本发明公开了一种基于轻量级神经网络模型的图像语义分割方法及系统，涉及人工智能领域。所述方法包括：所述轻量级神经网络模型包括初始化模块、空间分支、语义分支和多尺度特征融合解码器；所述图像语义分割方法包括：响应于待处理图像的处理指令，基于初始化模块对待处理图像进行特征提取，得到第一特征图；基于空间分支提取第一特征图的空间信息；基于语义分支提取第一特征图的多尺度特征信息，并融合多尺度特征信息和空间信息，得到增强特征图；基于多尺度特征融合解码器，将第一特征图与增强特征图进行融合，并进行图像尺寸恢复，得到图像语义分割结果。相较于现有技术，本发明在分割精度与实时性之间实现更好的性能均衡。
📄 2023110950885
📂 G06V10_26
👤 暨南大学
📅 2023-08-28
本发明涉及一种基于同态神经网络的跨领域图片分类方法，首先构建一个由同态子网络g和预测子网络f串联而成的神经网络架构，然后把跨领域图片的底层特征输入到同态子网络g中，通过同态子网络g提取出跨领域图片的同态特征，最后把跨领域图片的同态特征输入到预测子网络f中，通过预测子网络f预测图片的类别，本发明通过将跨领域图片的底层特征空间映射到同态特征空间中，充分利用了跨领域图片的同态不变性，减少了跨领域图片中有关领域信息的干扰，有效提高对跨领域图片的分类能力，另外，本方法最大限度地把从多源域图片学习到的知识迁移到多目标域图片上，保证了跨领域图片分类的鲁棒性，该分类方法不需要图片的先验领域知识，也不要求图片依领域划分。
📄 201710584948X
📂 G06K9_62
👤 广东工业大学
📅 2017-07-18
本发明涉及一种基于深度神经网络的人群情绪异常检测和定位方法，通过监控设备获取视频数据，并对其进行视频关键帧数据提取，并从视频关键帧数据获取每一帧的人脸图像数据，并进行对齐、分组、排序预处理，然后输入到训练好的基于卷积神经网络的人脸情绪识别模型中，并通过训练好的人群情绪检测和定位模型，获取监测视频数据中人群情绪异常检测和定位结果并反馈给监控设备工作人员，本发明设计合理，通过模型能够得到人群情绪异常与人群异常之间的关系，避免了人群异常与具体异常事件相关联而导致的检测局限性问题，另外，模型采用了混合的深度神经网络结构模型，从而进一步提高了视频人群情绪异常检测和定位的效率。
📄 2017102848697
📂 G06K9_00
👤 广东工业大学
📅 2017-04-27
一种融合多特征的双向循环神经网络细粒度意见挖掘方法，通过互联网抓取特定网站的评论数据，并对其进行标注和预处理得到训练样本集，使用Word2Vec或Glove模型算法训练得到评论数据的词向量，并进行词性标注、依存关系标注等处理后向量化，将向量输入双向循环神经网络构建得到双向循环神经网络细粒度意见挖掘模型，本发明通过一个模型的训练同时抽取细粒度意见挖掘中属性词以及进行情感极性判断，从而进一步节约了大量的模型训练时间，提高训练效率，而且，无需专业技术人员对属性词进行人工抽取，从而节约了大量的人工成本，另外，可以通过用多种数据源训练模型，从而可以完成跨领域的细粒度意见分析，从而解决长距离情感要素依赖的问题。
📄 2017102398430
📂 G06F40_289
👤 广东工业大学
📅 2017-04-13
本发明提供一种嵌入逻辑规则的循环神经网络文本情感分析方法，通过抓取用于训练的文本语料，进行情感类别标记，然后将情感标记的文本语料分为训练集语料、测试集语料，并对其进行分词处理，以及去停用词处理，然后采用word2vec算法对做分词处理、去掉停用词后的训练集语料和测试集语料进行训练，得到相应的词向量，将训练集语料和测试集语料输入现有的知识库结合概率图模型进行分析处理，通过逻辑循环神经网络结构(Logic‑RNN与Logic‑LSTM)，将一阶逻辑规则嵌入到循环神经网络中，本发明一方面可以达到控制循环神经网络的训练方向，更倾向人的直觉，另一方面提高了文本情感分析的精度，该方法也可以用于自然语言处理、机器学习的其他领域。
📄 201710239556X
📂 G06F40_289
👤 广东工业大学
📅 2017-04-13
本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。
📄 2016103221293
📂 G06K9_00
👤 广东工业大学
📅 2016-05-16
