摘要：一种基于智能模型的技术趋势确定方法及系统。在该方法中，用户使用电子设备发送对包括目标技术词的查询指令，服务器接收电子设备发送的对目标技术词的查询指令，该服务器将该目标技术词输入已训练完成的科创GPT大模型，得到与该目标技术词相关的多个技术方向的目标技术发展趋势信息，服务器将该目标技术发展趋势信息及呈现格式发送给电子设备。提高了用户获取技术发展趋势的效率。

摘要：本发明公开了一种基于时间感知特征学习的动作质量评估方法。该方法采用3D卷积网络学习了视频中的片段特征，并将片段特征通过时间感知模块去学习片段之间的关系，此关系能够抓住动作的变换信息来提高动作质量评估的准确性。然后通过片段关系去聚合得到整个视频的特征，其中视频特征可以直接用于动作的分数预测。此外，引入了字幕生成以及动作识别两个辅助任务来使得3D卷积网络能够学习到更丰富的特征表示。最后，为了确保时间感知模块能够更准确地抓住动作的变换信息，引入了一个对抗损失来稳定整个模型。本发明能够在动作质量评估数据集上提取到具有判别性的特征表示，有效的提高动作质量分评估问题中的斯皮尔曼相关系数。

摘要：本发明公开了一种处理噪声标签的自标签修改方法，随机选取小批量数据样本，将数据样本进行数据增强处理得到不同的视图，作为伪孪生神经网络的输入，输出对数据样本类别的预测概率；根据不同网络对不同视图的预测计算与数据样本标签分布的JS散度，用于判断其作为干净数据样本的可能性；根据给定的判断阈值，将该批量数据样本划分为干净数据样本和有噪声数据样本，对干净数据样本的标签仅进行光滑化的处理，对有噪声的数据样本根据模型的预测和样本自身的标签进行动态加权赋予有噪声数据样本可靠的标签；最后利用分类损失函数和一致性损失函数对模型进行更新。本发明方法用于解决标签噪声下的图像分类任务，取得良好的性能效果。

摘要：本发明公开了一种基于样本代表性的类别不均衡多标签图像分类方法及系统，方法中样本代表性的动态损失由分类权重和动态focal损失结合构成，所述分类权重由当前分类类别与样本其他类别的标签共现率和类数目输入代表性协调函数后计算获得，所述动态focal损失由分类器输出的logits和分类权重为每个样本对每个类别计算的参数结合获得，本方法考虑了类别间的关联性，对类别的正负加权分类讨论，实现对负类别更合理的加权设计，强调了样本对于类别的代表性，来应对一些类别繁多的困难样本，有效地解决了数据集中存在的类别不均衡问题。

摘要：本发明公开了一种用于输液管与连接管连接的辅助连接装置，涉及输液管技术领域，包括放置架、输液管、连接管和辅助架，所述放置架的顶端上放置有输液瓶，所述辅助架由滑动组件、限位组件和防护组件构成，所述输液管的一端与输液瓶连接，所述输液管的另一端与连接管连接，所述输液管与连接管的连接端位于防护组件内，所述滑动组件套设在放置架上，所述限位组件设置在滑动组件的一侧内，并且所述限位组件与放置架配合连接，所述防护组件设置在滑动组件的另一侧上；本发明解决了现有技术中输液管与连接管的连接处会因为外部因素不经意的触碰到，导致该连接处产生松动，对人体造成伤害的问题，增加了输液管与连接管之间的稳定性。

摘要：本发明公开了一种基于多视角的多任务肝脏肿瘤图像分割方法。腹部CT图像经过预处理后，以切片的形式通过卷积神经网络模型同时得到其肝脏分割和肿瘤分割。该模型的输入为256×256×3大小的三维CT切片，输出为其中中间切片的相应分割。模型包含一个分割模块和一个精修模块，分别得到粗略的分割结果和精修的分割结果。模型通过一个组合损失函数进行优化，避免优化过程中的不稳定。本方法从三维CT图像的三个视角进行分割，把三个分割结果融合为一个得到最终的分割结果。本发明实现了对腹部CT图像的肝脏和肿瘤分割，有效地解决了分割过程中无法利用三维空间信息和优化不稳定的问题。

摘要：本发明公开以一种基于序贯的无线设备射频指纹识别方法，首先将时序信号按照时间段分割成一个个子时间段，对不同的时间段根据射频指纹特征分别分选，再将不同时间段的分选结果进行合并。本发明更加适用于计算力不高低耗能的终端；接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新；且综合考量瞬态指纹特征和稳态指纹特征，以充足特征量作为准确分裂的依据，有效的解决了信号源实施快速识别和信号源库实时更新的问题。

摘要：本发明公开了一种用于视频行为识别的正则化方法，首先利用全局平均池化技术对每个时间步上的特征图进行显著性评估，利用gESD检验方法确定包含最显著空间特征的特征图，然后在选定的特征图内以通道为最小单元，以通道激活值占比为依据来计算每个通道的丢弃概率并执行丢弃操作(对应通道激活值置零)，最后，由于正则化模块只在训练阶段生效，为保持训练阶段与推理阶段输出激活值幅度的一致性，需要为训练阶段的输出计算一个补偿系数与输出特征图相乘。本发明可以在推理阶段不增加任何额外计算消耗的情况下有效提高视频识别网络的验证集精度，且可以加入任何现有神经网络架构中，有效缓解网络在视频识别任务中过拟合空间特征而忽视时序特征的问题。

摘要：本发明公开了一种基于动作配准的人物视频对齐方法。该方法利用检测人体关键点作为动作配准基准点，对相似动作进行配准以抵消视频拍摄角度和画面旋转带来的影响，并通过自监督的时间循环一致性来进行视频对齐。为了实现这一目标，使用空间变换网络对人体所在区域进行校准，并获取对应人体关键点。此外，采用随机抽样一致性算法将识别到的人体特征点按误差最小原则进行筛选，用筛选得到的点将用于动作配准。最后，引入了一种自监督的时间循环一致性对齐算法，将动作配准后的视频与基准视频进行对齐。本发明可以在视频对齐和识别的数据集上提取具有判别性的特征表示，有效的提高了视频对齐问题的准确率。

摘要：本发明公开了一种联合注意力机制的3D人体姿态识别双分支网络模型，该模型通过两个并行分支可以同时学习到人体各个关节的特征信息分布和注意力分布，然后通过注意力分布来强化模型对于人体关节的专注能力。其中，注意力分支采用沙漏式网络结构。最后，模型通过根节点模块来解析深度信息，通过根节点相关姿态模块来解析3D人体相关姿态。本发明提出的模型通过双分支结构并行学习人体姿态的特征表示和注意力分布，并借助注意力分布有效提高了模型对人体关节的专注能力，从而极大地降低了模型在人体姿态识别上的关节定位误差。