CN116502092A - 多源异构数据的语义对齐方法、装置、设备及存储介质 - Google Patents
多源异构数据的语义对齐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116502092A CN116502092A CN202310754597.8A CN202310754597A CN116502092A CN 116502092 A CN116502092 A CN 116502092A CN 202310754597 A CN202310754597 A CN 202310754597A CN 116502092 A CN116502092 A CN 116502092A
- Authority
- CN
- China
- Prior art keywords
- text
- preset
- image
- data
- encoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及信息处理技术领域，公开了多源异构数据的语义对齐方法、装置、设备及存储介质，方法包括：获取多模态数据集，多模态数据集包括：电力图像数据库和电力文本数据库；对图像数据、文本数据进行语义特征提取，提取出相应的图像特征向量、文本特征向量；通过预设线性自编码器，将提取到的图像特征向量映射到文本特征向量中，获取图像和文本对齐的编码结果；将编码结果输入到预设解码器中，输出重构图像特征向量。通过本发明提供的方法实现电网场景下多源异构数据的语义对齐。
Description
技术领域
本发明涉及信息处理技术领域，具体涉及多源异构数据的语义对齐方法、装置、设备及存储介质。
背景技术
人工智能技术的高速发展为电力领域感知世界赋予了无限活力，变电站里主设备安装了多种传感器，随着时间的推移，传感器采集了庞大的数据，例如图像、语音、文本等，用于支撑多源异构数据分析。然而,多源异构数据来自不同的模态，特征之间存在异质鸿沟，由于各个特征之间的语义差异，无法对其直接进行语义关联分析。为了更好地服务电力业务，如何对采集到的电力多源异构数据进行语义对齐是目前亟需解决的难题。
发明内容
有鉴于此，本发明提供了一种多源异构数据的语义对齐方法、装置、设备及存储介质，以解决电力多源异构数据语义不齐的问题。
第一方面，本发明提供了一种多源异构数据的语义对齐方法，方法包括：
获取多模态数据集，多模态数据集包括：电力图像数据库和电力文本数据库；
对图像数据、文本数据进行语义特征提取，提取出相应的图像特征向量、文本特征向量；
通过预设线性自编码器，将提取到的图像特征向量映射到文本特征向量中，获取图像和文本对齐的编码结果；
将编码结果输入到预设解码器中，输出重构图像特征向量。
本发明提供的多源异构数据的语义对齐方法，通过预设线性自编码器，将提取到的图像特征向量映射到文本特征向量中，保证图像特征和文本特征在语义上尽可能相似，随后，又引入预设解码器，将重构图像特征从文本空间解码回图像空间，使得重构的图像特征与原始图像特征尽可能接近，从而实现电网场景下多源异构数据的语义对齐。
在一种可选的实施方式中，预设线性自编码器包括：构造预设目标函数及优化该预设目标函数。
本发明通过预设线性自编码器，提出了一种简单且计算速度快的线性投影函数，旨在对多源异构数据进行语义对齐。
在一种可选的实施方式中，预设目标函数为：
，
其中，为图像特征数据集，/>为文本特征数据集，/>为预设编码器，F为范数，通过该编码器，将V映射到文本特征向量中，/>为控制预设编码器和预设解码器的权重参数。
本发明通过预设目标函数提升计算的速度，此时的预设目标函数为一个标准二次公式，是一个凸函数，有全局最优解。
在一种可选的实施方式中，对预设目标函数进行优化，包括：
对预设目标函数进行求导，其计算公式为：
。
本发明为了语义对齐而对预设目标函数进行优化，对预设目标函数进行求导并令导数为0，通过对预设目标函数进行优化完成预设线性自编码器的设计，保证图像特征和文本特征在语义上尽可能相似。
第二方面，本发明提供了一种多源异构数据的语义对齐装置，装置包括：
获取模块，用于获取多模态数据集，多模态数据集包括：电力图像数据库和电力文本数据库；
特征向量提取模块，用于对图像数据、文本数据进行特征提取，提取出相应的图像特征向量、文本特征向量；
编码模块，用于通过预设线性自编码器，将提取到的图像特征向量映射到文本向量中，获取图像和文本对齐的编码结果；
对齐模块，用于将编码结果输入到预设解码器中，输出重构图像特征向量。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的多源异构数据的语义对齐方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的多源异构数据的语义对齐方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的多源异构数据的语义对齐方法的流程图；
图2是根据本发明实施例的多源异构数据的语义对齐装置的结构框图；
图3是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的多源异构数据的语义对齐方法，旨在解决电网业务中多源异构数据的语义对齐问题。
