-
公开(公告)号：CN116385796A
公开(公告)日：2023-07-04
申请号：CN202310418884.1
申请日：2023-04-19
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/82 , G06T5/00 , G06T3/40 , G06T7/90 , G06N3/0464 , G06N3/08
Abstract: 本发明属于物体检测技术领域，公开了一种面向复杂环境的零售酒类识别方法，包括：步骤1：采集在不同环境下酒类的图像，并对采集到的图像进行预处理；步骤2：对步骤1预处理后的酒类的图像进行去反光，去除瓶身以及标签的反光；步骤3：将步骤2去反光后的图像进行低光增强，增强阴影部分的信息；步骤4：对经过步骤3处理的图像进行超分辨率，增强图像的细节信息；步骤5：针对步骤4处理后的图像，用训练好的物体检测模型进行酒类的分类识别。本发明通过深度学习对酒瓶的特征进行归类和分析，采用了去反光、低光增强和超分辨率的三种图像增强技术，对待识别的酒瓶图像进行修复和校正，最后通过YOLO输出不同的品类，提高识别的正确率。
-
公开(公告)号：CN115344510B
公开(公告)日：2023-02-03
申请号：CN202211270042.8
申请日：2022-10-18
Applicant: 南京邮电大学
IPC: G06F12/0877 , G06F3/06 , G06F16/2455 , G06F16/71 , G06N3/04 , G06N3/092
Abstract: 基于深度强化学习的高维度视频缓存选择方法，将深度强化学习运用到边缘服务器的视频缓存选择中，考虑了视频缓存选择具有的动态性和高维性，实现边缘服务器的高效视频缓存；利用decoder对DDPG进行改进，可以使边缘服务器选择合适的视频进行缓存，以减少视频传输的时间延迟和用户花费的流量成本；边缘服务器从海量视频中选择视频缓存时，极大地减少计算开销，避免给资源有限的边缘服务器带来过大的压力，节约了运算成本。
-
公开(公告)号：CN116328279A
公开(公告)日：2023-06-27
申请号：CN202310272723.6
申请日：2023-03-21
Applicant: 南京邮电大学
IPC: A63B71/06 , G06T19/00 , G06V40/20 , G06V10/766 , G06V10/82 , G06V10/94 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种基于视觉人体姿势估计的实时辅助训练方法及设备，属于辅助训练领域技术领域。辅助训练方法的步骤包括利用摄像头获取运动人员训练的实时画面；利用穿戴设备，捕捉运动人员训练动作；基于摄像头获取的运动人员训练的实时画面，通过人体姿态估计算法，实时提取运动人员的姿势关键点和训练器材位置，并在Unity3D中重建虚拟人物；根据穿戴设备捕捉到的运动人员训练动作、运动人员姿势的变化以及Unity3D中重建虚拟人物，构建虚拟训练场景；将提取的球运动人员姿势关键点与训练器材位置输入到质量评分模型，得到姿势质量；在虚拟训练场景中，以姿势质量作为奖赏，通过强化学习自适应地给辅助训练设备发送校正电信号，调整运动人员的训练姿势。
-
公开(公告)号：CN116151120A
公开(公告)日：2023-05-23
申请号：CN202310177995.8
申请日：2023-02-28
Applicant: 南京邮电大学
IPC: G06F30/27 , G06T17/00 , G06N3/044 , G06N3/0475 , G06N3/084 , G06N3/094 , G06V10/56 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于视觉生成的机械臂自动组装方法，属于机械臂自动组装技术领域，具体步骤为：从工程图源中获取工程图和对应的3D工程图，构建循环生成对抗网络训练集；将循环生成对抗网络训练集进行训练，得到循环生成对抗网络；从目标工程图源中获取目标工程图，并输入到循环生成对抗网络中，生成3D标准工程图；在模拟环境中利用强化学习近端策略优化算法进行策略优化，得到策略函数π(·)；基于3D标准工程图、目标图像和策略函数π(·)，通过策略模型生成控制指令，机械臂执行控制指令，直至目标图像与3D标准工程图的相似度高于阈值α时，结束执行进程。本发明利用强化学习和循环生成对抗网络，实现可解释、端到端、可迁移的机械臂控制方法。
-
公开(公告)号：CN113965472A
公开(公告)日：2022-01-21
申请号：CN202111235507.1
申请日：2021-10-22
Applicant: 南京邮电大学
IPC: H04L41/14 , H04L41/147 , G06N3/08 , G06N3/04
