-
公开(公告)号：CN113610707A
公开(公告)日：2021-11-05
申请号：CN202110838280.3
申请日：2021-07-23
Applicant: 广东工业大学
Abstract: 本发明提出一种基于时间注意力与循环反馈网络的视频超分辨率方法，将与目标帧距离不同的相邻帧所提供的视觉信息对超分重建效果的贡献度不同的特点、人类视觉系统的反馈机制、以及人类学习新知识过程中的循环反馈指导特性运用到视频超分辨率技术中，采用时间注意力模块学习视频序列在时间轴上的注意力图，能有效区分不同时间度的相邻帧对最后重建效果贡献；将视频序列进行重新排列后由循环反馈模块进行循环反馈超分，最终得到超分辨率网络模型，该模型具有着重学习对超分重建贡献度大的信息的特性以及强大的高层特征学习能力，从而提高了视频超分辨率效果。
-
公开(公告)号：CN109117774B
公开(公告)日：2021-09-28
申请号：CN201810866990.5
申请日：2018-08-01
Applicant: 广东工业大学
Abstract: 本发明涉及计算机视觉技术领域，尤其是一种基于稀疏编码的多视角视频异常检测方法，包括以下步骤：对帧图像进行多视角特征提取；对不同视角的特征进行稀疏编码，得到各个视角下的特征的稀疏表示；依据稀疏表示信息获得一个帧图像下的一致性表示矩阵并给相邻两帧之间的一致性表示矩阵赋予相应的权重值后得到字典A，然后利用字典A对异常事件的视频数据进行测试得到稀疏表示系数的重建误差，从而得到标准化的多视角视频异常检测模型。本发明通过提取视频帧图像多视角特征，建立多视角视频异常检测模型，整合视频多个视角下的特征信息来进行异常检测，并利用视频相邻两帧之间的时间想干性，减少了局部信息的损失，提高了异常检测准确度。
-
公开(公告)号：CN109271488B
公开(公告)日：2021-08-27
申请号：CN201811166418.4
申请日：2018-10-08
Applicant: 广东工业大学
IPC: G06F16/33 , G06F16/955
Abstract: 本发明提供了一种结合行为序列和文本信息的社交网络用户间因果关系发现方法及系统，包括：S1)、数据获取；S2)、以最小的时间单位对数据进行等间距预处理；S3)、利用时序行为数据，优化目标函数以找到最优间隔；S4)用合并时刻拼接文本的方式重新构造文本数据，文本向量化表示；S5)对两两用户的文本向量序列进行传递熵计算；S6)、剪枝得到用户因果关系网络；S7)、用户因果网络存储与导出；S8)用户因果关系查询及可视化。本发明解决了用户活动稀疏给传递熵计算带来的问题；用文本数据推断社交网络的用户因果关系，信息量比纯粹的行为数据更丰富；提供了一个交互式的用户因果关系推断、查询和导出系统。
-
公开(公告)号：CN112241478A
公开(公告)日：2021-01-19
申请号：CN202011258545.4
申请日：2020-11-12
Applicant: 广东工业大学
IPC: G06F16/904 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于图神经网络的可视化降维方法，涉及深度学习、大规模数据处理的技术领域，解决了现有降维技术中，模型无法进行大规模数据训练、非参数式可视化降维模型无法处理未知数据点的可视化以及参数式可视化降维模型的可视化结果差的问题，对获取后的高维数据集进行划分和预处理后，构建异构图，建立GNN图神经网络模型，并确认损失函数，然后训练，训练完成后进行测试，损失函数面向高维大规模数据进行可视化降维，采用子图负采样的思想进行了创新训练，减少了模型的训练成本，且能把数据的维度降低，但保持住相当一部分的高维数据信息，使得后续的数据分析与处理变得更有意义且容易。
-
公开(公告)号：CN107392242B
公开(公告)日：2020-06-19
申请号：CN201710584948.X
申请日：2017-07-18
Applicant: 广东工业大学
Abstract: 本发明涉及一种基于同态神经网络的跨领域图片分类方法，首先构建一个由同态子网络g和预测子网络f串联而成的神经网络架构，然后把跨领域图片的底层特征输入到同态子网络g中，通过同态子网络g提取出跨领域图片的同态特征，最后把跨领域图片的同态特征输入到预测子网络f中，通过预测子网络f预测图片的类别，本发明通过将跨领域图片的底层特征空间映射到同态特征空间中，充分利用了跨领域图片的同态不变性，减少了跨领域图片中有关领域信息的干扰，有效提高对跨领域图片的分类能力，另外，本方法最大限度地把从多源域图片学习到的知识迁移到多目标域图片上，保证了跨领域图片分类的鲁棒性，该分类方法不需要图片的先验领域知识，也不要求图片依领域划分。
