-
公开(公告)号：CN116664852B
公开(公告)日：2024-08-20
申请号：CN202310501708.4
申请日：2023-05-06
Applicant: 华南理工大学
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/20 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于卷积复变换神经网络的舌苔图像特征提取方法和系统，方法包括：构建卷积复变换神经网络，包括：卷积层和复数变换层；复数变换层由多个Wave‑CT模块和下采样层交替组成，Wave‑CT模块用于提取输入图像的空间特征以及对应通道的权重特征；将其转换为具有振幅和相位的波，根据复数变换原理，对特征聚合权重进行学习更新，并根据更新后的特征聚合权重以及提取的空间特征和权重特征，输出聚合后的特征；训练卷积复变换神经网络，并根据训练好的所述卷积复变换神经网络对舌苔图像进行特征提取。本发明公开的卷积复变换神经网络可提取图像的深层特征，并能克服样本分布不均的问题，使模型跳出局部最优。
-
公开(公告)号：CN117958765B
公开(公告)日：2024-06-21
申请号：CN202410386135.X
申请日：2024-04-01
Applicant: 华南理工大学
IPC: A61B5/00 , G10L25/66 , G10L25/24 , G06N3/0455 , G06F18/213 , G06F18/22 , G06F18/25
Abstract: 本发明系一种基于双曲空间对齐的多模态语音脏腑器官识别方法，包括，获取人体语音信号以及对应的文本信号；分别对语音信号和文本信号进行特征提取，得到音频特征和文本特征；将音频特征和文本特征映射至双曲几何空间中，确定映射后的音频特征和文本特征之间的双曲距离，以双曲距离作为相似度对音频特征和文本特征进行对齐；将对齐后的音频特征和文本特征依次进行交叉注意力融合以及特征拼接，得到人体语音特征；并根据人体语音特征对脏腑器官进行识别。本发明将多模态和双曲空间特征对齐结合起来，让特征融合前在双曲空间对齐，提高了多模态语音脏腑器官识别的准确率。
-
公开(公告)号：CN116563918A
公开(公告)日：2023-08-08
申请号：CN202310502346.0
申请日：2023-05-06
Applicant: 华南理工大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G16H30/20
Abstract: 本发明公开了一种基于非平衡加权Cycle_MLP网络的体质识别方法和系统，通过获取面部图像以及对应的体质类别标签，并针对每种体质类别下的面部图像构建五官特征的认知信息语义；构建Cycle_MLP网络，利用面部图像、认知信息语义以及对应的体质类别，以基于欧式空间和双曲空间的非平衡加权交叉熵为损失函数，对所述Cycle_MLP网络进行训练；利用训练好的所述Cycle_MLP网络，进行体质识别。本发明公开的体质识别方法在标签数据有限的情况下，实现体质的准确识别；并引入双曲空间交叉熵损失函数构建非平衡分类平均二元交叉熵损失函数的理念，以充分考虑标签数据分布不均的问题。
-
公开(公告)号：CN112735478B
公开(公告)日：2023-07-18
申请号：CN202110130509.8
申请日：2021-01-29
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于加性角惩罚焦点损失的语音情感识别方法，用于解决语音情感识别任务中提取的特征对情感的区分度不足的问题，包括以下步骤：1、对语音情感数据库进行数据预处理，限制语音样本的最大长度，将数据从音频格式转换为相应的声谱图图像表示，再根据最大长度将声谱图调整至统一大小，作为深度学习模型的输入；2、搭建密集卷积网络作为深度学习模型，用于提取语音的情感差异特征；3、设计基于加性角惩罚的焦点损失函数，作为目标函数对深度学习模型进行训练；4、基于学得的区分性特征，使用Softmax分类器完成情感识别。本发明具有增强类内紧密度和类间差异度并促使模型更加关注困难样本的优点，能够显著提高识别性能。
-
公开(公告)号：CN112164476A
公开(公告)日：2021-01-01
申请号：CN202011036578.4
申请日：2020-09-28
Applicant: 华南理工大学
IPC: G16H80/00 , G06F16/332 , G06N3/04
Abstract: 本发明公开了一种基于多任务和知识引导的医疗咨询对话生成方法，包括以下步骤：采集和预处理医疗咨询数据；采集疾病相关的知识，并从疾病相关的知识中整理出主题标签；在编码器‑解码器的基础上构建多任务学习模型，以对话生成为主任务，疾病类别分类任务和疾病领域的知识主题分类任务作为辅助任务，为对话生成任务引入医疗领域知识；设计基于疾病类别特征的领域注意力机制和词注意力机制；设计基于主题特征的主题注意力机制；对模型进行多任务联合训练。本发明引入了层级分类器、注意力机制、多任务学习等技术，能有效地提升了医疗咨询对话生成模型的性能，让模型生成更有帮助的医疗咨询回复。
