-
公开(公告)号：CN115936997A
公开(公告)日：2023-04-07
申请号：CN202310011043.9
申请日：2023-01-05
Applicant: 南京邮电大学
IPC: G06T3/40 , G06V10/774 , G06V10/80 , G06V10/764 , G06F30/27 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明属于视觉信号的超分辨率重建技术领域，公开了一种面向跨模态通信的图像超分辨率重建方法，首先在发送端仅传输低分辨率视觉信号和相应的触觉信号，而后通过模态内鉴别性和模态间相关性的学习弥补不同模态间存在的语义鸿沟，通过信道传输后，在接收端通过有效的特征融合方式实现互补性的学习，最后利用得到的融合特征去生成所需的高分辨率视觉信号。本发明很好地解决了在多模态服务中存在的因带宽受限和多模态信号间的竞争导致的视觉质量下降，最终影响用户体验的问题，实现了跨模态信号一致性、互补性的学习，保证了在有限带宽下，接收端高分辨率视觉信号的获取，提升用户的沉浸式体验。
-
公开(公告)号：CN115796232A
公开(公告)日：2023-03-14
申请号：CN202211563660.1
申请日：2022-12-07
Applicant: 南京邮电大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/044 , G06N3/08 , G06T7/10 , G06T7/00
Abstract: 本发明公开了一种用于淋巴瘤PET图像3D分割任务的神经网络模型，该神经网络模型基于一个五层的“U”型编码器‑解码器结构，每一层的编码器部分都融合了循环残差卷积模块以加深卷积深度、增强特征提取能力，并在特征融合前使用多尺度卷积模块对编码器输出的特征图像进行特征增强。层与层之间通过最大池化层和上采样层进行连接，最大池化层可以压缩特征、简化网络，而上采样层可以保留高级抽象特征的同时提高图像分辨率，然后再与多尺度卷积模块增强过的低级表层特征高分辨率图像进行特征融合。
-
公开(公告)号：CN115497157A
公开(公告)日：2022-12-20
申请号：CN202211024933.5
申请日：2022-08-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于跨模态信号重建技术的针灸教学系统，包含：数据采集模块，动作捕捉模块，语义提取模块，触觉重建模块并作为生成对抗网络的生成网络部分；触觉判别模块，并作为生成对抗网络的判别网络部分，在判别网络中构建精准重建的触觉信号的优化目标函数。跨模态信号重建模块，用于将针灸过程视频输入精准重建的触觉信号的优化目标函数，其对应的已知的精准重建的触觉信号为输出。该教学系统同时基于教师针灸数据库中参数波形，获得学习者针灸学习的评分。本发明解决了言传身教中教学周期长、优质资源短缺的弊端，同时跨模态信号重建技术为学生提供了视触一体的沉浸感体验，有助于缩短学习周期、提升学习质量。
-
公开(公告)号：CN108881051B
公开(公告)日：2022-05-10
申请号：CN201810578788.2
申请日：2018-06-07
Applicant: 南京邮电大学
IPC: H04L47/125 , H04L47/6275 , H04L47/625 , H04L67/104 , H04L65/61
Abstract: 本发明公开了一种P2P流媒体点播系统中基于请求队列的节点负载均衡方法，该方法实现了P2P流媒体系统中各节点间高效的负载均衡。首先，通过请求的紧迫性、稀缺性以及平滑播放阈值，综合定义了请求的优先级，按照优先级由高到低排序，把不能及时处理的请求转移到其他的节点。最后，综合邻居节点的上行带宽，以及计算得到的稳定性和负载度，设计了节点利用函数，对转移的请求选择合适的目标节点进行处理，提出了基于请求队列的节点负载均衡策略。实施结果表明，本发明所设计的方法可以有效地解决P2P流媒体点播系统中的节点负载不均衡的问题，优化了P2P网络中的资源配置，有利于提升用户对于流媒体点播的体验。
-
公开(公告)号：CN109120961B
公开(公告)日：2020-11-03
申请号：CN201810803152.3
申请日：2018-07-20
Applicant: 南京邮电大学
IPC: H04N21/258 , H04N21/466 , H04N17/00 , G06N3/00 , G06N3/04 , G06N3/08 , H04L12/24
Abstract: 本发明提出了一种基于PNN‑PSO算法的IPTV不平衡数据集的用户体验质量(QoE)的预测方法。该方法包括如下步骤：首先从IPTV的机顶盒记录中提取与用户的体验质量有关联的影响因素，得到PNN‑PSO模型的特征输入，并进行相关概念的定义及数据的提取和预处理；接着分析各个特征与用户体验质量(QoE)的关联；而后基于PNN‑PSO神经网络建立用户体验质量(QoE)预测模型，利用IPTV数据集来实现用户体验质量(QoE)的预测。采用该方法，克服了PNN算法中存在的局部极小问题以及数据不均衡所带来的问题，学习收敛过程更快，预测更加精确、高效；充分利用了IPTV机顶盒的数据集，能够帮助IPTV运营商及时地做出调整措施，以提高用户体验质量。
