-
公开(公告)号：CN113361502B
公开(公告)日：2021-11-02
申请号：CN202110911265.7
申请日：2021-08-10
Applicant: 江苏久智环境科技服务有限公司 , 南京邮电大学
IPC: G06K9/00 , G06N3/04 , G08B13/196
Abstract: 本发明公开了一种基于边缘群体计算的园林周界智能预警方法，首先在园林场景中危险区域周围部署多个摄像头，并选定一个主摄像头，对各摄像头所摄危险区域进行人为锚定。然后引入添加双重注意力机制的Yolov5网络，对摄像头所拍摄的图像进行人脸检测。其次根据设定阈值，对主摄像头所拍摄图像的检测结果进行判定，对判定为疑似的检测结果，引入从摄像头进行增强判定。从摄像头进行增强判定时，首先求出疑似人脸像素在从摄像头所拍摄图像中的映射，若映射坐标处于该从摄像头中的危险区域中，则将该从摄像头纳入候选集中。最后对候选集中各个摄像头分别进行人脸检测，采用引入权重的计分投票制进行评分，满足预设条件时进行预警。
-
公开(公告)号：CN113469325A
公开(公告)日：2021-10-01
申请号：CN202110641363.3
申请日：2021-06-09
Applicant: 南京邮电大学
Abstract: 本发明公开了一种边缘聚合间隔自适应控制的分层联邦学习方法，包括如下步骤：1)搭建以边缘设备，边缘服务器，云服务器为主要元素的分层联邦学习系统；2)在每个训练周期的起始阶段，云服务器根据当前的训练情况，优化边缘聚合间隔以及当前周期的训练时延预算；3)在训练过程中，边缘设备训练本地模型；并且根据边缘聚合间隔将本地模型发送到边缘服务器进行边缘聚合从而生成边缘模型；在每个周期的结束阶段，边缘服务器将边缘模型上传到云服务器进行全局聚合从而生成全局模型。该发明能够自适应地调整边缘聚合的间隔，在学习性能和训练时延中取得平衡。
-
公开(公告)号：CN113467851A
公开(公告)日：2021-10-01
申请号：CN202110563668.7
申请日：2021-05-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于车辆聚类的动态车辆计算任务卸载方法和装置，该方法包括：计算样本集中所有车辆的可达距离，根据可达距离构建最小生成树；将最小生成树转化为层次聚类结构，并对转化后的层次聚类树进行压缩；以簇的稳定性为依据对由每个车辆构成的节点进行聚类，对聚类后的各个簇内节点按优先级排序，根据排序后的结果选取簇头；基于聚类结果，利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。本发明在通过限制最小子树来降低运算量，用可达距离的概念替换欧氏距离，降低了对Eps阈值的依赖性；并且基于簇稳定性自动分簇，具有较低的平均计算时延以及较高的计算结果返回成功率。
-
公开(公告)号：CN113205100A
公开(公告)日：2021-08-03
申请号：CN202110312746.6
申请日：2021-03-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向幻灯片智能截图场景的翻页误截识别方法，包括页面重叠和拼接两种情况的识别方法。识别图像E是否由X、Y重叠而成的步骤包括：利用透明度公式的反推公式计算透明度矩阵A，处理A中的异常值后计算A的均值和方差；根据A的均值和方差判断图像重叠情况。识别图像F是否由图像Z与其他图像拼接而成的步骤包括：在图像Z中选取若干窗口，根据窗口内像素值方差进行筛选，得到待匹配窗口集合{WZ}；对{WZ}中的每个窗口都到F中进行图像匹配，去除匹配值过低的窗口对，得到匹配的窗口对集合{(WZ，WF)}；根据{(WZ，WF)}计算得到位移向量集合{V}；统计{V}中数据得到直方图，根据直方图判断图像拼接情况。
-
公开(公告)号：CN113204991A
公开(公告)日：2021-08-03
申请号：CN202110322204.7
申请日：2021-03-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多层预处理的快速人脸检测方法，具体步骤包括如下：对输入的原始图像进行颜色空间转换；利用椭圆肤色模型提取出图像中的肤色区域；通过形态学操作修正肤色区域；通过有效搜索位置滤波方法生成待测框；合并重叠程度过高的待测框；使用卷积神经网络逐一检测每个待测框；计算最终人脸定位框的坐标并输出。本发明能在保留人脸检测卷积神经网络高准确率的同时通过多层预处理技术减少其需要搜索区域的大小，从而大幅提升其运行速度。
-
Patent Agency Ranking
公开(公告)号：CN113204971A
公开(公告)日：2021-08-03
申请号：CN202110326513.1
申请日：2021-03-26