根据本发明实施例，提供了一种多源异构数据的语义对齐方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种多源异构数据的语义对齐方法，可用于上述的计算机设备，图1是根据本发明实施例的多源异构数据的语义对齐方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取多模态数据集，多模态数据集包括：电力图像数据库和电力文本数据库。
在本发明实施例中，采集视觉、文本两种异质空间中的多模态数据集，多模态数据集包括：电力图像数据库和电力文本数据库。根据采集不同的数据选取不同的采集仪器，对采集的方式不作限制。
步骤S102，对图像数据、文本数据进行语义特征提取，提取出相应的图像特征向量、文本特征向量。
在本发明实施例中，通过不同的特征提取器分别对图像数据和文本数据进行特征提取，提取其相应的特征向量，特征提取器在此不作限制，根据提取对象进行相应的选择。
步骤S103，通过预设线性自编码器，将提取到的图像特征向量映射到文本特征向量中，获取图像和文本对齐的编码结果。
在本发明实施例中，借助预设线性自编码器，将原始图像特征映射到文本空间中，并通过构建重构特征，保证图像特征和文本特征在语义上尽可能相似。
步骤S104，将编码结果输入到预设解码器中，输出重构图像特征向量。
在本发明实施例中，通过预设解码器，将重构图像特征从文本空间解码回图像空间，使得重构的图像特征与原始图像特征尽可能接近，从而实现电网场景下多源异构数据的语义对齐。
本实施例提供的多源异构数据的语义对齐方法，通过预设线性自编码器，将提取到的图像特征向量映射到文本特征向量中，保证图像特征和文本特征在语义上尽可能相似，随后，又引入预设解码器，将重构图像特征从文本空间解码回图像空间，使得重构的图像特征与原始图像特征尽可能接近，从而实现电网场景下多源异构数据的语义对齐。
在一些可选的实施方式中，预设线性自编码器包括：构造预设目标函数及优化该预设目标函数。
本发明实施例通过预设线性自编码器，提出了一种简单且计算速度快的线性投影函数，旨在对多源异构数据进行语义对齐。
在一些可选的实施方式中，预设目标函数为：
其中，为图像特征数据集，/>为文本特征数据集，/>为预设编码器，例如：预设编码器可以使用变分自编码器，预设编码器的类型在此不作限制，根据实际情况进行相应选取。F为范数，通过该编码器，将V映射到文本特征向量中，/>为控制预设编码器和预设解码器的权重参数，/>可以根据十字交叉法调参确定，通过十字交叉发确定一个范围，在这个范围内取值。
本发明实施例通过预设目标函数提升计算的速度，此时的预设目标函数为一个标准二次公式，是一个凸函数，有全局最优解。
在一些可选的实施方式中，对预设目标函数进行优化，包括：
对预设目标函数进行求导，其计算公式为：
。
本发明实施例为了语义对齐而对预设目标函数进行优化，对预设目标函数进行求导并令导数为0，通过对预设目标函数进行优化完成预设线性自编码器的设计，保证图像特征和文本特征在语义上尽可能相似。
在一具体实施例中，为了保证电网场景下多源异构的图像特征和文本特征在语义上关联对齐，设计目标函数如下：
为了进一步简化该模型同时提升计算速度，令，其中，/>为电力图像特征数据集，N为特征个数，d为特征维度，令/>为电力文本特征数据集，k为特征维度，令/>为一个预设编码器，通过该编码器，可以将V映射到文本空间。/>为一个预设解码器。
则将目标函数重写成如下形式：
为了优化目标函数，首先用T来代替，对目标函数形式进行如下改写
然而，用硬约束来解决问题很难，因此，考虑将约束放宽为软约束并重写目标函数为
其中，是控制预设编码器和预设解码器的权重参数，此时，目标函数变为一个标准二次公式，是一个凸函数，有全局最优解。为了对齐进行优化，对其进行求导并令导数为0，首先根据/>，重写目标函数为
接下来，求导、移项
令，得到
此时可以得到本发明的预设线性自编码器，通过预设线性自编码器，提出了一种简单且计算速度快的线性投影函数，旨在对多源异构数据进行语义对齐。
在本实施例中还提供了一种多源异构数据的语义对齐装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种多源异构数据的语义对齐装置，如图2所示，包括：
获取模块201，用于获取多模态数据集，所述多模态数据集包括：电力图像数据库和电力文本数据库。
特征向量提取模块202，用于对图像数据、文本数据进行特征提取，提取出相应的图像特征向量、文本特征向量。
编码模块203，用于通过预设线性自编码器，将提取到的图像特征向量映射到文本向量中，获取图像和文本对齐的编码结果。
对齐模块204，用于将编码结果输入到预设解码器中，输出重构图像特征向量。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的多源异构数据的语义对齐装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图2所示的多源异构数据的语义对齐装置。
请参阅图3，图3是本发明可选实施例提供的一种计算机设备的结构示意图，如图3所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统) 。图3中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种多源异构数据的语义对齐方法，其特征在于，所述方法包括：
获取多模态数据集，所述多模态数据集包括：电力图像数据库和电力文本数据库；
对图像数据、文本数据进行语义特征提取，提取出相应的图像特征向量、文本特征向量；
通过预设线性自编码器，将提取到的图像特征向量映射到文本特征向量中，获取图像和文本对齐的编码结果；