Abstract: 基于深度回声状态网络（Echo State Network,ESN）的多尺度网络流量预测方法，首先基于网络流量的多尺度性、非线性和尺度依赖性，构造了基于深度ESN的多尺度网络流量预测模型。其次利用岭回归方法和深度贝叶斯方法训练模型的权重参数。然后使用Q学习算法选择模型的最优尺度层组合。最后使用训练好的基于深度ESN的多尺度网络流量预测模型进行网络流量预测。该方法充分考虑了网络流量的性质，可以有效提高预测精度，并实现在保证预测模型预测精度的同时尽可能降低模型规模，减轻计算代价。
-
Patent Agency Ranking
公开(公告)号：CN114742306A
公开(公告)日：2022-07-12
申请号：CN202210414935.9
申请日：2022-04-20
Applicant: 南京邮电大学
Abstract: 基于改进知识蒸馏ESN的边缘端时间序列预测方法，首先将回声状态网络ESN与知识蒸馏KD结合，构造基于改进知识蒸馏ESN的时间序列预测模型；然后提出训练算法，在服务器端训练该模型，优化储备池结构，提高其长期记忆能力并降低其计算开销；最终在边缘端使用训练好的基于改进知识蒸馏ESN的时间序列预测模型进行时间序列预测。该方法可以提高储备池的长期记忆能力并且降低其计算开销，使ESN更适合部署在边缘端完成时间序列预测任务。
-
公开(公告)号：CN114742306B
公开(公告)日：2024-11-08
申请号：CN202210414935.9
申请日：2022-04-20
Applicant: 南京邮电大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/20 , G06N3/042 , G06N3/0442 , G06N3/082
Abstract: 基于改进知识蒸馏ESN的边缘端时间序列预测方法，首先将回声状态网络ESN与知识蒸馏KD结合，构造基于改进知识蒸馏ESN的时间序列预测模型；然后提出训练算法，在服务器端训练该模型，优化储备池结构，提高其长期记忆能力并降低其计算开销；最终在边缘端使用训练好的基于改进知识蒸馏ESN的时间序列预测模型进行时间序列预测。该方法可以提高储备池的长期记忆能力并且降低其计算开销，使ESN更适合部署在边缘端完成时间序列预测任务。
-
公开(公告)号：CN116957624A
公开(公告)日：2023-10-27
申请号：CN202310856050.9
申请日：2023-07-13
Applicant: 南京邮电大学
IPC: G06Q30/0201 , G06N3/006 , G06N3/092 , G06N7/01
Abstract: 本发明公开了一种调查问卷分配方法及相关装置，本发明通过多智能体强化学习算法，可以通过序列的决策来进行问卷分配，可以将调查问卷分配给当前最合适的用户，并且考虑平台的长期收益。本发明通过随机加入已知答案的问题，获取更精准的用户完成质量评分。本发明面向用户特征推送定制调查问卷，提高问卷有效性，确保调查问卷适合用户。本发明利用多智能体强化学习算法，找到纳什均衡，可以防止被“恶意”用户迷惑导致做出错误的决策，从而减少平台总体成本。
-
公开(公告)号：CN115344510A
公开(公告)日：2022-11-15
申请号：CN202211270042.8
申请日：2022-10-18
Applicant: 南京邮电大学
IPC: G06F12/0877 , G06F3/06 , G06F16/2455 , G06F16/71 , G06N3/04 , G06N3/08
Abstract: 基于深度强化学习的高维度视频缓存选择方法，将深度强化学习运用到边缘服务器的视频缓存选择中，考虑了视频缓存选择具有的动态性和高维性，实现边缘服务器的高效视频缓存；利用decoder对DDPG进行改进，可以使边缘服务器选择合适的视频进行缓存，以减少视频传输的时间延迟和用户花费的流量成本；边缘服务器从海量视频中选择视频缓存时，极大地减少计算开销，避免给资源有限的边缘服务器带来过大的压力，节约了运算成本。
-
公开(公告)号：CN113965472B
公开(公告)日：2023-06-30
申请号：CN202111235507.1
申请日：2021-10-22
Applicant: 南京邮电大学
IPC: H04L41/14 , H04L41/147 , G06N3/092 , G06N3/045 , G06N3/047
Abstract: 基于深度回声状态网络（Echo State Network,ESN）的多尺度网络流量预测方法，首先基于网络流量的多尺度性、非线性和尺度依赖性，构造了基于深度ESN的多尺度网络流量预测模型。其次利用岭回归方法和深度贝叶斯方法训练模型的权重参数。然后使用Q学习算法选择模型的最优尺度层组合。最后使用训练好的基于深度ESN的多尺度网络流量预测模型进行网络流量预测。该方法充分考虑了网络流量的性质，可以有效提高预测精度，并实现在保证预测模型预测精度的同时尽可能降低模型规模，减轻计算代价。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
