-
公开(公告)号：CN107562717B
公开(公告)日：2021-08-03
申请号：CN201710605900.2
申请日：2017-07-24
Applicant: 南京邮电大学
IPC: G06F40/30 , G06F40/284 , G06K9/62
Abstract: 本发明公开了一种基于Word2Vec与词共现相结合的文本关键词抽取方法，采用ICTCLAS分词系统对文本进行分词和词性标注得到词汇集合；然后对词汇集合进行预处理，将不合理的词汇组合过滤，得到初步候选集；将初步候选集放置到训练好的Word2Vec模型中得到词向量表，计算词向量表中词向量间的距离，对初步候选集进行kmeans聚类得到关键词的二次候选集，根据词向量距离得到二次候选集在初步候选集中的词共现率；不同词汇长度赋予不同的权值，根据词共现率、词汇长度得到相应的权重，根据权重排序，排名靠前的m个即为最终的关键词。本发明采用Word2Vec生成的词向量进行聚类，再结合词共现等基本特征提取文本关键词，提取的关键词更准确，可以适应不同文本的关键词抽取。
-
公开(公告)号：CN110059598B
公开(公告)日：2021-07-09
申请号：CN201910274983.0
申请日：2019-04-08
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于姿态关节点的长时程快慢网络融合的行为识别方法，包括如下步骤：利用图卷积网络自动捕捉空间和时序内关节点结构特征和轨迹特征的模式；通过特征拼接网络模型生成每个视频片段的整体时空特征，并按片段顺序串接形成视频的整体时空特征，然后在卷积网络的高层融合输入视频中提取的RGB特征和姿态关节点特征；将两种特征通过支持向量机分类器，经过加权融合的方式输出该视频行为的分类结果。本发明通过提取姿态关节点特征，大大减少了数据量，去除了冗余信息。同时提取长时程多帧图像序列中的时空特征来进行特征补偿，提高了视频复杂行为的识别率和鲁棒性。
-
公开(公告)号：CN112992131A
公开(公告)日：2021-06-18
申请号：CN202110155034.8
申请日：2021-02-04
Applicant: 南京邮电大学
IPC: G10L15/20 , G10L15/22 , G10L15/26 , G10L21/0208 , G10L21/0272 , G10L17/00 , G10L17/22
Abstract: 本发明公开了一种在复杂场景下提取目标人声的乒乓球指令的方法，建立一个语音分离的系统，该系统包括三个部分，一是语音降噪，二是语音分离，三是声纹识别。对一个由多重噪声干扰的声音，首先经过语音降噪的处理，将环境噪声给去除。下一阶段的目标就是将目标语音和其他不同人说话的声音分离开。我们将语音传入到语音分离的系统当中进行处理，在语音分离的系统中会对语音进行分离，输出的是分离之后的各个不同人说话的语音。最后一步就是识别出分离出来的语音哪个是我们所需要的，我们采用声纹识别的方式，来获取我们所需要的语音。在此之前我们已经记录了用户的声纹，我们一一进行对比，就可以获得相对纯净的，没有干扰的目标语音。
-
公开(公告)号：CN112857379A
公开(公告)日：2021-05-28
申请号：CN202110086610.8
申请日：2021-01-22
Applicant: 南京邮电大学
IPC: G01C21/32
Abstract: 本发明公开了定位与地图构建技术领域的一种基于改进的Gmapping‑SLAM地图更新方法及系统，可以根据环境特点自适应调整粒子数目，在复杂环境中增加粒子数，从而保证构建地图的精准度；而在简单环境下减少粒子数，以此保证运行速度，优化资源利用率。包括：采集机器人周边的环境信息，对机器人及其周边的物体进行定位；以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
-
公开(公告)号：CN110433467B
公开(公告)日：2021-02-12
申请号：CN201910744905.2
申请日：2019-08-13
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双目视觉和蚁群算法的捡乒乓球机器人运行方法及设备，方法包括：获取双目摄像机拍摄的RGB图像，从RGB图像中检测出乒乓球并获得各乒乓球的坐标位置；获取双目摄像机的深度数据，得到各乒乓球距离摄像机的距离；计算得到在全局坐标系下乒乓球的坐标点集；对坐标点集使用蚁群算法进行最短遍历路径规划，得到初步的捡球路径；从初步的捡球路径去除多次经过的乒乓球，得到没有冗余路线的路径。本发明使用双目摄像机同时实现了乒乓球的检测和定位，方便高效，同时保证了精度，使得捡球过程更加智能化；对蚁群算法规划出的路径进行冗余路线优化，进一步减少了机器人的行走路径，节约了时间。
-
Patent Agency Ranking
公开(公告)号：CN111860116A
