专利交易市场

本发明涉及一种基于进化GAN的心脏磁共振图像数据增强方法，该方法在训练生成器时，对生成器进行突变生成多个子代生成器，通过适应性分数函数来评判多个生成器的适应性分数，根据分数来选择最优的子代生成器作为下一个迭代的父代生成器，同时在判别器训练阶段，结合特征向量的线性插值合成新的训练样本并生成相关的线性插值标签，不仅拓展了整个训练集的分布，也对离散样本空间进行连续化并且提高了领域间的平滑性，从而使得模型能够更好地得到训练。本发明的方法图像增强方法，能够生成高质量且多样的样本对训练集进行扩充，最终提高了分类结果的各项指标。

本发明属于智能网联车安全技术领域，公开了一种车辆检测数据增强训练方法、系统、车辆及存储介质，收集车辆行驶时的CAN总线数据；接收更新检测模型和实时检测异常；车辆行驶数据和检测结果，用户选择不上传或者脱敏后上传至云端；对收集到的各车辆数据进行预处理合并后，判断模型所需数据量是否足够，如果不足则先进行数据增强，使用增强后的数据训练检测模型；最后，周期性将检测模型从云端发布到车载检测模块。本发明采用数据增强后的样本集合训练出的检测模型，其相同测评数据集上的检测率要明显优于数据增强前小样本数据集训练的模型。对要使用真车数据研究的其他领域也具有借鉴作用。

本发明涉及一种基于改进CycleGAN数据增强的行人重识别方法，一是构造数据增强的完整行人重识别识别框架；二是将姿态约束子网络嵌入原始CycleGAN网络中，并通过分割和二值化将彩色行人图像转换为掩膜图像，在训练过程中实时获得行人姿势；三是进一步构造可以约束源图像姿态的损失函数，使得当学习风格类型和人的身份ID到目标域时，保持姿态一致；四是引入半监督学习的多伪正则化标签方法为未标记的数据分配标签，并通过动态更新的训练策略，进一步提高这种方法的有效性；整个方案在行人重识别上，无论从改进CycleGAN生成的增强图片的效果，还是行人重识别的准确率，相较其他经典行人重识别网络，都具有明显的优势。

本发明公开了一种基于级联模型和数据增强的法律命名实体识别方法，包括以下步骤：对经过数据增强后的训练数据进行处理，构建带有上下文语义的字符级别的向量表示和带有上下文语义的词语级别的向量表示；S2、将两个向量表示进行融合；S3、使用BiLSTM双向长短记忆神经网络对融合字词特征的向量表示进行处理，提取文本的深层特征；S4、使用两个CRF条件随机场解码，得到实体序列和属性序列并拼接，得到最后的标签表示；S5、将最后的标签表示与验证集进行比较，调整模型参数信息，反复训练，得到最好的模型；S6、输入中文法律文书案列，模型自动进行判断并输出法律文书中的法律实体。

本发明公开了一种针对工业不平衡数据的时间序列数据增强方法，通过平均欧氏距离，将少数类数据分为近多数类数据集n‑maj和近少数类数据集n‑min，分别进行数据增强；利用DTW对齐计算，再通过建立待增强数据集间的DTW距离矩阵来寻找距离待增强序列的K个近邻序列；将待增强序列与K个近邻序列的DTW对齐，获得临时对齐序列，同时通过基于DTW距离的权重和临时对齐序列进行加权平均生成多样性样本，并且针对近少数类数据集，添加了随机噪声，扩增了样本空间，丰富符合原数据集分布的样本特征。由于改善了原数据类不平衡的情况，因此通过结合机器学习与深度学习模型，可以提高在工业时序不平衡数据上评价指标。