-
公开(公告)号：CN118015021B
公开(公告)日：2024-07-09
申请号：CN202410410453.5
申请日：2024-04-07
Applicant: 安徽农业大学
IPC: G06T7/11 , G06N3/0464 , G06T5/10 , G06T7/00 , G06V10/764
Abstract: 本发明适用于跨模态医学图像分割技术领域，提供了基于滑动窗口的主动域自适应跨模态医学图像分割方法，该方法在主动域适应任务中，利用一组带标签的源数据和未带标签的目标数据；训练一个分割网络，该分割网络能在目标域上实现良好的分割性能，只需少量注释预算；训练一个分割网络的步骤包括：S1：预训练与伪标签生成；S2：滑动窗口定义；S3：窗口不稳定性计算；S4：窗口获取策略；S5：类间距离优化策略；S6：模型训练。本发明的图像分割方法充分利用了标注预算，并采用了有效的采集策略，以实现显著的跨域分割性能。
-
Patent Agency Ranking
公开(公告)号：CN118332127A
公开(公告)日：2024-07-12
申请号：CN202410765291.7
申请日：2024-06-14
Applicant: 安徽农业大学
IPC: G06F16/35 , G06F40/30 , G06N3/0464 , G06N3/08
Abstract: 本发明适用于自然语言处理技术领域，具体是一种基于跨语言集成的零样本文本分类方法，该方法包括构建多语言数据集、获取多语言分类文本、文本标签集映射成图像标签集、特征提取、相似度计算和集成预测的步骤，其中，在集成预测的步骤中，本发明运用集成学习的投票策略，选择最终文本分类预测结果并输出。本发明采用了跨语言集成方法，并增加了中文和意大利语的多语言数据集，具备广泛的语言支持和适应能力；本发明采用Multilingual‑CLIP模型，显著提高了零样本文本分类的性能；本发明还采用了投票机制进行预测结果的集成，通过多个模型的预测结果进行投票选择，进一步提高了预测准确性。
-
公开(公告)号：CN118335201A
公开(公告)日：2024-07-12
申请号：CN202410748840.X
申请日：2024-06-12
Applicant: 安徽农业大学
IPC: G16B40/00 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种预测方法，具体是基于可变形卷积神经网络和趋同相似性原理的预测方法，通过收集蛋白质序列、蛋白质结构数据和蛋白质相互作用信息；使用可变形卷积神经网络DCN模型对蛋白质序列进行特征提取；计算蛋白质的趋同相似性，将获得的序列相似性矩阵、结构相似性矩阵、功能相似性矩阵三个矩阵，将所有矩阵的加权平均作为融合后最终的相似性矩阵；选择图神经网络GNN处理图结构数据，使用部分已知的蛋白质相互作用信息来训练预测模型，选择随机梯度下降优化算法优化模型参数；利用优化后的预测模型对蛋白质的相互作用进行预测。本发明融合可变形卷积技术和趋同相似性技术，显著提升了蛋白质相互作用网络的数据质量和深度解析。
-
公开(公告)号：CN118332127B
公开(公告)日：2024-08-06
申请号：CN202410765291.7
申请日：2024-06-14
Applicant: 安徽农业大学
IPC: G06F16/35 , G06F40/30 , G06N3/0464 , G06N3/08
Abstract: 本发明适用于自然语言处理技术领域，具体是一种基于跨语言集成的零样本文本分类方法，该方法包括构建多语言数据集、获取多语言分类文本、文本标签集映射成图像标签集、特征提取、相似度计算和集成预测的步骤，其中，在集成预测的步骤中，本发明运用集成学习的投票策略，选择最终文本分类预测结果并输出。本发明采用了跨语言集成方法，并增加了中文和意大利语的多语言数据集，具备广泛的语言支持和适应能力；本发明采用Multilingual‑CLIP模型，显著提高了零样本文本分类的性能；本发明还采用了投票机制进行预测结果的集成，通过多个模型的预测结果进行投票选择，进一步提高了预测准确性。
-
公开(公告)号：CN118015021A
公开(公告)日：2024-05-10
申请号：CN202410410453.5
申请日：2024-04-07
Applicant: 安徽农业大学
IPC: G06T7/11 , G06N3/0464 , G06T5/10 , G06T7/00 , G06V10/764
Abstract: 本发明适用于跨模态医学图像分割技术领域，提供了基于滑动窗口的主动域自适应跨模态医学图像分割方法，该方法在主动域适应任务中，利用一组带标签的源数据和未带标签的目标数据；训练一个分割网络，该分割网络能在目标域上实现良好的分割性能，只需少量注释预算；训练一个分割网络的步骤包括：S1：预训练与伪标签生成；S2：滑动窗口定义；S3：窗口不稳定性计算；S4：窗口获取策略；S5：类间距离优化策略；S6：模型训练。本发明的图像分割方法充分利用了标注预算，并采用了有效的采集策略，以实现显著的跨域分割性能。
-
公开(公告)号：CN118335201B
公开(公告)日：2024-10-01
申请号：CN202410748840.X
申请日：2024-06-12
Applicant: 安徽农业大学
IPC: G16B40/00 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种预测方法，具体是基于可变形卷积神经网络和趋同相似性原理的预测方法，通过收集蛋白质序列、蛋白质结构数据和蛋白质相互作用信息；使用可变形卷积神经网络DCN模型对蛋白质序列进行特征提取；计算蛋白质的趋同相似性，将获得的序列相似性矩阵、结构相似性矩阵、功能相似性矩阵三个矩阵，将所有矩阵的加权平均作为融合后最终的相似性矩阵；选择图神经网络GNN处理图结构数据，使用部分已知的蛋白质相互作用信息来训练预测模型，选择随机梯度下降优化算法优化模型参数；利用优化后的预测模型对蛋白质的相互作用进行预测。本发明融合可变形卷积技术和趋同相似性技术，显著提升了蛋白质相互作用网络的数据质量和深度解析。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
