的疾病相似度计算方法。本发明方法分为两部分，第一部分是基于基因本体的疾病功能相似性计算，第二部分是基于疾病本体的疾病语义相似性计算。在算法评估方面，采用ROC曲线和PTC共享率两种评估方法，结果均优于现有的疾病对相似度评估算法。疾病的发病机制往往和体内复杂的代谢及生命活动关系密切，这给人类在疾病发病机制的理解及诊疗手段的研究上带来巨大挑战，本发明方法有助于疾病发病机制、诊疗手段及疾病预防等方面的研究。
-
公开(公告)号：CN109543727B
公开(公告)日：2022-12-20
申请号：CN201811317051.1
申请日：2018-11-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明属于机器学习技术领域，具体为一种基于竞争重构学习的半监督异常检测方法。本发明设计两个解码器对样本数据进行竞争重构，它们共享一个编码器以使得数据映射到同一个子空间中，在正样本的标签信息的辅助下，正样本解码器会对正样本有更小的重构误差，而负样本（异常数据）解码器对负样本的重构误差会更小。本发明方法框架简单、使用方便、可扩展性强、可解释性强，在七个主流异常检测数据集进行了实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。
-
公开(公告)号：CN114757840A
公开(公告)日：2022-07-15
申请号：CN202210303740.7
申请日：2022-03-24
Applicant: 北京字跳网络技术有限公司 , 复旦大学
Abstract: 本公开涉及一种图像处理方法、装置、可读介质和电子设备，涉及图像处理技术领域，该方法包括：获取待处理文本图像，待处理文本图像中包含待修复文本，根据待处理文本图像，识别待处理文本图像中的待修复文本，并根据待修复文本的文本识别结果，确定待修复文本对应的文本线索特征，根据待处理文本图像和文本线索特征进行图像修复，得到修复后的目标文本图像。本公开可以根据识别出的待修复文本的文本识别结果，来确定用于修复待处理文本图像的文本线索特征，并利用文本线索特征进行图像修复，从而得到对待处理文本图像修复后的高质量的目标文本图像。
-
公开(公告)号：CN114741528A
公开(公告)日：2022-07-12
申请号：CN202210330089.2
申请日：2022-03-31
Abstract: 本发明提供了一种高效构建人类蛋白质复合物图谱的方法与系统，包括：对初始人类蛋白质相互作用网络进行加边，得到重构后人类蛋白质相互作用网络：计算重构后人类蛋白质相互作用网络中各个边的特征属性；根据边的特征属性以及重构后人类蛋白质相互作用网络，通过预先训练好的边分类模型预测得到边类别；基于边类别以及重构后人类蛋白质相互作用网络，利用预设的图分割算法识别得到人类蛋白质复合物；对人类蛋白质复合物进行滤除，从而得到过滤后人类蛋白质复合物作为最终人类蛋白质复合物，并基于最终人类蛋白质复合物构建人类蛋白质复合物图谱。本发明能够提升复合物识别的精度，以及人类蛋白质复合物图谱的构建效率。
-
公开(公告)号：CN114169449A
公开(公告)日：2022-03-11
申请号：CN202111505497.9
申请日：2021-12-10
Abstract: 本发明提供一种跨社交网络用户身份匹配的方法，其特征在于，包括以下步骤：步骤S1，对已知用户名数据进行匹配，得到正样本对，再打乱对应的用户名顺序，随机抽取数据并得到负样本对，构成用户名样本对数据集。步骤S2，利用字母表对用户名样本对数据集中的每一个用户名样本对进行向量化表示。步骤S3，构建用户身份匹配网络模型。步骤S4，将样本对训练数据集输入到用户身份匹配网络模型，利用交叉熵损失函数进行监督训练，当训练次数满足结束条件，得到训练完成的用户身份匹配网络模型。步骤S5，将两个待测用户名数据进行配对，得到待测样本对数据。步骤S6，将待测样本对数据输入到训练完成的用户身份匹配网络模型，得到用户名匹配结果。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.023 seconds)
