公开(公告)号：CN114169327A

公开(公告)日：2022-03-11

申请号：CN202111531412.4

申请日：2021-12-14

申请人： 桂林电子科技大学

发明人： 张乐乾 ,  刘晴 ,  林威 ,  张云涛 ,  沈世铭 ,  张锎锎 ,  蒋世祺

IPC分类号： G06F40/289 ,  G06F40/30

摘要： 本发明涉及自然语言处理技术领域，具体涉及一种基于LSTM的分词方法及系统；包括传输模块、标号模块、提取模块、比对模块和分析模块，标号模块与传输模块连接，提取模块与标号模块连接，比对模块与提取模块连接，分析模块与比对模块连接，并与传输模块连接，通过传输模块将文本信息传入标号模块内，标号模块对文本进行标号，提取模块对标号后的文本进行提取，比对模块对提取后的文本进行比对，分析模块对比对后的文本进行分析，从而根据文本的含义提取出关键词，进而使检索的效果好。

公开(公告)号：CN118710538A

公开(公告)日：2024-09-27

申请号：CN202310276120.3

申请日：2023-03-21

申请人： 桂林电子科技大学

发明人： 张云涛 ,  李玉鑑 ,  张乐乾

IPC分类号： G06T5/73 ,  G06T5/50 ,  G06T5/60 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/08

摘要： 本发明公开了一种基于改进Transformer的轻量级图像去模糊方法，包括：获取模糊图像；将模糊图像输入至训练好的基于改进Transformer的轻量级图像去模糊模型中，得到模糊图像对应的清晰去模糊图像；其中，基于改进Transformer的轻量级图像去模糊模型包括：编码模块、中间模块和解码模块，其中编码模块由动态卷积残差模块组成，中间模块和解码模块由简单Transformer模块组成；由于简单Transformer模块可以获取空间上的全局信息和位置信息且只需要接近线性的计算复杂度，所以本发明公开的基于改进Transformer的轻量级图像去模糊方法可以在很短的时间内获取高质量的去模糊图像。

公开(公告)号：CN114281865A

公开(公告)日：2022-04-05

申请号：CN202111589757.5

申请日：2021-12-23

申请人： 桂林电子科技大学

发明人： 张乐乾 ,  张钰 ,  林威 ,  张云涛 ,  刘晴 ,  甘国宁 ,  蒋世祺

IPC分类号： G06F16/2458 ,  G06F16/26 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及学习技术领域，具体涉及一种基于CNN和LSTM的深度学习数据挖掘方法，包括如下步骤，依次登记入职者的基本信息，得到本地原始数据包；将本地原始数据包数据进行预处理，建立本地字符信息库；建立以大数据为基础的CNN‑LSTM的算法模型；对CNN‑LSTM算法模型机芯训练，并进行测试；采用测试完成的CNN‑LSTM算法模型进行数据挖掘，得到数据反馈，提高了数据挖掘的准确性和便捷性，能够更便捷地获取学习信息，进一步完善方法系统，促进学习效果。

公开(公告)号：CN118537257A

公开(公告)日：2024-08-23

申请号：CN202310136973.7

申请日：2023-02-20

申请人： 桂林电子科技大学

发明人： 张云涛 ,  李玉鑑 ,  张乐乾

IPC分类号： G06T5/73 ,  G06T5/60 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于递归门控卷积的轻量级图像去模糊方法，包括：获取目标模糊图像；将目标模糊图像输入至训练好的轻量级图像去模糊模型中，得到目标模糊图像对应的清晰去模糊图像；其中，轻量级图像去模糊模型包括：特征编码模块，特征处理模块和特征解码模块；其中特征处理模块由多个自注意力模块和递归门控选择模块串联组成。本发明公开的基于递归门控卷积的轻量级图像去模糊方法能够兼顾Transformer和卷积神经网络的优点，以较小的时空间代价，获得高质量的去模糊图像。

公开(公告)号：CN118229577A

公开(公告)日：2024-06-21

申请号：CN202211570626.7

申请日：2022-12-08

申请人： 桂林电子科技大学

发明人： 张云涛 ,  林威 ,  刘晴

IPC分类号： G06T5/73 ,  G06T3/4046 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082

摘要： 本发明公开了一种基于动态卷积神经网络的轻量级自适应图像去模糊方法，包括：获取目标模糊图像，目标模糊图像的第一下采样图像和第二下采样图像；将目标模糊图像，第一下采样图像和第二下采样图像输入至训练好的轻量级自适应图像去模糊模型中，得到目标模糊图像对应的清晰去模糊图像；其中，轻量级自适应图像去模糊模型包括：多尺度自适应特征提取模块、三维注意力编码模块、三维注意力解码模块和多尺度自适应特征融合模块。本发明公开的轻量级自适应图像去模糊方法能运用在成本和时间敏感的场景如移动设备、车辆和机器人等，并且可以几乎实时获得高质量的去模糊图像。