-
公开(公告)号：CN114638836B
公开(公告)日：2024-04-30
申请号：CN202210148745.7
申请日：2022-02-18
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于高度有效驱动与多层级特征融合的城市街景分割方法，结合城市街景图像的位置先验性，在改进的网络中加入HEAM，从而加强网络在不同高度位置上对相应目标的特征提取能力。将HEAM嵌入特征提取网络与ASPP结构中，使网络在做深层卷积和通过ASPP做多层空洞卷积时，提升对深层特征和多尺度特征的提取能力。HEAM提取代表相应目标水平部分的高度上下文信息，从高度上下文信息中预测目标水平部分的特征或类别。网络中的浅层特征分辨率高、包含更多位置和细节信息，而深层特征分辨率低、对细节感知差，但拥有更强的语义信息。所以，经常通过融合浅层特征和深层特征，使特征具有更完整的信息表达来提高分割精度。
-
公开(公告)号：CN117809206A
公开(公告)日：2024-04-02
申请号：CN202311707753.1
申请日：2023-12-11
Applicant: 湖北工业大学
IPC: G06V20/17 , G06V20/10 , G06V10/774 , G06V10/40
Abstract: 本发明属于输电线路检测技术领域，具体提供了轻量级高压输电线路检测网络、构建与检测方法及系统。方法包括：步骤1，数据获取；步骤2，交错部分卷积IPConv的设计；首先，将特征通道G等比例划分为4组；然后，选定第一组和第三组特征通道进行常规卷积操作，剩余部分不做处理，直接与前面经过常规卷积操作后的部分通道按顺序进行拼接；步骤3，使用层数为1和2的IPConv分别构建高效聚合模块IP1‑ELAN与IP2‑ELAN；将IP1‑ELAN作为骨干网络的基本块，IP2‑ELAN作为头颈网络中的基本块，并在紧邻检测层的前一层中使用IPConv，得到初步构建的检测网络；步骤4，对步骤3构建的检测网络进行训练。
-
公开(公告)号：CN117686935A
公开(公告)日：2024-03-12
申请号：CN202410123299.3
申请日：2024-01-30
Applicant: 湖北工业大学
IPC: G01R31/392 , G01R31/385 , G01R31/378 , G01R31/367 , G01R31/396 , G01R19/00
Abstract: 本发明提供了一种基于电压概率密度的电池RUL预测方法，包括：以多条电压概率密度曲线a的峰值对应电压的正负0.05V范围作为特征电压区间，计算不同循环周期下且在特征电压区间内的电压概率密度分布，并绘制电压概率密度曲线b；提取不同循环周期下电压概率密度曲线b的峰值，并绘制出电压概率密度峰值曲线，将其作为健康特征HF；将健康特征HF作为电池的特征数据序列#imgabs0#，并利用特征数据序列#imgabs1#和电池容量数据构建岭回归容量预测模型，得到容量预测值C。本方案通过绘制电池的电压概率密度峰值曲线作为健康特征HF，实现了预测过程只需收集特征电压区间内的数据，大大降低了数据计算量，从而提高了处理效率。
-
Patent Agency Ranking
公开(公告)号：CN117455722A
公开(公告)日：2024-01-26
申请号：CN202311798004.4
申请日：2023-12-26
Applicant: 湖北工业大学
Abstract: 本发明公开了基于个性化差分隐私保护的智能电网数据聚合方法及系统，其中的方法首先根据智能电网终端用户的个性化隐私保护需求，将其划分为多个隐私群体，同一群体中的用户隐私保护需求相同。其次，每个群体中的智能终端用户根据其个性化隐私需求，对其用电数据进行个性化的离散化处理，再进行个性化随机响应进行扰动处理，将扰动后的用电数据发送给网关。然后，网关分别对收到的不同群体的数据进行统计分析和数据矫正，并将来自不同群体的统计信息进行有效合并，将合并后的结果发送给控制中心。相较于已有的基于本地化差分隐私的智能电网数据聚合方案，本发明可以实现个性化的隐私保护，同时具有较好的统计分析效用。
-
公开(公告)号：CN116245927B
公开(公告)日：2024-01-16
申请号：CN202310116947.8
申请日：2023-02-09
Applicant: 湖北工业大学
IPC: G06T7/55 , G06T7/73 , G06N3/0464