将编码结果输入到预设解码器中，输出重构图像特征向量。
2.根据权利要求1所述的方法，其特征在于，预设线性自编码器包括：构造预设目标函数及优化该预设目标函数。
3.根据权利要求2所述的方法，其特征在于，所述预设目标函数为：
，
其中，为图像特征数据集，/>为文本特征数据集，/>为预设编码器，F为范数，通过该编码器，将V映射到文本特征向量中，/>为控制预设编码器和预设解码器的权重参数。
4.根据权利要求3所述的方法，其特征在于，对预设目标函数进行优化，包括：
对预设目标函数进行求导，其计算公式为：
。
5.一种多源异构数据的语义对齐装置，其特征在于，所述装置包括：
获取模块，用于获取多模态数据集，所述多模态数据集包括：电力图像数据库和电力文本数据库；
特征向量提取模块，用于对图像数据、文本数据进行特征提取，提取出相应的图像特征向量、文本特征向量；
编码模块，用于通过预设线性自编码器，将提取到的图像特征向量映射到文本向量中，获取图像和文本对齐的编码结果；
对齐模块，用于将编码结果输入到预设解码器中，输出重构图像特征向量。
6.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至4中任一项所述的多源异构数据的语义对齐方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至4中任一项所述的多源异构数据的语义对齐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310754597.8A CN116502092A (zh) | 2023-06-26 | 2023-06-26 | 多源异构数据的语义对齐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310754597.8A CN116502092A (zh) | 2023-06-26 | 2023-06-26 | 多源异构数据的语义对齐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502092A true CN116502092A (zh) | 2023-07-28 |
Family
ID=87316913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310754597.8A Pending CN116502092A (zh) | 2023-06-26 | 2023-06-26 | 多源异构数据的语义对齐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502092A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097010A (zh) * | 2019-05-06 | 2019-08-06 | 北京达佳互联信息技术有限公司 | 图文检测方法、装置、服务器及存储介质 |
| CN112035670A (zh) * | 2020-09-09 | 2020-12-04 | 中国科学技术大学 | 基于图像情感倾向的多模态谣言检测方法 |
| WO2021223323A1 (zh) * | 2020-05-06 | 2021-11-11 | 首都师范大学 | 一种中文视觉词汇表构建的图像内容自动描述方法 |
| CN114254739A (zh) * | 2021-12-21 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 多模态电力传感器的数据处理方法、装置和计算机设备 |
| CN114626480A (zh) * | 2022-03-22 | 2022-06-14 | 国网智能电网研究院有限公司 | 多源异构数据特征提取装置、方法、存储介质及电子设备 |
| CN115470844A (zh) * | 2022-08-30 | 2022-12-13 | 广东电网有限责任公司广州供电局 | 一种电力系统多源异构数据的特征提取及选择方法 |
| CN115690072A (zh) * | 2022-11-11 | 2023-02-03 | 楚雄师范学院 | 基于多模态深度学习的胸片特征提取和疾病分类方法 |
| CN115713538A (zh) * | 2022-11-18 | 2023-02-24 | 电子科技大学 | 一种基于跨模态对偶图对齐的参考图像分割方法 |
-
2023
- 2023-06-26 CN CN202310754597.8A patent/CN116502092A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097010A (zh) * | 2019-05-06 | 2019-08-06 | 北京达佳互联信息技术有限公司 | 图文检测方法、装置、服务器及存储介质 |
| WO2021223323A1 (zh) * | 2020-05-06 | 2021-11-11 | 首都师范大学 | 一种中文视觉词汇表构建的图像内容自动描述方法 |
| CN112035670A (zh) * | 2020-09-09 | 2020-12-04 | 中国科学技术大学 | 基于图像情感倾向的多模态谣言检测方法 |
