-
公开(公告)号：CN116644784A
公开(公告)日：2023-08-25
申请号：CN202310324719.X
申请日：2023-03-29
Applicant: 同济大学
IPC: G06N3/0464 , G06F17/16 , G06N3/08
Abstract: 本申请提供一种基于图谱域图结构学习的图卷积网络设计方法，该方法包括：根据图拉普拉斯矩阵，确定图谱先验；基于所述图谱先验，确定图结构学习的目标函数；对所述目标函数进行优化求解，得到图卷积网络的算子。该方案同时考虑了过平滑问题和图结构保留，从而避免重要边的移除。
-
公开(公告)号：CN116415695A
公开(公告)日：2023-07-11
申请号：CN202310294654.9
申请日：2023-03-23
Applicant: 同济大学
Abstract: 本发明涉及一种结合自集成和跨模型集成的半监督联邦学习方法，包括以下步骤：S1、每个参与方使用本地数据进行训练得到本地模型；S2、所有参与方将训练好的本地模型上传到中央服务器进行参数融合，得到全局模型；S3、中央服务器将全局模型广播给所有参与方；S4、参与方使用全局模型作为新的本地模型，并在新的本地模型上开始新的一轮本地训练；S5、返回步骤S1，循环执行直至达到预设条件。与现有技术相比，本发明利用了联邦学习中并行产生多个本地模型的特点，通过结合跨模型集成方案与自集成方案，在计算量相对较小的同时使得教师模型更加可靠，从而能够得到更好的训练效果。
-
公开(公告)号：CN113763489B
公开(公告)日：2023-07-07
申请号：CN202110916856.3
申请日：2021-08-11
Applicant: 同济大学
IPC: G06T11/00 , G06V10/764 , G06T7/90 , G06F30/20
Abstract: 本发明涉及一种海洋水体颜色仿真方法，包括模拟日光并进行三原色分解；通过幅亮度转化获取日光三原色衰减后的亮度；根据衰减后的亮度通过不同的颜色空间转换得到具体的颜色信息，即得到海洋水体仿真颜色。与现有技术相比，本发明实现了由杰洛夫海洋水体类型、水体深度控制的海洋水体颜色仿真过程，考虑了不同海洋水体、不同深度等条件变化而变化的颜色模拟，提高了仿真模拟的真实性。
-
公开(公告)号：CN116307918A
公开(公告)日：2023-06-23
申请号：CN202310322736.X
申请日：2023-03-30
Applicant: 同济大学
IPC: G06Q10/0639 , G06F8/30 , G06F18/22 , G06F17/16 , G06N3/006
Abstract: 本发明涉及一种两段式差分优化驱动的基于类比的工作量度量方法，包括以下步骤：接收新项目；确定和新项目类似的历史项目；计算新项目和历史项目的特征差分；基于特征差分构建目标函数；使用BA算法对目标函数进行求解，得到最优参数；基于最优参数，对参与计算的每个历史项目的工作量进行加权得到新项目的工作量。与现有技术相比，本发明具有明确了特征差分和工作量差分之间的变化关系，使得计算得到的工作量准确性更高。
-
公开(公告)号：CN116229572A
公开(公告)日：2023-06-06
申请号：CN202310204623.X
申请日：2023-03-06
Applicant: 同济大学
IPC: G06V40/20 , G06T3/40 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明涉及一种基于上下文感知拓扑注意力增强的无监督3D动作识别方法，该方法包括以下步骤：步骤S1、从骨架图组中获取骨架动作序列集预处理后划分为Tclip剪辑；步骤S2、采用编码器从预处理后得到的Tclip剪辑中提取得到具备时空局部性的动作单元集合ε；步骤S3、构建自监督识别模型，基于上下文感知拓扑注意机制对动作单元集合进行数据增强，聚合得到上下文集合其中，自监督识别模型采用最大化上下文集合和动作单元集合ε互信息的对比损失Lcontrast进行训练；步骤S4、采用训练好的自监督识别模型进行动作识别。与现有技术相比，本发明具有识别准确性高的优点。
-
Patent Agency Ranking
公开(公告)号：CN116071820A
公开(公告)日：2023-05-05
申请号：CN202211718305.7
申请日：2022-12-29
Applicant: 同济大学
