专利交易市场

本发明公开了基于对比学习的疾病分类ICD自动编码方法和装置，属于自然语言处理及人工智能领域。本发明要解决的技术问题为如何使用自然语言处理技术为患者的电子病历文本匹配相对应的诊断编码即疾病分类编码，以减少医疗人员的工作量，提高自动编码匹配正确率，提高匹配速度，采用的技术方案为：①一种基于对比学习的疾病分类ICD自动编码方法，该方法包括如下步骤：S1、构建ICD自动编码模型训练数据集；S2、构建ICD自动编码模型；S3、训练ICD自动编码模型。②一种基于对比学习的疾病分类ICD自动编码装置，该装置包括，ICD自动编码模型训练数据集构建单元、ICD自动编码模型构建单元、ICD自动编码模型训练单元。

本发明公开了一种基于对比学习的心律失常分类方法，涉及心电分类技术领域。本发明至少包括以下步骤：输入一个心电信号，对其进行两种不同的数据增强，从而去构造正负样本对，正样本为同一心电信号经过不同数据增强后得到的新的心电信号。本发明模仿了图片的数据增强方法，对心电信号采用了两种不同的小波变换(比例＝0.5)+分段随机遮挡的方法，在对比学习模型中，合适的数据增强方法至关重要，本发明所采用的方法对正样本对的对比有正向作用，且通过对上分支进行剪枝得到下分支，以找到长尾数据，通过损失函数隐式增加权重。对损失函数采用动态温度系数策略。本发明采用的方法提高了平衡性，并且增强了模型的泛化能力和迁移能力。

本发明公开了一种基于对比学习的视角无关面部表情识别方法及系统，方法包括：采用监督对比损失子函数旨在利用所提出的自监督对比损失来学习与视图无关的表情特征，然后，多视角对比损失子函数旨在将学习到的每种表情的视图无关特征与其他表情区分开来，以区分表情类别，再者，由于面部表情在学习到的特征空间中通常会有非常细微的差别，因此加入了减冗余损失子函数，以减少学习到的特征中的冗余和相关性，旨在减少所学特征中的模糊性，最后，对于网络结构，在编码器的最终卷积块之后添加了一个最终投影头，以生成最终输出嵌入，以及在编码器的注意力机制模块、特征融合模块之后加入了中间投影头，中间投影头的使用有助于学习良好的特征。

本发明实施例提供一种基于多阶段ViT与对比学习的毒蘑菇细粒度图像分类方法，涉及图像识别技术领域。图像分类方法包含S1获取待识别图像。S2根据待识别图像，进行图像重叠划分，获取多个部分重叠的图像块。S3根据多个部分重叠的图像块，获取嵌入序列。S4将嵌入序列输入预先训练好的基于池化的多阶段ViT编码器中进行编码，获取待识别图像的特征编码。S5将特征编码输入分类器中进行分类，获取待识别图像的识别结果。预先训练好的基于池化的多阶段ViT编码器包含间隔设置的子编码器和池化层。子编码器包含L层transformer block，用以将嵌入序列编码成特征图。池化层配置于子编码器之间，用以调整特征图的空间尺寸。基于池化的多阶段ViT编码器能够大大减小了计算开销。

本发明提出了一种基于迭代对比学习的代码重排方法及系统，包括：获取编程问题对应的待排序候选代码；利用程序转换技术扩增候选代码；将扩增后的候选代码输入至训练后的排序模型中，对每个代码进行排序；取所得序列中，排序得分最高的代码作为所述编程问题的最后推荐的代码。本发明通过迭代训练两个损失，即鉴别损失和对齐损失，能够发挥对比学习的能力增强代码排序模型的性能，相比于先前基于单元测试执行的方法，避免了执行代码执行的安全问题和用户提供单元测试的困难；相比于先前简单的基于分类的方法，迭代训练使得本发明的排序模型不仅注意代码的表现形式，更加习得代码的语义特征，进而排名更精确。

本发明提出了基于深度辅助对比学习的胃部代表性图像分类方法及系统，涉及医学图像处理技术领域，包括：获取帧图像的深度估计图；获取相邻帧之间的位姿变换矩阵；将帧图像的深度估计图和相邻帧之间的位姿变换矩阵作为中间量进行图像重建，对其平移向量进行特殊变换并图像重建，分别得到正负样本并提取特征，并获取正负样本特征的投影向量；计算并通过最大化正样本间投影向量相似度和最小化负样本投影向量间相似度构造损失函数；将带有是否为胃部代表性图像标记的内镜图像输入到对比学习编码器中提取特征，并利用深度估计图对编码器输出特征进行加权，将加权后的特征输入到分类器中完成分类。本发明提高了胃部代表性图像分类准确度。