-
Patent Agency Ranking
公开(公告)号：CN107169426B
公开(公告)日：2020-03-31
申请号：CN201710284869.7
申请日：2017-04-27
Applicant: 广东工业大学
Abstract: 本发明涉及一种基于深度神经网络的人群情绪异常检测和定位方法，通过监控设备获取视频数据，并对其进行视频关键帧数据提取，并从视频关键帧数据获取每一帧的人脸图像数据，并进行对齐、分组、排序预处理，然后输入到训练好的基于卷积神经网络的人脸情绪识别模型中，并通过训练好的人群情绪检测和定位模型，获取监测视频数据中人群情绪异常检测和定位结果并反馈给监控设备工作人员，本发明设计合理，通过模型能够得到人群情绪异常与人群异常之间的关系，避免了人群异常与具体异常事件相关联而导致的检测局限性问题，另外，模型采用了混合的深度神经网络结构模型，从而进一步提高了视频人群情绪异常检测和定位的效率。
-
公开(公告)号：CN110609849A
公开(公告)日：2019-12-24
申请号：CN201910796688.1
申请日：2019-08-27
Applicant: 广东工业大学
IPC: G06F16/242 , G06F8/41 , G06N3/04 , G06N3/08
Abstract: 本发明涉及自然语言领域，更具体地，涉及一种基于SQL语法树节点类型的自然语言生成方法。本发明不需要大量的人工操作以及不要求自然语言必须支持多样的句式。与基于序列至序列学习的自然语言生成方法对比，本发明能够获取SQL语言的文本信息，并结合SQL语法树的树状结构化数据以及树状长短期记忆网络使用，更加充分地获取SQL语句的语法结构信息，具有实际的应用意义，避免了人工去查阅开发文档和网上资料的不足，大大降低了时间成本以及人力成本，提高了工作效率。
-
公开(公告)号：CN110473592A
公开(公告)日：2019-11-19
申请号：CN201910701944.4
申请日：2019-07-31
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于图卷积网络的有监督多视角人类协同致死基因预测方法，包括以下步骤：以协同致死因数据集作为主视角，以u个基因本源相似度矩阵作为支撑视角；将协同致死基因对数据集划分训练集和测试集；将训练集转化为邻接矩阵Amian，将每个相似度矩阵进行k-最近邻筛选，保留相似度最高的k条边，得到邻接矩阵Au；令X,Y＝Amian；根据Amian和Au得到对应视角下的图卷积拉普拉斯矩阵 构建包括图卷积网络编码层、基因关系解码层，基于注意力机制的多视角聚合层的预测模型；将输入预测模型，得到总的损失值；根据总的损失值计算梯度，利用梯度反向传播算法更新预测模型参数，直到预测模型收敛；将预测模型输出的预测分值输入激活函数，得到预测矩阵。
-
公开(公告)号：CN106022244B
公开(公告)日：2019-09-17
申请号：CN201610322129.3
申请日：2016-05-16
Applicant: 广东工业大学
IPC: G06K9/00
Abstract: 本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。
-
公开(公告)号：CN109801348A
公开(公告)日：2019-05-24
申请号：CN201910036395.3
申请日：2019-01-15
Applicant: 广东工业大学
Abstract: 本发明提供一种适用于三维流体模拟的三阶高精度对流插值算法。基于约束插值剖面法(CIP)，在使用半拉格朗日法求解三维流体运动控制方程中对流项时，针对回退点处物理量的计算发明了一种高精度插值方法，提升了对流精度。此外，为减少内存消耗，只存储物理场的值及其一阶导数作为计算变量，高阶导数则在保证计算精度不受损的前提下基于推导的泰勒展开式近似计算。本发明能够在时间和内存消耗较少的前提下保持三阶高精度，且具有紧模板特性。对比现有方法，该方法在视觉质量、速度、内存消耗等方面都有明显的改进，能够有效提升流体模拟的对流精度和速度。
-
-
-
-
-
-
-
-
-
Search Results
196
records
(took 0.03 seconds)