-
Patent Agency Ranking
公开(公告)号：CN107087160A
公开(公告)日：2017-08-22
申请号：CN201710291022.1
申请日：2017-04-28
Applicant: 南京邮电大学
IPC: H04N17/00
CPC classification number: H04N17/004
Abstract: 本发明公开了一种基于BP‑Adaboost神经网络的用户体验质量的预测方法，该方法用于解决现有IPTV视频业务中对于用户体验质量的预测准确性不高的缺陷，本发明的实施流程包括：首先从IPTV机顶盒采集到的数据中抽取KPI数据，并提取特征，特别设计了用户观看率作为其中的重要特征，而后基于Adaboost框架，并将BP神经网络嵌入其中，作为弱分类器，完成BP‑Adaboost神经网络模型的训练，而后对未知用户体验质量的KPI数据进行预测。采用本发明的方法，能够有助于从用户主观感受出发，更好地预测用户体验质量，并且所设计的新型的模型训练和预测方法可以更加准确、高效地预测用户体验质量。
-
公开(公告)号：CN104183239B
公开(公告)日：2017-04-19
申请号：CN201410361706.0
申请日：2014-07-25
Applicant: 南京邮电大学
Abstract: 本发明公开了基于加权贝叶斯混合模型的与文本无关的说话人识别方法，该方法首先对用于训练的语音信号集合进行预处理和特征提取，接着在训练过程中采用加权贝叶斯混合模型来描述训练集合，通过训练分别估计出加权贝叶斯混合模型中的参数值以及随机变量分布，从而得到与每一说话人相对应的加权贝叶斯混合模型；在识别时，将经过预处理和特征提取的带识别的语音，计算其关于训练好的每一说话人相对应的加权贝叶斯混合模型的边缘似然值，将最大边缘似然值对应的说话人作为识别结果。本发明能有效地提高与文本相关说话人识别系统的识别正确率，避免传统方法中容易出现的过拟合和欠拟合问题，并且使得先验信息和训练数据的相对权重更容易和灵活地控制。
-
公开(公告)号：CN106534976A
公开(公告)日：2017-03-22
申请号：CN201610890494.4
申请日：2016-10-12
Applicant: 南京邮电大学
IPC: H04N21/442 , H04N21/45 , H04N21/466 , H04N21/61
Abstract: 本发明提出了IPTV视频业务中用户满意度的智能化预测方法，用于解决现有用户满意度预测方法中需要通过主观打分来度量用户满意度以及用户满意度与其影响因素之间内在关联性建模不够准确合理等缺陷。本发明的实施流程为：首先确定影响用户满意度的因素，而后用用户使用业务时长来客观度量用户满意度，接着通过训练建立CART树模型，并用其将待预测数据划分到相关区域，在该区域内用KNN搜索，并最终用距离加权平均值作为预测结果。采用本发明的方法，可以有效地降低预测过程中的运算量，并且使得预测精度得到较大的提升。
-
公开(公告)号：CN105809793A
公开(公告)日：2016-07-27
申请号：CN201610143634.1
申请日：2016-03-14
Applicant: 南京邮电大学
CPC classification number: G07C9/00071 , G07C9/00563 , H04W4/02 , H04W4/80
Abstract: 本发明公开了一种基于iBeacon技术实现的车辆解锁方法，该方法解决了针对汽车驾驶人在忘记携带钥匙的情况下无法打开车门或者在钥匙被盗的情况下，窃贼可以轻易发动车辆的问题。该方法包括离线信号收集，建立区域的信号强度空间生成指纹库，设置原始轨迹，绘制轨迹图，并存入数据库；随之进行在线位置定位，包括精确点判断、匹配定位和惯性点的判断与选择；最后，根据定位信息生成解锁过程的轨迹向量，绘制轨迹图，并与预先设置的轨迹图比较，如果图形一致，则解锁成功；反之，解锁失败。该方法实现了车辆的智能解锁，提高了汽车使用的安全性。
-
公开(公告)号：CN104994170A
公开(公告)日：2015-10-21
申请号：CN201510414218.6
申请日：2015-07-15
Applicant: 南京邮电大学
Abstract: 本发明公开了传感器网络中基于混合因子分析模型的分布式聚类方法，该方法用混合因子分析模型来建模传感器网络中各节点处待聚类的数据，各节点基于自身数据计算局部充分统计量，而后将该量扩散广播给其邻居节点，当节点收到所有来自邻居节点的局部充分统计量之后，其可以获得联合充分统计量，并基于该统计量估计出混合因子分析模型中的各个参数，最终基于估计出的模型完成聚类。本发明建立混合因子分析模型可以在聚类的同时完成数据的降维，采用分布式聚类方式，避免传统的集中式处理方式中由中心节点带来的网络崩溃。在本发明分布式聚类方法中，各节点间传输的是充分统计量而不是数据，既大大节省了通信开销，又可以较好地保护数据中的隐私信息。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.029 seconds)