| CN114254739A (zh) * | 2021-12-21 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 多模态电力传感器的数据处理方法、装置和计算机设备 |
| CN114626480A (zh) * | 2022-03-22 | 2022-06-14 | 国网智能电网研究院有限公司 | 多源异构数据特征提取装置、方法、存储介质及电子设备 |
| CN115470844A (zh) * | 2022-08-30 | 2022-12-13 | 广东电网有限责任公司广州供电局 | 一种电力系统多源异构数据的特征提取及选择方法 |
| CN115690072A (zh) * | 2022-11-11 | 2023-02-03 | 楚雄师范学院 | 基于多模态深度学习的胸片特征提取和疾病分类方法 |
| CN115713538A (zh) * | 2022-11-18 | 2023-02-24 | 电子科技大学 | 一种基于跨模态对偶图对齐的参考图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林克正 等: "语义自编码结合关系网络的零样本图像识别算法", 《模式识别与人工智能》, vol. 32, no. 3, pages 215 - 222 * |
| 林克正 等: "语义自编码结合关系网络的零样本图像识别算法", 模式识别与人工智能, vol. 32, no. 3, pages 215 - 222 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734653B (zh) | 图像风格转换方法及装置 | |
| TW202336694A (zh) | 用於影像濾波器的整合式機器學習演算法 | |
| CN113592998A (zh) | 重光照图像的生成方法、装置及电子设备 | |
| CN116681630B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116310143B (zh) | 一种三维模型构建方法、装置、设备和存储介质 | |
| US20240161240A1 (en) | Harmonizing composite images utilizing a semantic-guided transformer neural network | |
| CN112148302A (zh) | 一种接口文档生成方法、装置、设备及可读存储介质 | |
| CN116484878B (zh) | 电力异质数据的语义关联方法、装置、设备及存储介质 | |
| CN116189172A (zh) | 一种3d目标检测方法、设备、存储介质和芯片 | |
| CN113741864B (zh) | 基于自然语言处理的语义化服务接口自动设计方法与系统 | |
| CN117392293A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116502092A (zh) | 多源异构数据的语义对齐方法、装置、设备及存储介质 | |
| EP4006662A1 (en) | System and method supporting graphical programming based on neuron blocks, and storage medium | |
| CN115204318B (zh) | 事件自动层级分类方法及电子设备 | |
| Jocks et al. | An investigation to examine the most appropriate methodology to capture historical and modern preserved anatomical specimens for use in the digital age to improve access: a pilot study | |
| CN116028062A (zh) | 目标代码的生成方法、npu指令的显示方法及装置 | |
| WO2015052968A1 (ja) | サーバ装置、クライアント装置、情報処理方法および記録媒体 | |
| CN110704742B (zh) | 一种特征提取方法及装置 | |
| CN112801878A (zh) | 渲染图像超分辨率纹理增强方法、装置、设备及存储介质 | |
| CA2973811C (en) | Containment of data structures with data objects in data modeling tools | |
| CN114187408B (zh) | 三维人脸模型重建方法、装置、电子设备及存储介质 | |
| CN117539489A (zh) | 一种页面生成方法、装置、设备及介质 | |
| CN118429633A (zh) | 一种复杂场景下高分辨率遥感影像的语义分割方法及装置 | |
| US20240257449A1 (en) | Generating hard object shadows for general shadow receivers within digital images utilizing height maps | |
| CN117953102A (zh) | 图像生成方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230728 |