-
公开(公告)号：CN116228681B
公开(公告)日：2025-03-18
申请号：CN202310061279.3
申请日：2023-01-19
Applicant: 中南大学
Abstract: 本发明适用于图像处理技术领域，提供了一种基于图像多级特征匹配的烧结矿粒智能计数方法，包括：获取破碎机破碎后的矿粒做自由下落运动的视频数据；提取视频数据中第K帧矿粒图像和第K+1帧矿粒图像内每个矿粒的形态特征，并基于动力学模型及提取到的形态特征，通过多级特征匹配追踪第K帧矿粒图像内每个矿粒在第K+1帧矿粒图像中的形态特征，得到视频数据中每个矿粒对应的面积初步确定结果；分别针对视频数据中每个矿粒，根据该矿粒对应的所有面积初步确定结果确定该矿粒的最大面积；根据预设矿粒面积阈值以及每个矿粒的最大面积，对每个矿粒进行粒径划分，并统计不同粒径包含的矿粒个数。本发明能提高烧结矿粒计数的准确度。
-
公开(公告)号：CN114238638B
公开(公告)日：2024-11-26
申请号：CN202111574148.2
申请日：2021-12-21
Applicant: 中南大学
IPC: G06F16/35 , G06F18/214 , G06F18/22 , G06F18/23213
Abstract: 本公开实施例中提供了一种基于成对约束和集群引导的深度半监督文本聚类方法，属于数据处理技术领域，具体包括：对目标文本数据进行预处理和向量化，得到多维向量；根据多维向量学习目标文本数据的隐层特征，并将隐层特征输入预设算法进行聚类，得到初始聚类中心；计算聚类损失；利用交叉熵生成成对约束损失；并计算全部有标签集群和全部无标签集群的集群分配损失；根据重构误差、聚类损失、成对约束损失和集群分配损失计算联合损失函数，并根据联合损失函数迭代达到预设条件时，得到聚类结果。通过本公开的方案，充分挖掘标签中的监督信息，加强了其与无标签集群之间的引导学习，提高了深度半监督聚类模型的鲁棒性，同时提升了文本聚类的精度。
-
公开(公告)号：CN115391606A
公开(公告)日：2022-11-25
申请号：CN202210974217.7
申请日：2022-08-15
Applicant: 中南大学
IPC: G06F16/901 , G06F16/906 , G06F40/30 , G06V10/774
Abstract: 本申请适用于知识图谱技术领域，提供了一种知识嵌入方法，该方法包括：分别针对知识图谱中的每一三元组执行如下步骤：提取三元组中实体间的聚类特征和层次特征，并利用三元组中(h,c,t)的出现频次和(h,t)的出现频次，对聚类特征和层次特征进行频次增强处理，得到频次增强后的聚类特征和层次特征；将聚类特征、层次特征、频次增强后的聚类特征和层次特征均转换为三元组的评分值，并对三元组的所有评分值进行加权求和，得到频次增强融合模型；对频次增强融合模型进行训练，并将训练后的频次增强融合模型中的实体和关系的嵌入向量组作为知识图谱的知识表示嵌入结果。本申请能提升知识图谱的链接预测准确率。
-
公开(公告)号：CN115271071B
公开(公告)日：2025-05-02
申请号：CN202210942556.7
申请日：2022-08-08
Applicant: 中南大学
IPC: G06N5/02 , G06N5/022 , G06N3/0464 , G06N3/042
Abstract: 本公开实施例中提供了一种基于图神经网络的知识图谱实体对齐方法、系统及设备，属于数据处理技术领域，具体包括：步骤1，数据准备；步骤2，数据预处理；步骤3，构建图神经网络模型；步骤4，网络前向运算；步骤5，融合全局信息的分布迁移法；步骤6，融合局部信息的针对性负采样；步骤7，反向传播更新图神经网络模型权值参数；步骤8，重复步骤4至步骤7的内容，直至步骤7所述联合损失函数迭代达到预设条件；步骤9，整体匹配法输出对齐结果。通过本公开的方案，充分挖掘知识图谱中实体之间的全局以及局部信息，提升了知识图谱实体对齐任务的训练效率和精准度。
-
公开(公告)号：CN115238582B
公开(公告)日：2025-03-28
申请号：CN202210879183.3
申请日：2022-07-25
Applicant: 中南大学
IPC: G06F30/27 , G06F18/241 , G06N3/044 , G06N3/08 , G06N5/02 , G06F111/04 , G06F119/02
Abstract: 本公开实施例中提供了一种知识图谱三元组的可靠性评估方法、系统、设备及介质，属于数据处理技术领域，具体包括：利用预设嵌入模型训练数据集中的嵌入向量；对数据集进行预处理；利用知识图谱中的类型信息对训练集中每个三元组进行类型约束，并据此计算类型信息置信度；表征训练集中每个三元组的逻辑规则置信度；利用训练完成的嵌入向量计算实体关联置信度；利用训练集中每个三元组中实体对的路径搜索策略及其嵌入向量，求解其全局路径置信度；将每个三元组的类型置信度、逻辑规则置信度、实体关联置信度和全局路径置信度训练二分类神经网络；利用目标识别网络评估待评估三元组的可靠性。通过本公开的方案，提高了三元组可靠性的分类效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN117036385A
