| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 181 | 生成-熵估计联合的极限图像压缩、解压缩方法及系统 | CN202410251403.7 | 2024-03-06 | CN117857795A | 2024-04-09 | 毛琪; 薛乃夫; 张远 |
| 本发明提供一种生成‑熵估计联合的极限图像压缩、解压缩方法及系统，通过将原图像转换为初始量化索引矩阵表示，同时提取原图像的边缘信息，生成掩码并将其施加于初始量化索引矩阵，得到掩蔽后的量化索引矩阵；然后使用多阶段Transformer生成模型进行自回归计算，对掩蔽后的量化索引矩阵进行先验分布建模，将保留的索引压缩至比特流，并使用额外的熵编码器将物体边缘信息压缩至比特流；相应的，在解码端依次通过解码物体边缘信息、生成掩码以恢复掩蔽元素的位置信息，使用多阶段Transformer生成模型计算先验分布、解码保留的索引取值预测对丢弃的索引，以重构处理以获取重建图像。利用本发明能够有效提高编解码器在极低传输带宽下的可用性。 | ||||||
| 182 | 基于掩码的频谱预测解释方法及系统 | CN202210709612.2 | 2022-06-22 | CN115118365B | 2023-07-07 | 张建照; 姚富强; 孔青; 柳永祥 |
| 本发明公开了一种基于掩码的频谱预测解释方法及系统，属于通信技术领域。所述方法包括利用频谱数据集训练黑箱模型；将待解释频谱序列输入训练好的黑箱模型，得到第一预测值；根据待解释频谱序列和初始掩码矩阵，利用有意义扰动机制得到扰动矩阵；将扰动矩阵输入训练好的黑箱模型，并以所述第一预测值作为基准值，利用基于掩码方案的损失函数进行优化，输出新的掩码矩阵；根据所述新的掩码矩阵，利用显著图进行可视化解释。所述系统是根据所述的方法对频谱预测进行解释。本发明克服了频谱序列预测问题中深度学习技术可解释性不足，解释效果直观且时间相关性得以体现。 | ||||||
| 183 | 城市治理图像目标提取方法、装置及其应用 | CN202310156907.6 | 2023-02-20 | CN116129325A | 2023-05-16 | 郁强; 葛俊; 彭大蒙; 陈思瑶; 曹喆 |
| 本申请提出了城市治理图像目标提取方法、装置及其应用，包括以下步骤：提取原始图像中的特征信息并进行聚合投影并分配到对应的目标类型；获取图像中的掩码图像矩阵；对原始图像进行数据增强操作并从中随机选择多个增强图像；根据随机选择多个增强图像，在掩码图像矩阵中截取对应的位置并依照数据增强操作的方式获取增强图像对应的掩码图像矩阵；将目标特征经过设定层数的MLP生成对应的非线性的投影向量和预测向量；对其中一个增强图像的掩码图像矩阵的预测向量与另一个增强图像的掩码图像矩阵的投影向量进行回归预测计算，以获取对应的差异损失。本申请可提升图像目标提取在遮挡、光照下的鲁棒性。 | ||||||
| 184 | 基于RGB-D图像的前后景分离方法及其前后景分离装置 | CN201810085964.9 | 2018-01-29 | CN108447060B | 2021-07-09 | 王俊; 刘佩林; 邹耀; 应忍冬; 葛昊 |
| 本发明公开的一种基于RGB‑D图像的前后景分离方法，包括以下步骤：1.对RGB‑D图像进行读取，其中RGB‑D图像由RGB图像和深度图像构成；2.分别对RGB图像和深度图像进行背景掩码矩阵计算，获取RGB图像和深度图像的背景掩码矩阵；3.将RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取RGB‑D图像的最终的前景图像。还公开了一种前后景分离装置。本发明的有益效果在于：本发明结合RGB‑D图像中的RGB图像和深度图像，从而实现将RGB‑D图像的前后景图像进行分离，克服了现有的前后景分离方法存在易受光照、环境等因素影响的缺点。 | ||||||
