一种基于关键特征描述符选取的移动视觉检索方法

    公开(公告)号:CN103914557B

    公开(公告)日:2017-01-25

    申请号:CN201410151518.5

    申请日:2014-04-15

    Abstract: 本发明公开了一种基于关键特征描述符选取的移动视觉检索系统,属于移动视觉检索领域。其特点是利用亲合力传播聚类方法对查询图像的特征描述符进行关键特征描述符的选取,并采用对关键特征描述符传输后进行加权匹配的方法。提出了通过关键特征描述符的选取进而减少数据的传输量,以减少网络传输延时,从而达到改善用户体验的目的。同时,该方法可以有效地排除查询图像的噪声点数据,在减少数据传输量的同时,还能有效提高检索精确度。

    基于模式图嵌入的多智能体高斯混合技能学习方法

    公开(公告)号:CN119990244A

    公开(公告)日:2025-05-13

    申请号:CN202510083023.1

    申请日:2025-01-20

    Abstract: 本发明属于多智能体强化学习和协作控制技术领域,具体涉及一种基于模式图嵌入的多智能体高斯混合技能学习方法,包括高斯混合技能推断、协作模式图嵌入和分散技能选择;通过引入高斯混合技能推断,以离线多任务数据集为基础,学习出能够表示复杂协作行为的技能分布;通过协作模式图嵌入捕捉任务之间实体空间分布的相似性,从而增强技能的泛化能力;通过分散技能选择模块来选择使全局收益最大化的协调技能。本发明方法在多任务环境中显著提高了智能体的协作能力和泛化性能,为多任务协作技能的学习与迁移提供了新的思路。

    一种感知行动回路决策的内在奖励生成方法

    公开(公告)号:CN115587615A

    公开(公告)日:2023-01-10

    申请号:CN202211292921.0

    申请日:2022-10-21

    Abstract: 本发明属于计算机应用技术领域,具体涉及一种感知行动回路决策的内在奖励生成方法。本发明中,首先,搭建状态预测网络,并收集智能体训练过程中的环境状态与智能体动作数据对环境状态变化进行预测建模。其次,在强化学习训练过程中利用已训练的状态预测网络模型预测环境状态变化并生成预测差内在奖励。最后,将生成的预测差内在奖励与外部奖励结合,形成新的奖励以供策略更新网络使用。本发明构建SGBRT网络对环境状态进行预测并生成内在奖励,且利用内在奖励以加快策略更新网络的训练过程并提高训练效果。

    基于超图表征与狄利克雷分布的多组学关联表型预测方法

    公开(公告)号:CN114927162A

    公开(公告)日:2022-08-19

    申请号:CN202210544114.7

    申请日:2022-05-19

    Abstract: 本发明公开一种基于超图表征与狄利克雷分布的多组学关联表型预测方法,包括:组学数据预处理模块实现原始组学数据清洗与特征预筛选功能,以去除可能影响关联挖掘性能的噪声、错误和冗余特征。组学数据超图表征模块完成各组学内的余弦相似度计算,并据此构建超图关联矩阵。特征提取模块搭建超图卷积神经网络进行各个组学数据的特征提取。多组学集成预测模块利用由每个特定超图卷积神经网络生成的初始结果来构建狄利克雷分布参数,并将其作为输入到多组学集成算法以进行最终标签预测。本发明基于多组学数据与相应表型标签挖掘各组学信息的潜在相关性,并且有效地集成每个组学的特征信息,实现精准的组学数据与人体表型的关联预测。

    一种面向运动模糊的场景空间划分方法

    公开(公告)号:CN103745455A

    公开(公告)日:2014-04-23

    申请号:CN201310706548.3

    申请日:2013-12-20

    Abstract: 一种面向运动模糊的场景空间划分方法,包括场景组织和面片细分两部分,(1)场景组织,即面向移动面片的空间层次结构,移动面片在空间层次结构中的处理:基于时间属性的场景划分:(2)面片细分,即基于运动模糊强度的多层次细节表示。本发明MBKD结构相比于以前的方法能够获得更快的渲染时间,这对于实时渲染系统来说是非常重要的。同时,这也是传统KD-tree的重要特征,因为MBKD结构保留了KD-tree的重要层次特征。

    基于超图表征与狄利克雷分布的多组学关联表型预测方法

    公开(公告)号:CN114927162B

    公开(公告)日:2024-06-14

    申请号:CN202210544114.7

    申请日:2022-05-19

    Abstract: 本发明公开一种基于超图表征与狄利克雷分布的多组学关联表型预测方法,包括:组学数据预处理模块实现原始组学数据清洗与特征预筛选功能,以去除可能影响关联挖掘性能的噪声、错误和冗余特征。组学数据超图表征模块完成各组学内的余弦相似度计算,并据此构建超图关联矩阵。特征提取模块搭建超图卷积神经网络进行各个组学数据的特征提取。多组学集成预测模块利用由每个特定超图卷积神经网络生成的初始结果来构建狄利克雷分布参数,并将其作为输入到多组学集成算法以进行最终标签预测。本发明基于多组学数据与相应表型标签挖掘各组学信息的潜在相关性,并且有效地集成每个组学的特征信息,实现精准的组学数据与人体表型的关联预测。

    基于多层级注意力机制的场景图生成方法

    公开(公告)号:CN116912579A

    公开(公告)日:2023-10-20

    申请号:CN202310872315.4

    申请日:2023-07-17

    Abstract: 本发明属于人工智能计算机视觉领域,具体涉及一种基于多层级注意力机制的场景图生成方法。首先使用预训练的目标检测网络获取图像中的对象信息,并从图像信息中获取的动态化层级先验知识,在此基础上通过多层级注意力结构对已有对象及对象对特征进行编码,最终分类得到对象类别及关系类别并获得场景图。本发明构建了一种更清晰的方式来表达物体的层次关系,并有效的利用层级注意力,使得结果的生成更依赖于对其影响更大的子区域,提高了结果的精确度。

    一种基于区块链的工业5G-U物联网资源调度方法

    公开(公告)号:CN114979182B

    公开(公告)日:2023-02-14

    申请号:CN202210283257.7

    申请日:2022-03-22

    Abstract: 本发明属于多维资源调度技术领域,涉及一种基于区块链的工业5G‑U物联网资源调度方法。面向工业5G‑U物联网高度动态的任务需求和不稳定的网络结构,本发明首先设计了基于区块链系统的工业5G‑U物联网架构,以支持物联网终端设备的协同交互以及动态资源调度;其次构建了多维资源交易模型,它通过划分控制接入设备确定资源交易空间,以资源交易的方式终端设备的资源需求,并引入信用账户来建立不同终端归属的管理者间的信任关系;最后设计一种多智能体强化学习驱动的分布式交易学习资源调度算法,利用局部学习和全局迭代的群体智能思想,实现可满足任务需求最佳资源调度方法,进而提升工业5G‑U物联网的设备协同效率。

Patent Agency Ranking