公开(公告)日：2023-11-10
申请号：CN202311066641.2
申请日：2023-08-23
Applicant: 中南大学
IPC: G06T7/11 , G06T7/187 , G06T5/00 , G06T7/62 , G06T5/30 , G06V10/774 , G06V10/776 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/082
Abstract: 本公开实施例中提供了一种少样本学习的颗粒图像分割方法，属于图像处理技术领域，具体包括：获取颗粒图像数据；基于SAM模型分割颗粒图像数据，获取带伪标签的颗粒图像；将带伪标签的颗粒图像划分为训练集、验证集和测试集；得到最优颗粒分割模型；将所述测试集输入最优颗粒分割模型，得到颗粒分割掩膜；基于四邻域检测法提取去噪后的颗粒分割掩膜中每个独立的连通域，获得初步颗粒分割图；基于面积自适应的图像腐蚀算法对初步颗粒分割图进行后处理，得到腐蚀后的分割图；计算腐蚀后的分割图中每个独立连通域的数量与面积，基于面积取值范围计算粒度分布。通过本公开的方案，提高了图像分割的效率和精准度。
-
公开(公告)号：CN115859829A
公开(公告)日：2023-03-28
申请号：CN202211695855.1
申请日：2022-12-28
Applicant: 中南大学
IPC: G06F30/27 , G06F17/16 , G06F119/02
Abstract: 本申请适用于质量预测技术领域，提供了一种烧结矿化学质量在线预测方法，其中该方法包括：确定烧结过程中与烧结矿化学质量相关的多个烧结过程参数，获取多个烧结过程参数在当前预测时刻的时序特征，获取前一预测时刻至当前预测时刻的烧结机尾图像数据，并利用用于提取烧结机尾图片燃烧带形态的Unet分割网络，确定烧结机尾图像数据的关键帧序列，提取关键帧序列中每一个关键帧的一级特征，并获取当前预测时刻的烧结机尾关键帧的二级特征，将时序特征、烧结机尾关键帧的二级特征、以及前一预测时刻烧结矿化学质量值输入质量预测模型进行质量预测，得到当前预测时刻烧结矿化学质量的预测值。本申请能大大提升烧结矿化学质量在线预测的精度。
-
公开(公告)号：CN114238638A
公开(公告)日：2022-03-25
申请号：CN202111574148.2
申请日：2021-12-21
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种基于成对约束和集群引导的深度半监督文本聚类方法，属于数据处理技术领域，具体包括：对目标文本数据进行预处理和向量化，得到多维向量；根据多维向量学习目标文本数据的隐层特征，并将隐层特征输入预设算法进行聚类，得到初始聚类中心；计算聚类损失；利用交叉熵生成成对约束损失；并计算全部有标签集群和全部无标签集群的集群分配损失；根据重构误差、聚类损失、成对约束损失和集群分配损失计算联合损失函数，并根据联合损失函数迭代达到预设条件时，得到聚类结果。通过本公开的方案，充分挖掘标签中的监督信息，加强了其与无标签集群之间的引导学习，提高了深度半监督聚类模型的鲁棒性，同时提升了文本聚类的精度。
-
公开(公告)号：CN116228681A
公开(公告)日：2023-06-06
申请号：CN202310061279.3
申请日：2023-01-19
Applicant: 中南大学
Abstract: 本发明适用于图像处理技术领域，提供了一种基于图像多级特征匹配的烧结矿粒智能计数方法，包括：获取破碎机破碎后的矿粒做自由下落运动的视频数据；提取视频数据中第K帧矿粒图像和第K+1帧矿粒图像内每个矿粒的形态特征，并基于动力学模型及提取到的形态特征，通过多级特征匹配追踪第K帧矿粒图像内每个矿粒在第K+1帧矿粒图像中的形态特征，得到视频数据中每个矿粒对应的面积初步确定结果；分别针对视频数据中每个矿粒，根据该矿粒对应的所有面积初步确定结果确定该矿粒的最大面积；根据预设矿粒面积阈值以及每个矿粒的最大面积，对每个矿粒进行粒径划分，并统计不同粒径包含的矿粒个数。本发明能提高烧结矿粒计数的准确度。
-
公开(公告)号：CN115271071A
公开(公告)日：2022-11-01
申请号：CN202210942556.7
申请日：2022-08-08
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种基于图神经网络的知识图谱实体对齐方法、系统及设备，属于数据处理技术领域，具体包括：步骤1，数据准备；步骤2，数据预处理；步骤3，构建图神经网络模型；步骤4，网络前向运算；步骤5，融合全局信息的分布迁移法；步骤6，融合局部信息的针对性负采样；步骤7，反向传播更新图神经网络模型权值参数；步骤8，重复步骤4至步骤7的内容，直至步骤7所述联合损失函数迭代达到预设条件；步骤9，整体匹配法输出对齐结果。通过本公开的方案，充分挖掘知识图谱中实体之间的全局以及局部信息，提升了知识图谱实体对齐任务的训练效率和精准度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.017 seconds)