公开(公告)日：2020-10-30
申请号：CN202010493237.3
申请日：2020-06-03
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于深度学习和特权信息的场景识别方法，属于图像处理技术领域。其具体步骤包括(1.1)：从场景识别库中选取多个主要场景的RGB图像和深度图像，并将其与RGB图像进行配对；(1.2)：构建结合特权信息和注意力机制的端到端可训练的深度神经网络模型；(1.3)：对深度神经网络模型进行训练，训练时使用权重重分配的方式避免数据不均衡；(1.4)：得到该图像的场景分类结果。本发明以图像编码到特征解码再到图像编码为架构，建立了由RGB图像到深度图像再到深度图像高层语义特征的映射关系。有效解决了深度模态缺失的现状，在只使用RGB图像的情况下，达到了多模态图像融合的效果。
-
公开(公告)号：CN108022258B
公开(公告)日：2020-07-03
申请号：CN201710986013.4
申请日：2017-10-20
Applicant: 南京邮电大学
Abstract: 本发明公开了基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法，该方法包括首先读取视频流，然后调用单次多框检测器(Single Shot MultiBox Detector,SSD)模型对视频帧进行检测，之后采用卡尔曼滤波算法对检测结果进行单步预测(跟踪)，通过欧氏距离与HSV颜色直方图相似性联合判定检测框和跟踪框是否配对，并且对配对结果进行相应的更新，删除不满足新式的双判定条件的跟踪，最终完成多目标的实时跟踪。本发明可以在各种复杂场景和不同天气下较好地实现对多目标的实时稳定跟踪。
-
公开(公告)号：CN110489527A
公开(公告)日：2019-11-22
申请号：CN201910744377.0
申请日：2019-08-13
Applicant: 南京邮电大学
IPC: G06F16/33 , G06F16/332 , G06F16/36 , G06Q40/02 , G10L13/04 , G10L15/10 , G10L15/22 , G10L15/26 , H04L29/08
Abstract: 本发明公开了一种基于语音交互的银行业务智能咨询以及办理方法和系统，方法包括以下过程：收集用户的语音信息；根据语音信息从QA语料库中查找到相匹配的问题，根据问题查找得到QA语料库中与此问题对应的答案；将答案进行语音合成反馈给用户。本系统中，银行数据管理人员可通过数据管理软件查看并管理相关数据，包括记录访客信息，对问题进行分类，查看实时监控，定期更新数据等；本发明能够快速吸收和利用知识，为用户反馈最满意并且最符合人类交流习惯的答案，并且能够有效减轻银行业务受理人员的工作负担，为用户提供全方位的智能化体验。
-
公开(公告)号：CN106875417B
公开(公告)日：2019-10-08
申请号：CN201710015550.4
申请日：2017-01-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于高阶图跨时域关联的多目标跟踪方法，首先根据多目标检测方法得到视频中各帧的检测结果；然后由这些检测响应和构建高阶边的限制函数F(vi,vj)来构建一个跨时域的普通高阶图；之后为了快速提取普通高阶图中包含的各个时域下的局部轨迹段集合，使用RANSAC‑style的优化方法将普通高阶图先转化成随机一致性高阶图，再进一步转化成普通的二阶图，最后对普通二阶图进行子图搜索，再将各个子图中多个轨迹段按照时域的先后顺序连接起来，形成目标长轨迹，从而使复杂场景中的多目标跟踪具有很好的鲁棒性。本发明充分利用复杂场景中多目标的运动信息和表象信息进行跨时域关联，解决了邻近目标表观相似时出现身份交换或者局部关联错误造成的跟踪失败问题。
-
公开(公告)号：CN109886251A
公开(公告)日：2019-06-14
申请号：CN201910179621.3
申请日：2019-03-11
Applicant: 南京邮电大学
IPC: G06K9/00 , G06F16/583 , G06F16/53
Abstract: 一种基于姿势引导对抗学习的端到端的行人再识别方法，具体包括以下步骤：步骤1，使用行人再识别数据集来训练图像编码器；步骤2，固定训练完成的图像编码器的参数部分，生成器根据编码器提取的输入图像的特征和目标姿势图来生成具有与输入图像相同身份且具有目标姿势的行人图像；步骤3，将身份判别器和姿势判别器整合到网络中，用身份判别器和姿势判别器来训练生成器以规范图像生成的过程；步骤4，端到端地优化整个网络模型；步骤5，提取待查询图像的特征，计算待查询图像与测试图像的特征向量之间的余弦距离来进行排名，从而得到待查询图像的识别结果。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.032 seconds)