| 185 | 基于RGB-D图像的前后景分离方法及其前后景分离装置 | CN201810085964.9 | 2018-01-29 | CN108447060A | 2018-08-24 | 王俊; 刘佩林; 邹耀; 应忍冬; 葛昊 |
| 本发明公开的一种基于RGB-D图像的前后景分离方法，包括以下步骤：1.对RGB-D图像进行读取，其中RGB-D图像由RGB图像和深度图像构成；2.分别对RGB图像和深度图像进行背景掩码矩阵计算，获取RGB图像和深度图像的背景掩码矩阵；3.将RGB图像和深度图像的背景掩码矩阵进行融合和校准处理得到最终的背景掩码矩阵，再根据融合校准后的背景掩码矩阵获取RGB-D图像的最终的前景图像。还公开了一种前后景分离装置。本发明的有益效果在于：本发明结合RGB-D图像中的RGB图像和深度图像，从而实现将RGB-D图像的前后景图像进行分离，克服了现有的前后景分离方法存在易受光照、环境等因素影响的缺点。 | ||||||
| 186 | 一种基于先进音频编码器的心理声学模型的处理方法 | CN200710127660.6 | 2007-06-20 | CN101308659B | 2011-11-30 | 吴晟; 邱小军; 黎家力; 陈强 |
| 本发明公开了一种基于先进音频编码器的心理声学模型的处理方法，包含如下处理过程：A、由待编码码流的心理声学子带谱能量，通过掩蔽扩散矩阵计算获得编码子带的感知熵和掩蔽阈值；B、通过编码子带的感知熵和掩蔽阈值，应用时频掩蔽修正与预回声修正，计算获得子带比特消耗预测数；C、心理声学模型输出子带比特消耗预测数作为码率失真控制的参数以进行编码处理。本发明能够更准确地通过感知熵得到子带比特消耗预测数，以该预测数作为编码器进行码率失真控制的参数，大大提高了编码器进行量化编码时的编码效率和质量。 | ||||||
| 187 | 一种基于先进音频编码器的心理声学模型的处理方法 | CN200710127660.6 | 2007-06-20 | CN101308659A | 2008-11-19 | 吴晟; 邱小军; 黎家力; 陈强 |
| 本发明公开了一种基于先进音频编码器的心理声学模型的处理方法，包含如下处理过程：A.由待编码码流的心理声学子带谱能量，通过掩蔽扩散矩阵计算获得编码子带的感知熵和掩蔽阈值；B.通过编码子带的感知熵和掩蔽阈值，应用时频掩蔽修正与预回声修正，计算获得子带比特消耗预测数；C.心理声学模型输出子带比特消耗预测数作为码率失真控制的参数以进行编码处理。本发明能够更准确地通过感知熵得到子带比特消耗预测数，以该预测数作为编码器进行码率失真控制的参数，大大提高了编码器进行量化编码时的编码效率和质量。 | ||||||
| 188 | 图像处理方法、电子设备以及存储介质 | CN202110996642.1 | 2021-08-27 | CN113449820B | 2022-01-18 | 李艺; 旷章辉; 陈益民; 张伟 |
| 本申请公开了一种图像处理方法、电子设备以及存储介质，该图像处理方法包括：获取训练图像及其类别响应图；将所述类别响应图进行分割，以得到多个类别的分类响应图；对每个类别分类响应图进行变异系数平滑处理，以得到每个类别的平滑分类响应图；利用所述每个类别的平滑分类响应图以及所述训练图像获取每个类别的前景掩码；利用所述每个类别的前景掩码获取比例矩阵；基于所述每个类别的前景掩码以及所述比例矩阵生成伪掩码图像。本申请通过图像处理方法提高生成伪掩码的质量。 | ||||||
