-
公开(公告)号：CN109711463A
公开(公告)日：2019-05-03
申请号：CN201811594302.0
申请日：2018-12-25
Applicant: 广东顺德西安交通大学研究院
Abstract: 本发明一种基于注意力的重要对象检测算法，包括步骤1，建立基于注意力的重要对象检测模型；步骤2，基于注意力的对象定位对基于注意力的重要对象检测模型进行训练；步骤3，利用完成训练的基于注意力的重要对象检测模型对图像的重要对象进行检测。通过考虑人类视觉系统的特点，人类在识别图像时并不会察看图像的所有区域，而是会立即被图像中感兴趣的区域吸引而重点观察这些区域，从而进一步识别和理解整幅图像的语义。从而本发明将图像检测算法和图像注释算法结合起来，利用图像注释算法提供的注意力，快速检测图像中最有可能最在重点对象的区域，大大减少了图像中重点对象的检测时间，提高了对象检测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN108984633B
公开(公告)日：2020-10-20
申请号：CN201810641543.X
申请日：2018-06-21
Applicant: 广东顺德西安交通大学研究院
IPC: G06F16/2458 , G06F16/28 , G06F16/36 , G06F40/30
Abstract: 本发明公开了一种基于节点上下文向量空间的RDF近似答案查询方法，首先进行RDF图的向量空间表示学习生成，然后对RDF查询图划分，再基于向量空间的近似答案发现，最后RDF查询图近似答案结果返回，帮助用户明确信息需求和修改初始的RDF查询图。本发明能够解决RDF查询空集答案问题，其中基于节点上下文的RDF表示学习方法可以离线线生成RDF数据集的连续向量表示，保证了RDF查询图投影在连续向量空间中时能够满足用户查询意图，生成的近似答案及对应推荐查询排序后返回给用户作为解释，这种数据驱动式的求解方式提高了RDF近似的质量查询并显著降低时间开销。
-
公开(公告)号：CN109408527A
公开(公告)日：2019-03-01
申请号：CN201811197729.7
申请日：2018-10-15
Applicant: 广东顺德西安交通大学研究院
IPC: G06F16/242 , G06F16/2453 , G06F16/36
Abstract: 本发明公开了一种基于向量空间的RDF结构化查询自动构建方法，利用概括局部子图将RDF图映射到连续向量空间中，学习RDF图中每个节点与边的向量表示；在给定通过自然语言问题表达的查询意图后，提取问题中的实体、关系短语，并将它们在RDF图中匹配得到候选匹配节点、边；然后，利用RDF图的向量表示将候选匹配节点、边的集合表示为向量并计算最优查询结构；最后利用翻译机制选取每个候选集合中的最优匹配节点、边并生成目标结构化查询。通过对RDF图向量表示的利用，查询构建的效率得到了大大提高；同时可以避免在确定结构过程中对实体与关系短语进行精确的匹配，提高了匹配的召回率；在最后的查询生成过程中，翻译机制也保证了所生成查询与RDF图的一致性。
-
公开(公告)号：CN109711463B
公开(公告)日：2023-04-07
申请号：CN201811594302.0
申请日：2018-12-25
Applicant: 广东顺德西安交通大学研究院
IPC: G06V10/764 , G06V10/25 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明一种基于注意力的重要对象检测算法，包括步骤1，建立基于注意力的重要对象检测模型；步骤2，基于注意力的对象定位对基于注意力的重要对象检测模型进行训练；步骤3，利用完成训练的基于注意力的重要对象检测模型对图像的重要对象进行检测。通过考虑人类视觉系统的特点，人类在识别图像时并不会察看图像的所有区域，而是会立即被图像中感兴趣的区域吸引而重点观察这些区域，从而进一步识别和理解整幅图像的语义。从而本发明将图像检测算法和图像注释算法结合起来，利用图像注释算法提供的注意力，快速检测图像中最有可能最在重点对象的区域，大大减少了图像中重点对象的检测时间，提高了对象检测的准确率。
-
公开(公告)号：CN109408527B
公开(公告)日：2020-12-01
申请号：CN201811197729.7
申请日：2018-10-15
Applicant: 广东顺德西安交通大学研究院
IPC: G06F16/242 , G06F16/2453 , G06F16/36
Abstract: 本发明公开了一种基于向量空间的RDF结构化查询自动构建方法，利用概括局部子图将RDF图映射到连续向量空间中，学习RDF图中每个节点与边的向量表示；在给定通过自然语言问题表达的查询意图后，提取问题中的实体、关系短语，并将它们在RDF图中匹配得到候选匹配节点、边；然后，利用RDF图的向量表示将候选匹配节点、边的集合表示为向量并计算最优查询结构；最后利用翻译机制选取每个候选集合中的最优匹配节点、边并生成目标结构化查询。通过对RDF图向量表示的利用，查询构建的效率得到了大大提高；同时可以避免在确定结构过程中对实体与关系短语进行精确的匹配，提高了匹配的召回率；在最后的查询生成过程中，翻译机制也保证了所生成查询与RDF图的一致性。
-
公开(公告)号：CN108984633A
公开(公告)日：2018-12-11
申请号：CN201810641543.X
申请日：2018-06-21
Applicant: 广东顺德西安交通大学研究院
Abstract: 本发明公开了一种基于节点上下文向量空间的RDF近似答案查询方法，首先进行RDF图的向量空间表示学习生成，然后对RDF查询图划分，再基于向量空间的近似答案发现，最后RDF查询图近似答案结果返回，帮助用户明确信息需求和修改初始的RDF查询图。本发明能够解决RDF查询空集答案问题，其中基于节点上下文的RDF表示学习方法可以离线线生成RDF数据集的连续向量表示，保证了RDF查询图投影在连续向量空间中时能够满足用户查询意图，生成的近似答案及对应推荐查询排序后返回给用户作为解释，这种数据驱动式的求解方式提高了RDF近似的质量查询并显著降低时间开销。
-
-
-
-
-
Search Results
6
records
(took 0.038 seconds)