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 本发明涉及一种基于自适应时序dropout机制的弱监督动作检测方法，该方法通过一分类网络获得候选动作实例，分类网络的处理过程：对待检测视频进行特征提取；将RGB特征和光流特征融合并映射至动作特征空间；将动作特征序列映射至分类空间，得到类别激活序列；对类别激活序列进行后处理以获得候选动作实例；对所述分类网络进行训练时，通过一自适应时序dropout模块从与动作特征序列中选取显著部分并去除，进而获得对应的类别激活序列，采用基于多实例学习的损失函数进行优化训练。与现有技术相比，本发明以端到端、数据驱动的方式解决了弱监督动作检测中的“局部统治”问题，具有流程简单、识别精度高、适用范围广等优点。
-
公开(公告)号：CN113905051B
公开(公告)日：2023-03-28
申请号：CN202111120988.1
申请日：2021-09-24
Applicant: 同济大学
IPC: H04L67/104 , H04L67/1097 , H04L9/40 , H04L41/00 , H04L67/1095 , H04L9/32
Abstract: 本发明涉及一种智慧城市跨部门信息交互架构系统及方法，该系统用于实现跨部门之间的数据可信安全访问以及隐私保护，所述系统包括：传感器或硬件模块，用于获取数据；语义中间件Middleware L0模块，用于处理并传输数据给区块链模块；采用同构多链技术构建的区块链模块，用于接受数据信息并进行验证和共识。与现有技术相比，本发明实现了数据可信安全访问以及隐私保护，具有安全性高、信息交互快捷的优点。
-
公开(公告)号：CN115205350A
公开(公告)日：2022-10-18
申请号：CN202210652105.X
申请日：2022-06-09
Applicant: 同济大学
Abstract: 本发明涉及一种基于LSTM神经网络的自监督学习图像配准方法，具体包括以下步骤：S1、获取源数据，生成随机数对源数据进行图像变换，得到变换前后的图像对和随机数标签值；S2、将变换前后的图像对压缩为两个一维向量；S3、将两个一维向量作为两个时间序列输入LSTM神经网络提取出图像特征；S4、将图像特征输入全连接的回归网络计算平移量和旋转角度值，并根据预设的损失函数训练深度神经网络；S5、将待配准的图像输入完成训练的深度神经网络，得到图像配准结果。与现有技术相比，本发明具有使得图像配准模型的实用性以及全面性更高、摆脱对原始图像的依赖、提高训练的效率以及模型的准确度等优点。
-
公开(公告)号：CN115204036A
公开(公告)日：2022-10-18
申请号：CN202210680435.X
申请日：2022-06-15
Applicant: 同济大学
Abstract: 本发明涉及一种基于CNN‑LSTM的电离层foF2预测方法，包括以下步骤：获取foF2历史数据和影响参数历史数据；对foF2历史数据进行预处理；建立CNN‑LSTM预测模型，所述CNN‑LSTM预测模型包括CNN网络和LSTM网络，其中，CNN网络输入为影响参数历史数据，经过一层Conv1d、一层Flatten、两层Dense后，输出多维高层抽象特征，所述LSTM网络输入为经过预处理的foF2历史数据和CNN网络输出的多维高层抽象特征，经过两层LSTM、一层Dense后输出foF2预测值；将训练集中的第一时间间隔内经过预处理的foF2历史数据和第二时间间隔内的影响参数历史数据作为CNN‑LSTM预测模型的输入，foF2预测值作为模型的输出，对模型进行训练；采用训练完成后的CNN‑LSTM预测模型对foF2值进行预测。与现有技术相比，本发明具有预测精度高、计算速度快等优点。
-
公开(公告)号：CN115080778A
公开(公告)日：2022-09-20
申请号：CN202210612925.6
申请日：2022-05-31
Applicant: 同济大学
IPC: G06F16/532 , G06V10/764 , G06V10/774
Abstract: 本发明涉及一种基于噪声数据清理的跨模态三维模型检索方法，包括：S1、获取模型数据集并进行预处理；S2、通过深度卷积神经网络对三维模型数据进行分类训练得到第一训练网络，提取得到三维模型特征向量，计算类中心特征向量；S3、通过深度卷积神经网络对草图样本进行回归训练得到第二训练网络，对草图样本进行数据质量评价并清理噪声数据，根据类中心特征向量，通过知识蒸馏方法将草图样本特征迁移到三维模型特征空间进行优化；S4、获取实时草图数据，通过第二训练网络与第一训练网络分别提取特征向量，计算特征向量之间的余弦距离，排序后输出三维模型检索结果。与现有技术相比，本发明具有提高模型训练精度，进而提高模型检索精度等优点。
-
-
-
-
-
-
-
-
-
Search Results
212
records
(took 0.023 seconds)