| 189 | 图像处理方法、电子设备以及存储介质 | CN202110996642.1 | 2021-08-27 | CN113449820A | 2021-09-28 | 李艺; 旷章辉; 陈益民; 张伟 |
| 本申请公开了一种图像处理方法、电子设备以及存储介质，该图像处理方法包括：获取训练图像及其类别响应图；将所述类别响应图进行分割，以得到多个类别的分类响应图；对每个类别分类响应图进行变异系数平滑处理，以得到每个类别的平滑分类响应图；利用所述每个类别的平滑分类响应图以及所述训练图像获取每个类别的前景掩码；利用所述每个类别的前景掩码获取比例矩阵；基于所述每个类别的前景掩码以及所述比例矩阵生成伪掩码图像。本申请通过图像处理方法提高生成伪掩码的质量。 | ||||||
| 190 | 基于掩码的频谱预测解释方法及系统 | CN202210709612.2 | 2022-06-22 | CN115118365A | 2022-09-27 | 张建照; 姚富强; 孔青; 柳永祥 |
| 本发明公开了一种基于掩码的频谱预测解释方法及系统，属于通信技术领域。所述方法包括利用频谱数据集训练黑箱模型；将待解释频谱序列输入训练好的黑箱模型，得到第一预测值；根据待解释频谱序列和初始掩码矩阵，利用有意义扰动机制得到扰动矩阵；将扰动矩阵输入训练好的黑箱模型，并以所述第一预测值作为基准值，利用基于掩码方案的损失函数进行优化，输出新的掩码矩阵；根据所述新的掩码矩阵，利用显著图进行可视化解释。所述系统是根据所述的方法对频谱预测进行解释。本发明克服了频谱序列预测问题中深度学习技术可解释性不足，解释效果直观且时间相关性得以体现。 | ||||||
| 191 | 一种提升卷积神经网络鲁棒性能的方法 | CN202110577422.5 | 2021-05-26 | CN113255768A | 2021-08-13 | 罗天歌; 蔡天乐; 王立威 |
| 本发明公开了一种提升卷积神经网络鲁棒性能的方法，包括：S1，构建卷积神经网络，包括多层卷积层，一个卷积层由多个神经元组成；S2，定义掩码矩阵，其形状大小和对应卷积层神经元的形状大小一致，掩码矩阵中的数值从一个伯努利分布中采样，掩码矩阵在训练和推断阶段都不会改变；S3，对标准卷积神经网络的卷积层应用掩码矩阵，并调整掩码矩阵采样分布的概率；针对对抗训练和对输入进行修正两种方案的局限性，通过向卷积网络引入坏点神经元，改变模型的组织结构，使模型更关注于输入图像的形状，因物体形状往往较难改变，从而提升模型预测的鲁棒性能，显著减少训练成本，拓展应用场景。 | ||||||
| 192 | 处理雷达信令的方法 | CN202211186613.X | 2022-09-27 | CN115877323A | 2023-03-31 | 杰伦·奥弗德维斯特; 阿里·海尔特·科内利斯·科佩拉尔; 弗朗切斯科·拉盖扎 |
| 一种处理雷达信令的方法，所述方法包括：接收表示所述雷达信令中被检测为包括干扰的样本的掩码(815)。所述掩码(815)包括具有第一维度和第二维度的数据矩阵，其中所述第一维度表示快时间轴，并且所述第二维度表示慢时间轴。所述方法进一步包括：跨越所述掩码的所述快时间轴和所述慢时间轴中的每一个对所述掩码(815)执行频率分析，以便提供经范围‑多普勒处理的掩码(817)；以及使用所述经范围‑多普勒处理的掩码(817)对所接收雷达信令的范围‑多普勒图(813)进行解卷积，以便提供经解卷积的范围‑多普勒图(814)。 | ||||||
| 193 | 神经网络的训练方法和预测蛋白质结构的方法 | CN202211599204.2 | 2022-12-12 | CN116189769A | 2023-05-30 | 孙逸武; 罗玉杰; 李辉; 宋乐 |