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于深度学习的场景自适应Attention多意图识别方法，包括如下内容：首先，实时获取当前用户输入的多意图文本并进行预处理；然后，构建多层Bi‑IndRNN神经网络模型，用来提取当前输入的多意图文本的语义特征；之后，构建场景自适应Attention语义增强模型，充分利用特定场景特征来增强多意图文本的语义特征；最后，构建多意图分类器，用来识别用户的多个意图。本发明利用场景自适应Attention的方法，在提取多意图文本语义特征时融合特定场景独有的特征来增强文本的语义特征，实现了对多意图文本的深层次语义特征的挖掘，可以有效解决人机对话中常面临的多意图识别问题，从而提高解决问题的效率和人机对话的体验。
-
公开(公告)号：CN112867066A
公开(公告)日：2021-05-28
申请号：CN202110103816.7
申请日：2021-01-26
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于5G多小区深度强化学习的边缘计算迁移方法。属于边缘计算领域与深度强化学习领域；具体步骤：终端制定计算迁移方案；将待计算迁移的任务参数信息，信道增益以及临近干扰小区的信息发送给小区内MEC服务器；对可被小区间迁移的MEC服务器排序；在MEC服务器处制定计算迁移策略；根据计算迁移策略，终端将任务迁移到MEC服务器计算；无法计算迁移的任务在终端处计算，并等待下次迁移。本发明用任务执行优先级函数以及负载指标函数表示迁移任务以及可被小区间迁移的MEC服务器的优先级，用深度强化学习，贪心算法以及小区间迁移三者相结合提高资源利用效率以及确保负载均衡。
-
公开(公告)号：CN111629216B
公开(公告)日：2021-04-06
申请号：CN202010311152.9
申请日：2020-04-20
Applicant: 南京邮电大学
IPC: H04N21/2183 , H04N21/222 , H04N21/258 , G06N20/00
Abstract: 本发明公开了一种边缘网络环境下基于随机森林算法的VOD业务缓存替换方法，包括如下步骤：采集视频数据；使用随机森林填充法处理视频数据缺失值，建立预测模型；通过预测模型对平均访问时长进行预测；根据预测结果建立缓存替换模型；使用隐枚举法求解缓存替换模型，得到最终替换方案。本发明考虑到边缘服务器需要处理大量的视频信息，以及机器学习在大数据处理中出色的分析能力，首先利用机器学习中的随机森林算法对视频的周平均访问时长进行预测，从而在此基础上提出了一种新的视频缓存替换模型，并使用隐枚举法对模型进行求解，从而使边缘服务器最大限度地减轻核心网负载，且该方案非常简单而易于实现，具有很好的应用前景。
-
公开(公告)号：CN112232191A
公开(公告)日：2021-01-15
申请号：CN202011101287.9
申请日：2020-10-15
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于微表情分析的抑郁症识别系统。属于计算机视觉领域；具体步骤：1、训练深度多任务识别网络；2、对人脸的重要的局部区域进行划分，剔除与微表情无关的区域；3、训练自适应的双流神经网络，对微表情运动的开始帧、Apex帧、结束帧进行定位；4、根据在不同背景下对微表情的分析判断该人是否患有抑郁症。本发明以深度多任务神经网络为基础，对图像进行预处理，从而进行人脸重要局部区域划分，提高双流神经网络的识别速度，满足实时性的要求；并通基于注意力机制的BLSTM‑CNN神经网络提取重要的帧图片特征以及自适应融合双流神经网络提取到的双流特征提高微表情运动帧的定位，进而提高微表情识别的速度和准确性。
-
公开(公告)号：CN109377994B
公开(公告)日：2020-12-15
申请号：CN201811311373.5
申请日：2018-11-06
Applicant: 南京邮电大学
IPC: G10L15/22 , G10L13/04 , G10L21/0208 , H04L12/28
Abstract: 本发明提出一种面向智能家居场景的语音识别控制方法，包括以下步骤：语音采集模块采集用户输入的语音指令；语音处理模块对语音采集模块采集的语音信号进行去噪处理，并发送到具有语音识别库的服务器中；服务器根据语音识别库对语音处理模块处理后的信号进行匹配得到相应的反馈信号；命令生成模块对服务器输出的反馈信号进行处理生成命令字符；控制模块根据命令生成模块输出的命令字符对智能设备进行控制；智能家居设备响应控制模块输出的执行命令并反馈其响应情况。本发明能够有效的消除语音命令中的杂音，并且以语音命令代替手动控制和遥控控制，简化了人们的操作，方便了人们的生活方式。
-
-
-
-
-
-
-
-
-
Search Results
386
records
(took 0.094 seconds)
