-
公开(公告)号:CN114255328B
公开(公告)日:2025-01-28
申请号:CN202111510170.0
申请日:2021-12-10
Applicant: 重庆邮电大学
IPC: G06F30/27
Abstract: 本发明涉及古文物图片的三维重建技术领域,公开了一种基于单视图与深度学习的古文物三维重建方法,包括如下步骤:步骤1:输入古文物及与所述古文物相似工艺品的数据集;步骤2:根据“编码器‑解码器”的网络结构,使用带有3D‑ResVGG网络和多路径通道注意力模块的编码器对所述数据集进行深度信息挖掘和特征提取,生成古文物三维网络模型;步骤3:通过智能AI工具将需要进行三维重建的古文物图片进行预处理,生成预设类型图片;步骤4:将作为单视图的所述预设类型图片输入到所述古文物三维网络模型中,生成完整的需要进行三维重建的古文物图片的古文物三维模型。本发明提出了一种新的3D‑ResVGG网络,通过多分支模型训练,完善了原有VGG架构过拟合的问题。
-
公开(公告)号:CN117435725A
公开(公告)日:2024-01-23
申请号:CN202311451427.9
申请日:2023-11-02
Applicant: 重庆邮电大学
IPC: G06F16/34 , G06Q50/18 , G06N3/045 , G06N5/04 , G06N3/048 , G06F40/211 , G06F16/35 , G06N3/0464
Abstract: 本发明公开了一种针对司法裁判文书的摘要生成方法及系统,该方法包括:基于司法裁判文书的论辩结构对司法裁判文书进行段落划分,得到诉讼请求部分、被告辩称部分、审理查明部分和判决结果部分;结合BERT模型和GCN模型从每个论辩结构段落中提取关键句子,将各关键句子组成关键句集合;将关键句集合输入生成模型中,利用生成模型进行内容重写,生成每个论辩结构段落的子摘要;将每个论辩结构对应的子摘要拼接,生成最终的司法裁判文书摘要。本发明能够解决模型输入长度限制造成的信息丢失问题以及粗略截断造成的上下文信息不连贯问题。
-
公开(公告)号:CN116380078A
公开(公告)日:2023-07-04
申请号:CN202310376377.6
申请日:2023-04-10
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种高动态环境下捷联惯性导航系统姿态解算方法,属于惯性导航技术领域。本发明包括以下步骤:原始数据采集;计算初始姿态角;计算初始四元数;构建等效旋转矢量;构造姿态变化四元数;进行四元数更新;进行姿态角更新。不同于传统等效旋转矢量算法假设载体运动角速度为几次多项式,本发明假设载体运动角速度可以用不同频率的三角函数之和来表示,以此为基础推导了用角增量和角速度相关系数表示的等效旋转矢量,随后设计了基于此等效旋转矢量的姿态解算方法。本发明所提方法提高了高动态环境下姿态解算的精度,为解决高动态环境下高精度姿态解算提供了新思路。
-
公开(公告)号:CN115690906A
公开(公告)日:2023-02-03
申请号:CN202211304941.5
申请日:2022-10-24
Applicant: 重庆邮电大学
IPC: G06V40/20 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/08
Abstract: 本发明请求保护一种基于自注意力机制和Bi‑GRU的人体动作识别方法。包括以下步骤,S1:记录人体动作的惯性传感器数据,并通过滑动窗口截取数据和数据对应的动作类别标签;S2:将数据输入Encoder中进行编码,通过其中的多头自注意力层提取输入数据之间的时间关联特征,再与原始输入数据进行拼接;S3:将Encoder的输出数据,输入Bi‑GRU进行进一步时间顺序特征提取;S4:将Bi‑GRU的输出特征,输入全连接层得到一个输出向量;S5:根据样本数据对模型进行训练,再将未知分类标签的惯性传感器数据输入已训练好的模型,得到其人体动作类别。本发明解决目前人体动作识别难以提取有效的时序特征和识别精度低的问题。
-
公开(公告)号:CN108536838B
公开(公告)日:2021-10-19
申请号:CN201810330888.3
申请日:2018-04-13
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F40/216 , G06N20/00
Abstract: 本发明提供了一种基于Spark的极大无关多元逻辑回归模型对文本情感分类方法,包括:将训练样本数据集存储于HDFS中;Spark平台从HDFS中读取数据生成RDD;Spark平台将数据的预处理任务分为多个任务组,对每个任务组中存储有读取数据的RDD进行预处理,将预处理的结果存入HDFS中;训练极大无关多元逻辑回归模型,经过求解得到极大无关多元逻辑回归分类器;将分类器输出到HDFS中;从HDFS中读取经过预处理的待预测文本的数据和训练得到的分类器;获取待预测文本的情感分类。本发明在Spark计算框架下并行方法求解,模型训练更加快速,更适合大数据场景下的文本情感分类;降低了传统多元逻辑回归模型的复杂度,具有更强的泛化能力;能够对待预测样本数据进行精确情感分类。