| 本公开涉及神经网络的训练方法和预测蛋白质结构的方法，具体涉及蛋白质结构预测技术领域。神经网络的训练方法包括：获取具有物理相互作用的第一蛋白质链和第二蛋白质链；将第一蛋白质链中的至少一部分氨基酸进行掩码，以得到第一掩码蛋白质链；将第一掩码蛋白质链和第二蛋白质链输入神经网络，以生成与第一掩码蛋白质链和第二蛋白质链相关联的第一注意力矩阵；基于第一注意力矩阵，确定与第一掩码蛋白质链对应的第一目标特征；基于第一目标特征，确定第一预测结果，第一预测结果表征对第一蛋白质链中被掩码的至少一部分氨基酸的预测结果；以及基于第一预测结果和第一蛋白质链中被掩码的至少一部分氨基酸，调整神经网络的参数。 | ||||||
| 194 | 稀疏注意力网络的稀疏处理方法、装置及电子设备 | CN202410316903.4 | 2024-03-19 | CN118520912A | 2024-08-20 | 王国霞; 曾锦乐; 于佃海; 马艳军; 王海峰 |
| 本公开提供了稀疏注意力网络的稀疏处理方法、装置及电子设备。本公开涉及人工智能技术领域，尤其涉及大模型、深度学习和自然语言处理等技术领域。具体方案为：在内存单元采用约束条件构造掩码稀疏表示；其中，约束条件为：掩码矩阵的维度为[B,a,S]，B表示批量大小，a表示头数，S表示序列长度，S维度中的每个元素表示掩码矩阵中每列被掩码的起始行；计算单元从内存单元获取掩码稀疏表示，采用掩码稀疏表示对输入数据进行稀疏处理，将稀疏处理结果存入内存单元。本公开的方案，通过采用约束条件构造掩码稀疏表示，能够将内存消耗从序列长度的平方量级降低为序列长度的线性量级，从而显著减少大模型训练时的内存需求，提高训练效率。 | ||||||
| 195 | 一种基于深度学习的表格数据异常检测方法及系统 | CN202410118648.2 | 2024-01-29 | CN117932517A | 2024-04-26 | 乔媛媛; 尹佳鑫; 周子棠; 林文辉; 杨洁 |
| 本发明公开了一种基于深度学习的表格数据异常检测方法及系统，涉及数据检测领域。本发明包括以下步骤：获取待检测数据，并输入掩码生成器中，输出多个掩码矩阵；将每个掩码矩阵与原始数据执行元素乘积，生成多个掩码；将多个掩码输入重构网络，将掩码输入映射到潜在空间的特征表示，并将特征从潜在空间重新映射到原始空间，进而输出与输入相匹配的重构数据；分别计算掩码与重构数据的重构误差，使用平均重构误差作为异常分数，将异常分数高于正常样本的待检测数据判为异常数据。本发明具备较强的泛化能力，能够成功扩展至其他形式的大数据异常检测任务。 | ||||||
| 196 | 一种基于HAN模型的桥梁技术状况文本映射评级预测方法 | CN202411182654.0 | 2024-08-27 | CN119090071A | 2024-12-06 | 闫文博; 许骞艺; 高红帅; 张晶; 李俊峰; 隋雯斐 |
| 一种基于HAN模型的桥梁技术状况文本映射评级预测方法，涉及桥梁技术状况预测领域。本发明是为了解决现有桥梁技术检测方法还存在检测准确率低的问题。本发明包括：获取待测桥梁检测报告，将待测桥梁检测报告中的每个句子编码为数字表示，每个句子对应的数字表示作为矩阵的一行，然后对矩阵空缺位置补零，从而获得待测桥梁检测报告对应的待测数字矩阵；将待测数字矩阵输入到训练好的HAN模型中，获得待测桥梁技术评级。HAN模型首先数字矩阵进行动态掩码获得掩码矩阵，然后对掩码矩阵进行编码获得词级编码表示和句级编码表示，从而获得文档向量，最后基于文档向量获得桥梁技术评级。本发明用于对桥梁技术状态进行评级。 | ||||||
| 197 | 一种多元时序缺失值插补方法及装置 | CN202311240993.5 | 2023-09-22 | CN117195962A | 2023-12-08 | 易丛文; 李博远; 夏敏; 管健 |
