-
公开(公告)号：CN118608816A
公开(公告)日：2024-09-06
申请号：CN202410661309.9
申请日：2024-05-23
Applicant: 河南大学
IPC: G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/09
Abstract: 本发明提供一种基于多尺度注意力和损失惩罚机制的多视图聚类方法。该方法通过多尺度的注意力机制确保多视图之间的通道和空间一致性信息有效融合，并引入损失惩罚机制模块解决正负样本数量不平衡带来的负面影响。具体而言，首先利用自动编码器调整特征图的通道特征和空间位置的重要性，强化对重要特征通道和空间区域的关注。然后通过损失惩罚机制使模型聚焦于难分类样本，对于难分类的样本进行惩罚损失。最后，将得到的融合特征输入至数据聚类模块，对数据样本进行簇的划分。随着视图数量的增加，本发明方法可以明显减弱互斥视图之间的消极影响，能够随着视图数量的增加达到更优的效果。
-
公开(公告)号：CN116934796B
公开(公告)日：2024-08-06
申请号：CN202310894398.7
申请日：2023-07-20
Applicant: 河南大学
IPC: G06T7/223 , G06T7/246 , G06V10/82 , G06N3/045 , G06V10/80 , G06V10/766 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明属于视觉跟踪技术领域，公开一种基于孪生残差注意力聚合网络的视觉目标跟踪方法，包括：提出了一种孪生残差注意力聚合网络框架SiamRAAN，实现了自适应特征隐式更新；首先，SiamRAAN将Self‑RAAN加入骨干网络中，利用残差自注意力提取出目标有效特征；然后，通过加入Cross‑RAAN，使目标模板和搜索图像提取特征时重点关注关联性高的部分，同时实现了模板特征的在线更新；最后，加入了多级特征融合模块，对RAAN增强的特征信息进行融合，提升了网络对于重点特征的感知能力，提高了视觉目标跟踪的准确性。
-
公开(公告)号：CN113609284B
公开(公告)日：2024-08-06
申请号：CN202110882867.4
申请日：2021-08-02
Applicant: 河南大学
IPC: G06F16/34 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明属于文本数据处理技术领域，具体涉及一种融合多元语义的文本摘要自动生成方法及装置，该方法包括：首先在源文本输入到编码器之前融合多元语义特征，使源文本包含更多的语义信息；然后将融合多元语义特征后的源文本输入到编码器中的双向长短期记忆网络中，并得到融入多元语义特征的文本中各个词向量对应的隐藏层状态；其次，解码器采用单向长短期记忆网络结合改进的注意力机制、通过上下文向量以及当前时刻的解码器隐藏层状态来预测下一时刻生成的词向量；最后利用损失函数对该模型进行训练，通过训练后的模型将文本自动生成摘要。本发明在源文本输入到编码器之前融入多元语义特征，充分挖掘源文本深层次的隐藏特征，提高生成摘要的质量。
-
公开(公告)号：CN116612378B
公开(公告)日：2024-07-05
申请号：CN202310578589.2
申请日：2023-05-22
Applicant: 河南大学
Abstract: 本发明公开一种基于SSD改进的不平衡数据及复杂背景下水下小目标检测方法，包括：对SSD的网络进行改进：使用VGG16作为前端骨干网络，将第Conv3_3处的输出作为第一层特征层，在Conv3_3之后嵌入多维像素注意力网络；在多维像素注意力网络之后使用膨胀率为r且具有ReLU激活的空洞卷积，依次生成剩余需要预测的多个特征层；将生成的多个特征层对应的特征图输入联合加权知识蒸馏与多尺度特征蒸馏模块；调整原始不平衡的水下图像数据集中待检测图片大小并输入至改进后SSD的网络；基于改进后SSD的网络对水下小目标进行检测。本发明大大提高了稀有类别的检测能力，减小了由于样本分布不平衡对模型检测能力的影响。
-
公开(公告)号：CN114519694B
公开(公告)日：2024-06-18
申请号：CN202111631707.9
申请日：2021-12-28
Applicant: 河南大学
Abstract: 本发明公开了一种基于深度学习的七段数码管液晶显示屏识别方法及系统，该方法步骤如下：(1)识别图像的预处理操作：对输入图像进行归一化、灰度化、高斯滤波、自适应阈值分割、图像去噪等一系列操作；(2)液晶显示屏中七段数码管定位操作：使用YOLOv3对液晶显示屏中的数码管进行区域定位；(3)图像增强操作：对图像进行腐蚀、膨胀操作，以减少图像中的干扰区域，以及使前后背景更加分离，消除数码管之间的空洞；(4)图像识别操作：对处理出来的感兴趣区域进行数字字符分割操作，使每一个数字单独分割为一张图片，然后使用穿线法进行识别。本发明可以更加精确的读取七段数码管液晶显示屏中的相关内容。
-
Patent Agency Ranking
公开(公告)号：CN114677234B