-
公开(公告)号:CN112699831A
公开(公告)日:2021-04-23
申请号:CN202110019644.5
申请日:2021-01-07
Applicant: 重庆邮电大学
IPC: G06K9/00 , G06F40/242 , G06F40/253 , G06F40/284 , G06K9/62
Abstract: 本发明公开了基于弹幕情感的视频热点片段检测方法、装置及存储介质,包括对获取到的弹幕视频进行清洗,并对清洗后的弹幕视频进行切分,构造弹幕情感词典,对视频片段中的弹幕进行情感强度计算和整体情感倾向进行判定;计算相邻视频片段的情感强度变化率;使用LDA主题模型进行主题提取,计算相邻视频片段的主题相似度;构造热点视频片段检测模型;将需要检测的弹幕视频输入到模型中,得到热点视频片段。本发明构建的弹幕情感词典提升了弹幕情感强度计算准确度,弹幕情感强度计算方法能够得到更为准确的情感强度计算结果,直接对应弹幕文本的分析满足用户利用情感倾向和关键词检索热点片段的需求,具有较高的检测准确度。
-
公开(公告)号:CN115655269B
公开(公告)日:2024-12-06
申请号:CN202211386612.X
申请日:2022-11-07
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种三轴超声波辅助下的行人自主定位导航方法:该方法首先利用三轴超声波模块来辅助六轴姿态仪(三轴陀螺仪和三轴加速度计)的滑动均值斜坡法判定行人步行前脚掌的零速率区间,然后利用加速度计和陀螺仪的数据分别进行扩展卡尔曼滤波和卡尔曼滤波解算出两组姿态角,并使用自适应互补滤波融合。最后利用超声波测距传感器测量的足间距离作为观测值进行扩展卡尔曼滤波,校准导航姿态、速度和位置,进而实现精准的人员的定位导航。本发明能够在行人步行的动态过程中,准确判断前脚掌的零速率区间,并能自适应调节导航姿态的融合权重,校准和更新行人足部的导航姿态、速度和位置信息。
-
公开(公告)号:CN118747754A
公开(公告)日:2024-10-08
申请号:CN202410910724.3
申请日:2024-07-09
Applicant: 重庆邮电大学
IPC: G06T7/10 , G06V10/26 , G06V10/28 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种针对在线铁谱的跨尺度磨粒图像分割方法,包括:获取多尺度磨损碎片在反射光和透射光下拍摄的图片,使用等像素大小的反射图片和透射图片;对反射图片和透射图片分别使用adaptive Threshold函数进行二值区分后相加,得到融合后的目标分割图;将融合后的目标分割图和反射图片构成图像对,将图像对输入磨损碎片分割模型进行训练;使用训练好的磨损碎片分割模型对多尺度磨损碎片图像进行分割处理,得到分割后的图像;本发明能够更加清晰准确地分割出极端尺度磨损碎片明显的图像,解决了传统磨粒图像分割时目标不清晰或丢失的问题。
-
公开(公告)号:CN113933538B
公开(公告)日:2024-07-19
申请号:CN202111101497.2
申请日:2021-09-18
Applicant: 重庆邮电大学
IPC: G01P15/12
Abstract: 本发明公开一种压阻式高g值加速度计,包括上层敏感结构,上层敏感结构包括加速度计框架、质量块及质量块外围支撑框架;在质量块外围支撑框架内设置四个质量块,在四个质量块之间形成正交于中心轴的十字间隙;每两个相邻的质量块之间的间隙上设置连接两质量块的敏感梁,每个敏感梁上设置有构成惠斯通电桥的电路压敏电阻,所述敏感梁的厚度远小于质量块的厚度。本发明的有益效果是:由于相邻的两个质量块之间的间隙,使质量系统的整体质心的上移,从而抑制横向效应。压敏电阻位于敏感梁上,由于整个结构的应力主要集中于敏感梁,有利于提高结构灵敏度。本发明对于解决高g值加速度计存在的灵敏度低的问题、减小横向效应具有重要的意义。
-
公开(公告)号:CN114254108B
公开(公告)日:2024-07-16
申请号:CN202111518229.0
申请日:2021-12-13
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F40/247 , G06F40/289 , G06F18/214 , G06N3/092
Abstract: 本发明公开了一种中文文本对抗样本生成的方法,包括如下步骤:获取原始文本数据,且所述原始文本数据为中文文本分类器的输入数据;构建一个深度学习攻击模型,使用数据聚集的方法迭代生成训练数据,并使用强化学习的方法训练模型;使用训练好的攻击模型,输入到所述原始文本数据,以获得对抗样本。本发明提供了一种带有深度学习的中文文本对抗样本生成的方法,通过学习模型,适应中文文本,实现多种攻击策略,相对现有技术中英文对抗样本生成的方法,流程更加简单。
-
-
-
-
-
-
-
-
-