本发明提出了一种新的上下文感知卷积神经网络的全脑三维解剖结构分割方法。该方法在卷积神经网络的卷积模块后串联一个全新的双重注意力模块。该模块通过卷积自动学习通道和空间注意力权重并分别对输入的卷积特征进行加权，再通过卷积自适应融合加权后的卷积特征，以此提高网络的分类性能。此外，本发明将图像中待分割对象所有体素为中心的图像块作为训练数据，通过完全采样充分利用有限的标注数据对其样本分布进行较为完整的学习，以此进一步提高网络的分类性能。本发明提出的方法具有分割精度高、稳定性好的优点。在10个实施例的磁共振脑图像分割中，本方法获得分割结果的平均精度达93.27％，这比当前最先进的DeepNAT方法获得分割结果的平均精度提高了3.790％。
📄 2021114832516
📂 G06T7_10
👤 重庆邮电大学
📅 2021-12-07
本发明请求保护一种基于BERT和无池化卷积神经网络的文本分类方法，步骤包括：对原始中文新闻文本进行分词、转换文本序列等预处理；将新闻文本输入BERT模型中得到词嵌入向量输出，基于BERT模型的多头注意力机制可以更充分地保留全局语义信息；将词嵌入向量输入卷积神经网络并对卷积神经网络进行优化，在卷积层使用三个不同大小的卷积核提取更加丰富的局部语义信息，以及取消池化层避免池化操作造成的部分语义信息丢失问题；将训练得到的参数作为网络模型的初始参数；最后将无池化卷积神经网络的输出输入全连接层实现分类。本发明具有良好的收敛性和稳定性，同时能够提高文本分类准确率。
📄 2023100037753
📂 G06F16_35
👤 重庆邮电大学
📅 2023-01-03
本发明提供了一种基于融合神经网络的锂离子电池SOC估计方法，属于锂离子电池技术领域。解决了目前电池容量的SOC估计难估计的技术问题。其技术方案为：步骤1)将全新锂电池充满电，测取SOC从1到0的锂离子电池的端电压、电流、温度；步骤2)对测取的数据进行预处理；步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现SOC实时估计。本发明的有益效果为：本发明在数据集中加入估计的电池容量数据，能够拥有更高的估计精度，相比较LSTM，不会将误差一直记忆；并且，短的历史数据长度也能拥有更快的估计速度；相较使用3DCNN来估计SOC，能够减少运算量并且减少不必要的误差输入，从而拥有更高的精度。
📄 2022100388793
📂 G01R31_367
👤 南通大学
📅 2022-01-13
本发明公开了一种基于物理信息神经网络的水厂泵组调度方法及系统，方法包括以下步骤：（1）在蓄水池液位、总管压强差、水泵切换次数合理范围内，考虑变频泵频率变化，建立水厂浑水泵组能耗最小的目标函数；（2）建立流体力学和水泵特性的物理方程；（3）利用历史运行数据和物理信息神经网络构建水厂泵组调度环境模型；（4）基于调度环境模型和霜冰优化算法进行训练；（5）将训练得到的调度策略部署到实际系统中。本发明的方法提高了神经网络模型对水处理过程的理解和预测能力。
📄 2024105611984
📂 G06Q50_06
👤 南京邮电大学
📅 2024-05-08
本发明提供一种基于RISC‑V架构的卷积神经网络加速器，属于卷积计算硬件加速领域，本发明包括指令解析模块、控制单元、数据缓存模块、卷积运算模块、后处理模块。所述卷积运算模块包括第一输入处理模块、脉动阵列、激活模块、池化模块、全连接模块；所述后处理模块包括第二输入处理模块、NMS计算模块和输出处理模块。本发明一方面通过缓存预载入数据，较少卷积等待时间，并使用脉冲阵列流水线处理卷积计算，提高计算效率；另一方面设计后处理模块，扩展加速器应用场景，同时相比软件实现，硬件实现NMS算法具有更高的效率。
📄 2024104676657
📂 G06N3_0464
👤 南京邮电大学
📅 2024-04-18
本发明属于自然语言处理技术领域，公开了一种基于互信息和对抗神经网络的增强主题多样性方法，包括：语料库中词语预处理作为真实文本词分布；将随机采样的语料作为编码器的输入，生成真实文本主题分布向量；将真实文本词分布与主题分布构成分布对且批内随机打乱作为负样本分布对；将狄利克雷分布随机采样的假文本主题分布为生成器输入，并转换为假文本词分布向量；以真实分布对和假分布对在对抗训练过程中生成主题词；以判别器损失函数和最大化互信息的正则化损失为目标进行训练。本发明对文本主题进行建模，挖掘高质量主题，将互信息最大化技术融入到对抗神经主题建模过程，增强主题多样性，具有更高的主题同一性和多样性指标。
📄 2023115245443
📂 G06F40_289
👤 南京邮电大学
📅 2023-11-16
柿子坊 · 知识产权运营
柿子坊知识产权运营平台