公开(公告)日：2024-04-30
申请号：CN202210445519.5
申请日：2022-04-26
Applicant: 河南大学
IPC: G06Q50/00 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明提出一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统，通过以下工作，提升社交推荐的效果：一、学习节点特征和拓扑结构节点嵌入的同时，学习两者组合的节点嵌入，得到了它们的共同特性，缓解了对单一特征的过分依赖的问题。二、通过学习拓扑结构的散射嵌入，实现了不同信号的带通过滤，减轻了过平滑现象。三、结合注意力机制，对相关信息进行融合。实验结果表明，与其他算法相比，本发明提出的方法及系统在多个社交网络数据集上性能得以提升，本发明也为后续的研究提供了新的思路。
-
公开(公告)号：CN117459570A
公开(公告)日：2024-01-26
申请号：CN202311209568.X
申请日：2023-09-19
Applicant: 河南大学
IPC: H04L67/2869 , H04L67/565 , H04L67/1097 , G06N20/00
Abstract: 本发明公开一种联邦学习中基于强化学习的客户端选择和自适应模型聚合方法及系统，该方法包括：初始阶段，所有参与联邦学习的客户端各自进行本地的探测训练，以获取所有客户端的信息，并上传至服务器；在服务器端，通过客户端选择算法选定固定数量的客户端集合学习的训练；St接收全局模型θt后，将其作为本地模型进行本St参与联邦地训练；经过本地训练后，St将其训练过程中得到的数据上传至服务器端型θ进行聚合；，在服务器端生成全局模型，采用自θt+1；重复执行适应聚合算法将，直至联邦学习任务St的本地模达到预定的训练完成条件。本发明进一步提升了联邦学习的性能，并解决实际场景中客户端异构性和数据分布不均的挑战。
-
公开(公告)号：CN117093369A
公开(公告)日：2023-11-21
申请号：CN202311075682.8
申请日：2023-08-25
Applicant: 河南大学
Abstract: 本发明属于及分布式并行计算框架Spark内存优化技术领域，公开一种基于RDD重用度的Spark缓存优化方法和系统，该方法包括：对Spark作业的有向无环图进行分析，根据影响执行效率的因素构建RDD重用度模型；所述影响执行效率的因素包括RDD的引用数量、使用频率、最长血缘、分区数量和依赖恢复比；对影响执行效率的相关因素进行量化；根据RDD重用度模型对作业中每个RDD的重用度进行计算，并将重用度最大的RDD进行缓存；每个任务结束后，检测内存使用情况，若发生内存瓶颈，则对低使用频率和低引用数量的RDD进行清理。本发明有效提高了内存的利用率，降低了Spark的执行时间。
-
公开(公告)号：CN116934796A
公开(公告)日：2023-10-24
申请号：CN202310894398.7
申请日：2023-07-20
Applicant: 河南大学
IPC: G06T7/223 , G06T7/246 , G06V10/82 , G06N3/045 , G06V10/80 , G06V10/766 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明属于视觉跟踪技术领域，公开一种基于孪生残差注意力聚合网络的视觉目标跟踪方法，包括：提出了一种孪生残差注意力聚合网络框架SiamRAAN，实现了自适应特征隐式更新；首先，SiamRAAN将Self‑RAAN加入骨干网络中，利用残差自注意力提取出目标有效特征；然后，通过加入Cross‑RAAN，使目标模板和搜索图像提取特征时重点关注关联性高的部分，同时实现了模板特征的在线更新；最后，加入了多级特征融合模块，对RAAN增强的特征信息进行融合，提升了网络对于重点特征的感知能力，提高了视觉目标跟踪的准确性。
-
公开(公告)号：CN116737320A
公开(公告)日：2023-09-12
申请号：CN202310784865.0
申请日：2023-06-29
Applicant: 河南大学
Abstract: 本发明公开一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略，包括：构造一个分层的模型；其中第一层为目标层，用于选择最合适的主机来承载被迁移的虚拟机；第二层为决策层，有三个决策标准：主机的功耗增加、主机的资源分配平衡率和主机的可用资源；第三层为被迁移的虚拟机；在构造的分层模型的基础上构造判断矩阵；所述判断矩阵为由上述三个决策标准组成的3×3矩阵；基于判断矩阵计算标准权重向量，并设置标准矩阵；基于标准权重向量和判断矩阵进行一致性检验，若一致性检验通过则基于标准权重向量和标准矩阵计算主机得分，并将虚拟机迁移至得分最高的主机。本发明在降低能耗的同时也降低了SLAV，保证了数据中心服务质量。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.023 seconds)