-
Patent Agency Ranking
公开(公告)号：CN111222339A
公开(公告)日：2020-06-02
申请号：CN202010031774.6
申请日：2020-01-13
Applicant: 华南理工大学
IPC: G06F40/295
Abstract: 本发明公开了一种基于对抗多任务学习的医疗咨询命名实体识别方法。所述方法包括以下步骤：采集医疗咨询数据，对医疗咨询数据进行预处理，并对其中一部分数据进行实体的标注，得到有标注的医疗咨询数据；构建双向语言模型和掩码语言模型，利用无标注的医疗咨询数据，分别预训练双向语言模型和掩码语言模型；将双向语言模型和掩码语言模型的预训练特征引入到命名实体识别模型；对命名实体识别模型进行对抗多任务训练，得到训练好的命名实体识别模型；输入一段文本到训练好的命名实体识别模型的目标标注模型中，实现文本命名实体识别。本发明引入了迁移学习、对抗学习、多任务学习等技术，有效地提高了医疗咨询文本命名实体识别的效果。
-
公开(公告)号：CN106844738B
公开(公告)日：2019-07-16
申请号：CN201710077241.X
申请日：2017-02-14
Applicant: 华南理工大学
IPC: G06F16/35 , G06F16/953 , G06N3/08 , G16H20/60
Abstract: 本发明公开了一种基于神经网络的食材之间容克关系的分类方法，所述方法包括：采集中医体质学方面的资料作为文本语料；对采集的文本语料进行整体建模生成词向量，使文本语料中每个非停用词都对应一个固定长度的词向量；使用两个词向量之间的余弦相似度作为两个词向量所对应实体之间的相似度；对于给定的两种食材，将两种食材之间关系的特征表示为食材之间关系的表征词的词向量组成的矩阵；使用循环卷积神经网络，以食材之间关系的特征作为循环卷积神经网络的输入，训练人工标注的食材之间容克关系的数据。本发明方法能够准确、快速的判定食材之间的相容或相克关系，进而辅助食疗推荐系统，丰富食疗推荐系统的推荐的食品种类。
-
公开(公告)号：CN109918644A
公开(公告)日：2019-06-21
申请号：CN201910076463.9
申请日：2019-01-26
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于迁移学习的中医健康咨询文本命名实体识别方法，包括以下步骤：S1、选择其他领域文本命名实体识别标注数据集，构造神经网络，进行预训练。S2、分别构造单向循环神经网络，利用中医健康咨询文本无标注数据集，进行语言模型训练，得到前向和反向语言模型。S3、融合单向语言模型的循环网络层输出特征，结合全连接网络层和条件随机场层得到最终的命名实体识别模型。S4、使用中医健康咨询文本命名实体识别标注数据集，进行微调训练。所述方法能够迁移其它领域的命名实体识别有标注文本知识和本领域的无标注文本知识，有效提高中医健康咨询文本命名实体识别的准确率和召回率，加速模型的收敛速度。
-
公开(公告)号：CN108182669A
公开(公告)日：2018-06-19
申请号：CN201810002510.0
申请日：2018-01-02
Applicant: 华南理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于多个图片尺寸的生成对抗网络的超分辨率复原方法，该超分辨率复原方法步骤如下：准备样本，将训练样本的图片进行适当裁剪，然后分别采取多种倍率的下采样得到多组低分辨率的图片，使用每组低分辨率的图片分别输入到多个网络，下采样前的图片作为目标图片，预训练生成网络，最后通过判别网络来做一个整体调整。本发明使用多个尺寸的图片对网络进行交替式训练，不仅能有效的解决训练样本不足的情况，还可以提高超分辨率复原的效果。
-
公开(公告)号：CN107958257A
公开(公告)日：2018-04-24
申请号：CN201710939672.2
申请日：2017-10-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度神经网络的中药材识别方法，包括如下步骤：将网络爬虫和人工拍照采集中药材图片作为数据集的输入并进行预处理；训练与预测过程采用集成学习之Bagging方法，即采用随机采样方法产生多个子训练集；利用经典卷积神经网络模型对各个子训练集进行微调训练，生成多个弱分类器，采用的卷积神经网络模型包括AlexNet、SqueezeNet和GoogleNet，最后配合Softmax分类算法；并使用集成学习组合策略得到强分类器，得到分类结果，所述集成学习组合策略采用投票法。本发明方法用于辅助识别中药材，减少业余人士在识别中出现的错误，且能准确性高、识别速度快、性能稳定地分析中药材。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.025 seconds)
