-
公开(公告)号：CN113705647B
公开(公告)日：2023-04-28
申请号：CN202110954044.8
申请日：2021-08-19
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/25 , G06V10/30 , G06V10/44 , G06V10/82 , G06N3/047 , G06N3/09 , G06N3/0464
Abstract: 本发明提供一种基于动态间隔的双重语义特征提取方法，属于计算机视觉特征识别技术领域。本发明方法动态通过调整类别间隔的损失函数来获取具有判别性的图像特征，即对特征和权重向量进行归一化，然后对损失函数动态的调整，来实现不同类别的不同的余弦间隔。该方法使得间隔设置更加合理，同时能在保留特征限制的同时，不增加神经网络模型优化的复杂度，与其他提出的损失函数相比，更加简单易于实现和准确。
-
公开(公告)号：CN113682908B
公开(公告)日：2023-02-28
申请号：CN202111012494.1
申请日：2021-08-31
Applicant: 电子科技大学
Abstract: 本发明涉及调度控制技术，其公开了一种能够提高乘客乘梯体验，且具有较好灵活性和适应性的一种基于深度学习的智能调度方法。该方法包括以下步骤：S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块；S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块；S3、算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块。本发明适用于目的层预约型电梯群调度。
-
公开(公告)号：CN113553917A
公开(公告)日：2021-10-26
申请号：CN202110741347.1
申请日：2021-06-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于脉冲迁移学习的办公设备识别方法，根据迁移学习任务，将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域，实际场景下采集的不同噪声及分辨率的图像作为目标域；初始化脉冲神经网络参数，得到初始状态的迁移学习网络模型；将源域和目标域转换为脉冲形式的图片，输入至初始状态的迁移学习网络模型中，并正向传播；根据域迁移损失以及分类损失，使用Adamax优化器进行整个网络的训练，直到模型收敛或达到最大迭代次数，得到训练好的迁移学习网络模型；保存训练好的迁移学习网络模型，将目标域的全部样本输入导训练好的迁移学习网络模型中，预测得到最终的分类结果。
-
公开(公告)号：CN110659730A
公开(公告)日：2020-01-07
申请号：CN201910957935.1
申请日：2019-10-10
Applicant: 电子科技大学中山学院
Abstract: 本发明公开了一种基于脉冲神经网络的端到端功能性脉冲模型的实现方法，涉及人工智能技术领域，本发明包括定义输入脉冲二元组Di和期望输出脉冲二元组Dd；基于功能性脉冲响应函数和动态突触函数构建功能性脉冲模型，初始化功能性脉冲模型参数，并设置训练轮数epochmax；构建功能性脉冲模型的损失函数，根据损失函数计算训练损失值L；当训练损失值L不等于零且当前训练轮数小于epochmax时，利用反向传播算法对功能性脉冲模型进行训练，更新参数，直至功能性脉冲模型收敛，完成训练；对训练完成的功能性脉冲模型进行测试，若符合要求，则输出该训练好的功能性脉冲模型，本发明在时间顺序学习任务上明显优于传统的脉冲神经网络，提高了模型的分类准确率和训练速度。
-
公开(公告)号：CN110136061A
公开(公告)日：2019-08-16
申请号：CN201910387078.6
申请日：2019-05-10
Applicant: 电子科技大学中山学院
IPC: G06T3/40
Abstract: 本发明公开了一种基于深度卷积预测与插值的分辨率提升方法及系统，涉及分辨率提升领域；其包括步骤：构建深度卷积网络，并预处理图片集，深度卷积网络包括特征提取网络、预测网络和重构网络；利用预处理后的训练集中的低分辨率图片Pl输入上述深度卷积网络进行特征提取、邻域特征预测、邻域特征插值和重构预测出高分辨率图片Ph，计算Ph与训练集中目标高分辨率图片Pt间的均方损失，并通过梯度下降训练各部分网络，重复上述过程迭代M次完成训练；将实际场景中的低分辨率图片输入已训练的深度卷积网络，获取高分辨率图片；本发明解决现有分辨率提升使用的网络训练难度大、分辨率提升效果差的问题，达到了降低训练难度、提高分辨率的效果。
-
Patent Agency Ranking
公开(公告)号：CN104933722B
公开(公告)日：2017-07-11
申请号：CN201510369201.3
