-
公开(公告)号：CN115964660A
公开(公告)日：2023-04-14
申请号：CN202211693617.7
申请日：2022-12-28
申请人： 南京邮电大学
IPC分类号： G06F18/241 , G06F18/25 , G06N3/0442 , G06N3/048 , G06N3/084 , G06F40/211 , G06F40/30 , G06F18/2135
摘要： 本发明属于数据挖掘技术领域，公开了一种基于多模双线性池化融合GNN的事件关系抽取方法，包括：步骤1：对数据集进行预处理，划分双重GNN模型的训练集和测试集；步骤2：利用BiLSTM作为句子编码器，来获取每个句子中单词基于上下文的隐表示；步骤3：将隐表示分别输入到SynGCN模块和SemGAT模块中，提取句法结构特征和语义特征；步骤4：使用多模双线性池化来融合两模块的特征，再用PCA对特征进行降维后，利用融合特征来进行关系分类，得到对应关系的概率；步骤5：对网络参数进行优化更新；步骤6：根据训练好的模型，对测试集中的数据进行预测。本发明时考虑句法特征和语义特征，达到对句子的全局理解。
-
公开(公告)号：CN117974634B
公开(公告)日：2024-06-04
申请号：CN202410361714.9
申请日：2024-03-28
申请人： 南京邮电大学
IPC分类号： G06T7/00 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
摘要： 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。
-
公开(公告)号：CN117974634A
公开(公告)日：2024-05-03
申请号：CN202410361714.9
申请日：2024-03-28
申请人： 南京邮电大学
IPC分类号： G06T7/00 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
摘要： 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。
-
-
搜索结果
3 条记录 (耗时 0.021 秒)