| 本说明书实施例涉及一种多元时序缺失值插补方法及装置，所述方法包括：获取第一数据，所述第一数据在一个或多个数据点上存在数据缺失；根据所述第一数据，确定对应的第一缺失掩码矩阵；将所述第一数据与第一缺失掩码矩阵进行拼接并编码，输入到第一图注意力网络中，得到第一图特征矩阵；将所述第一数据与第一图特征矩阵拼接后输入到编码器中，得到第一插补数据；将所述第一插补数据与第一缺失掩码矩阵进行拼接并编码，输入到第二图注意力网络中，得到第二图特征矩阵；将所述第一插补数据与第二图特征矩阵拼接后输入到解码器中，得到第二插补数据；根据所述第一数据、第一插补数据和第二插补数据，确定插补结果数据。 | ||||||
| 198 | 单次网络剪枝方法、装置、设备、介质及产品 | CN202411107391.7 | 2024-08-13 | CN119026663A | 2024-11-26 | 董雨校; 孙超; 严昱超; 余立; 蒋健; 王晓征; 彭庆; 宋冬冬 |
| 本发明提供一种单次网络剪枝方法、装置、设备、介质及产品，方法包括：获取单个网络层中权重矩阵对应的剪枝掩码矩阵；将权重矩阵中第一列确定为当前剪枝列；基于剪枝掩码矩阵，对当前剪枝列的权重进行修剪；基于当前剪枝列中已修剪的权重，确定权重矩阵中待更新列的待更新权重；基于海森矩阵的逆矩阵，对待更新权重进行更新；将当前剪枝列的下一列确定为当前剪枝列，并迭代执行权重修剪和权重更新的步骤，直至当前剪枝列为倒数第二列；基于剪枝掩码矩阵，对权重矩阵中最后一列的权重进行修剪，以获得网络层剪枝后的权重矩阵。本发明提供的单次网络剪枝方法，降低了算法的计算复杂度，从而减少计算资源和时间的成本，有效提高单次网络剪枝的效率。 | ||||||
| 199 | 基于图卷积网络的环境数据的格点处理方法 | CN202210325115.2 | 2022-03-30 | CN114647819A | 2022-06-21 | 张晓霞; 周鹏程; 胡峰 |
| 本发明涉及数据处理领域，涉及一种基于图卷积网络的环境数据的格点处理方法；所述方法包括获取目标区域内的空气质量监测数据和气象监测数据；对所有监测数据进行缺失处理，并将站点的监测数据映射到目标区域所划分的格点矩阵内；使用风向数据和风速数据生成动态风场图，并使用迪杰斯特拉算法计算出风场邻接矩阵；根据空气质量浓度数据构建出每个时刻的掩码矩阵，根据风场邻接矩阵、掩码矩阵和气象监测数据构建出每个时刻的特征向量集合Z；根据掩码矩阵和空气质量浓度数据生成每个时刻的目标矩阵Y；将特征向量集合Z矩阵输入到训练完成的图卷积神经网络模型，得到目标矩阵的估计矩阵P。本发明能提高环境数据格点化的精度。 | ||||||
| 200 | 一种融合知识的方面级交通安全事件网络舆情分析方法 | CN202411543276.4 | 2024-10-31 | CN119474374A | 2025-02-18 | 裴莉莉; 郝俊; 邢珍珍; 胡欣; 翁宇涵; 沈钰璇; 张欣 |
| 本发明公开了一种融合知识的方面级交通安全事件网络舆情分析方法，包括：根据情感文本中每两个词在句法依存图中的词距离和情感文本的综合注意力矩阵，生成情感文本的句法掩码矩阵；将句法掩码矩阵输入至图卷积网络以对句法掩码矩阵进行图卷积，得到情感文本的语义上下文表示向量；根据情感文本中每两个词间的依存关系、情感得分及方面词得分，确定情感文本的情感增强矩阵；融合语义上下文表示向量和情感增强矩阵得到情感文本的情感极性。本发明提供的方法通过不同的词距离创建句法掩码矩阵能够在句法依存图中充分补充语法和语义信息，将情感分数注入到句法依存图中能够增强对情感信息的理解，从而能够提高对情感文本的情感倾向的识别准确度。 | ||||||
QQ群二维码
意见反馈
意见反馈