申请日：2015-06-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于Spiking‐卷积网络模型的图像边缘检测方法，属于图像处理技术领域，解决现有技术仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释问题。本发明基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking‐卷积层和输出层的卷积结构的Spiking‐卷积网络模型；将构建好的卷积结构的Spiking‑卷积网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking‑卷积层的滤波器，形成基于算子的Spiking‐卷积算法；获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking‐卷积网络模型的输入层；将基于算子的Spiking‐卷积算法运用于Spiking‐卷积网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。本发明用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning。
-
公开(公告)号：CN104050506A
公开(公告)日：2014-09-17
申请号：CN201410293570.4
申请日：2014-06-24
Applicant: 电子科技大学
IPC: G06N3/02
Abstract: 本发明公开了一种基于Spiking神经网络的飞机冲突检测方法，涉及模式识别，模式处理，机器学习，神经网络等领域，具体涉及基于Spiking神经网络的多脉冲误差反传学习算法——利用生物信息传递原理拟合非线性离散数据集，解决现有飞行航迹拟合预测方法的难点。本发明首先为对历史航迹数据进行分析，建立Spiking神经网络模型；再运用学习算法对建立好的Spiking神经网络模型进行训练；最后利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。本发明应用于飞行监控、进行冲突判断。
-
公开(公告)号：CN118674622A
公开(公告)日：2024-09-20
申请号：CN202410730517.X
申请日：2024-06-06
Applicant: 电子科技大学
IPC: G06T3/4053 , G06T3/4046 , G06F17/15 , G06V10/80 , G06T5/10 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于卷积核重参数化再校准的轻量级图像超分辨率方法，提出了一种新颖的内核重校准策略，将一个通道的内核与其他通道的参数相关联，允许内核重关注他们之前没有关注过的模型的其他部分，而不是只关注独立的输入渠道。基于该设计，我们提出了一种新颖的渐进式多尺度重校准块，以通过各种多尺度感受野捕获更多判别性特征。训练结束后，可以将内核重校准带来的参数重参数化，以与原始卷积对齐。最终生成的块保持与原始块相同的推理成本，但提供了改进的性能。引入了一种轻量级的SR网络，称为内核重校准引导网络，旨在实现性能和适用性之间的卓越平衡。本发明已通过综合实验验证了竞争结果。同时使用更少的参数。
-
公开(公告)号：CN118335295B
公开(公告)日：2024-08-30
申请号：CN202410750369.8
申请日：2024-06-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于主动联邦学习的医疗图像分割方法，属于医疗图像处理技术领域。本发明包括：服务器获取医学图像数据并进行预处理，再划分给各已知客户端和未知客户端；已知客户端基于本地的训练数据集对图像分割模型执行一轮联邦学习；服务器采用主动学习方法对各已知客户端的训练数据集进行二次构建并下发给已知客户端执行一轮联邦学习；服务器基于当前联邦学习后的模型参数进行若干次蒸馏处理，将每次得到的模型参数下发给每个未知客户端进行模型测试，基于反馈的测试结果确定每次模型参数的最终测试结果；基于最优最终测试结果对应的模型参数得到图像分割模型的最优参数。本发明能够解决医疗图像分割隐私保护问题，并提高了模型的泛化性。
-
公开(公告)号：CN117150041A
公开(公告)日：2023-12-01
申请号：CN202311112645.X
申请日：2023-08-31
Applicant: 电子科技大学
IPC: G06F16/36 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/092 , G06N3/0985 , G06N5/04
Abstract: 本发明涉及知识图谱推理技术，其公开了一种基于强化学习的小样本知识图谱补全方法，解决现有技术存在的可解释性问题和知识图谱数据稀疏性问题，其包括：根据输入的头实体作为当前步的智能体、以智能体和关系作为决策网络的输入构建动作空间，其中，输入的头实体为上一步推理获得的尾实体，动作空间包括知识图谱中与其具有相同头实体和关系的已有动作空间，以及基于头实体和目标关系利用元学习网络推理获得的额外动作空间；接着，基于决策网络的策略函数，根据动作空间确定当前步的动作，进而获得当前步的推理结果，最后，判定推理结果是否符合要求，若符合则完成补全；若不符合，则继续迭代，根据当前步推理结果再次进行推理。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.023 seconds)