Abstract: 失，它更加准确的监督Depth网络的训练。本发明本发明公开了一种基于ConvDepth的自监督 不仅将ConvNeXt骨干引入到自监督深度估计任单目深度估计方法及系统，本发明基于无结构单 务中，打破了现有技术中ResNet的“垄断”，而且目视频的自监督单目深度估计，目标图像It经过 设计了多层级细节增强模块和视差头，极大程度depth网络生成视差图Dt(或深度图 其中 的激发了ConvNeXt骨干的潜力。为Dt的倒数)；连续两帧图像(Is,It)的堆叠采用Pose网络预测6D旋转和平移矩阵Tt→s；然后将目标图像反向warping，生成重建图像 本发明基于运动结构恢复算法，极大程度的减少了训练(56)对比文件Varun Ravi Kumar 等.UnRectDepthNet:Self-Supervised Monocular DepthEstimation using a Generic Framework forHandling Common Camera Distortion Models.《2020 IEEE/RSJ International Conferenceon Intelligent Robots and Systems(IROS)》.2020,全文.Madhu Babu V 等.UnDEMoN: UnsupervisedDeep Network for Depth and Ego-MotionEstimation《.018 IEEE/RSJ InternationalConference on Intelligent Robots andSystems (IROS)》.2018,全文.熊炜 等.基于深度学习特征点法的单目视觉里程计《.计算机工程与科学》.2020,全文.
-
公开(公告)号：CN116069414A
公开(公告)日：2023-05-05
申请号：CN202310201650.1
申请日：2023-03-06
Applicant: 湖北工业大学
Abstract: 本发明公开了一种电力物联网计算任务卸载激励优化方法和存储介质，该方法包括：构建边缘服务器效用函数以构建激励机制模型；构建电网用户效用函数以构建计算任务卸载模型；根据激励机制模型和计算任务卸载模型确定电力物联网计算任务卸载激励优化模型；基于电力物联网计算任务卸载激励优化模型对电网用户效用函数中的电网用户卸载到边缘服务器的计算任务量进行变量求解得到最佳计算任务卸载量，并对边缘服务器效用函数中的边缘服务器给电网用户的定价变量进行求解得到最佳定价，从而确定能够使电网用户和边缘服务器利益均能够达到最大化的最佳优化策略，进而便于降低系统能耗，并提高资源利用率。
-
公开(公告)号：CN115915147A
公开(公告)日：2023-04-04
申请号：CN202211335749.2
申请日：2022-10-28
Applicant: 湖北工业大学
Abstract: 本发明提出了一种深度强化学习的联邦学习资源分配优化系统及方法。基站与多个移动设备连接，将全局联邦学习模型发送至每个移动设备。移动设备进行局部训练并产生训练延迟和训练能量消耗。移动设备将训练后的模型上传至基站并生成传输延迟和传输能量消耗；结合训练延迟和训练能量消耗、传输延迟和传输能量消耗得到最大能量约束和最大异步通信时延约束。结合约束条件，构建联邦学习资源分配优化目标模型；以联邦学习资源分配优化目标模型效用最小化作为优化目标，通过深度强化学习求解得到移动设备的优化策略。本发明通过安全深度强化学习的联邦学习资源分配优化策略，结合最大能量约束和最大异步通信时延约束，达到获得系统最小效用的目的。
-
公开(公告)号：CN114638836A
公开(公告)日：2022-06-17
申请号：CN202210148745.7
申请日：2022-02-18
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于高度有效驱动与多层级特征融合的城市街景分割方法，结合城市街景图像的位置先验性，在改进的网络中加入HEAM，从而加强网络在不同高度位置上对相应目标的特征提取能力。将HEAM嵌入特征提取网络与ASPP结构中，使网络在做深层卷积和通过ASPP做多层空洞卷积时，提升对深层特征和多尺度特征的提取能力。HEAM提取代表相应目标水平部分的高度上下文信息，从高度上下文信息中预测目标水平部分的特征或类别。网络中的浅层特征分辨率高、包含更多位置和细节信息，而深层特征分辨率低、对细节感知差，但拥有更强的语义信息。所以，经常通过融合浅层特征和深层特征，使特征具有更完整的信息表达来提高分割精度。
-
-
-
-
-
-
-
Search Results
28
records
(took 0.026 seconds)
