-
公开(公告)号：CN119997104A
公开(公告)日：2025-05-13
申请号：CN202510109993.4
申请日：2025-01-23
Applicant: 贵州大学
IPC: H04W28/084 , H04W28/08
Abstract: 本发明提出了一种基于亲密度感知与负载均衡的微服务部署方法，包括以下步骤：S1，把微服务部署问题定义为一个马尔科夫决策过程，S2，将微服务的有向加权图输入AttnSAGE模型得到状态st，S3，将状态st数据输入Actor网络中，得到目标样本{st,at,Rt,st+1}；S4，在经验回放池随机采样若干样本，并将目标样本{st,at,Rt,st+1}放入经验回放池中；S5，将目标样本和所述若干样本输入两个Critic网络计算目标Q值，通过估计状态st和动作at下的目标Q值，用于指导策略更新。本发明方法通过对微服务依赖关系建模为有向加权图，并利用社区划分和计算每个微服务的特征向量中心性，生成综合考虑服务间依赖关系的排序列表。
-
公开(公告)号：CN119743446A
公开(公告)日：2025-04-01
申请号：CN202510255631.6
申请日：2025-03-05
Applicant: 贵州大学
Abstract: 本发明提供一种考虑时空信息的超密集组网CDS热点主动式预测方法、装置及设备，其中，预测方法包括：获取待预测区域的时空记录图，时空记录图表示待预测区域内的多个不同用户对应的节点以及节点之间关系的拓扑结构图，时空记录图中包含多个子图，且各子图对应的时间段不同；对时空记录图的拓扑结构进行更新处理，以得到贴近现实场景的更新时空记录图；将更新时空记录图输入到区域预测模型中进行预测处理，以得到待预测区域中的目标热点区域。本发明提供的方案可以准确预测超密集网络架构下的目标热点区域，从而为超密集网络架构下的边缘服务器的内容缓存以及负载均衡做出指导。
-
公开(公告)号：CN118709025B
公开(公告)日：2025-03-25
申请号：CN202411203602.7
申请日：2024-08-30
Applicant: 贵州大学
IPC: G06F18/24 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本申请提供了一种基于新型触觉图的触觉物体识别方法及装置，涉及智能机器人触觉物体识别领域。该方法包括：获取触觉数据，并将所述触觉数据划分为训练数据集和测试数据集；基于网络树算法，将所述训练数据集构建成网络树触觉图；构建SNN触觉物体识别模型，并采用误差函数和Dropout层对所述物体识别模型进行优化，得到优化后SNN触觉物体识别模型；根据所述网络树触觉图对所述优化后SNN触觉物体识别模型进行训练，得到训练好的优化后SNN触觉物体识别模型；将所述测试数据集输入所述训练好的优化后SNN触觉物体识别模型中，得到预测的物体类别。以此方式，可以提升模型对触觉数据的处理效率和识别精度。
-
公开(公告)号：CN119047585A
公开(公告)日：2024-11-29
申请号：CN202411538991.9
申请日：2024-10-31
Applicant: 贵州大学
IPC: G06N5/04 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/74
Abstract: 本公开的实施例提供一种基于因果学习与动态参数选择的类增量学习方法。应用于图像数据处理技术领域，包括：获取训练图像集合，训练图像集合中包含各个训练图像和训练图像的真实标签，根据训练图像集合构造输入数据序列；构建教师模型和学生模型进行特征提取，得到输出特征及对应的logits输出，从而构建具有因果关系的旧类知识因果路径以及新类知识因果路径；基于知识蒸馏以及旧类正则化方法，分别采用旧类知识因果路径和新类知识因果路径计算得到旧类积极因果效应以及新类积极因果效应，进行加和计算得到总体因果效应。以此方式，本发明利用因果推理技术以及因果结构方法缓解灾难性遗忘，为缓解灾难性遗忘问题提供了新的思路和解决方案。
-
公开(公告)号：CN118709025A
公开(公告)日：2024-09-27
申请号：CN202411203602.7
申请日：2024-08-30
Applicant: 贵州大学
IPC: G06F18/24 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本申请提供了一种基于新型触觉图的触觉物体识别方法及装置，涉及智能机器人触觉物体识别领域。该方法包括：获取触觉数据，并将所述触觉数据划分为训练数据集和测试数据集；基于网络树算法，将所述训练数据集构建成网络树触觉图；构建SNN触觉物体识别模型，并采用误差函数和Dropout层对所述物体识别模型进行优化，得到优化后SNN触觉物体识别模型；根据所述网络树触觉图对所述优化后SNN触觉物体识别模型进行训练，得到训练好的优化后SNN触觉物体识别模型；将所述测试数据集输入所述训练好的优化后SNN触觉物体识别模型中，得到预测的物体类别。以此方式，可以提升模型对触觉数据的处理效率和识别精度。
-
Patent Agency Ranking
公开(公告)号：CN118334442A
公开(公告)日：2024-07-12
申请号：CN202410528981.0
申请日：2024-04-29
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明提出了一种基于Siamese对比嵌入网络的学习标注优化方法，包括如下步骤：S1，进行图像数据采集和预处理，收集包含特定状态和特定对象的训练样本数据集；对训练样本进行预处理，提取特定状态和特定对象的视觉特征；S2，根据视觉特征建立特征抓取模型，对视觉特征的对应参数进行跟踪抓取；S3，将跟踪抓取的特征样本输出向量与再次训练特征样本输出向量进行相似度比较，从而将符合阈值条件的进行样本标注。
-
公开(公告)号：CN114964120B
公开(公告)日：2024-05-31
申请号：CN202210124933.6
申请日：2022-02-10
Applicant: 贵州大学
IPC: G01B21/22 , G05D3/12 , G06T3/4084 , G06V10/25 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于角度信息解耦的旋转检测框表达方式的系统，包括：角度信息采集模块，用于获取目标检测框的角度信息；角度信息编码模块，用于将角度信息采集模块获取的目标检测框角度信息编码成四个分量；角度信息解码模块，用于根据角度信息编码模块编码的四个分量解码出目标检测框的角度信息，通过角度信息编码模块编码的四个分量获取目标检测框的角度和角度方向向量以确定目标检测框的角度信息；角度旋转框检测模块，其与角度信息编码单元相连接，用于检测角度信息的精确度；中控模块，用于根据角度旋转框检测单元获取的角度信息精确度对角度信息解码模块获取目标检测框的角度信息进行调节。
-
公开(公告)号：CN118038236A
公开(公告)日：2024-05-14
申请号：CN202311839651.5
申请日：2023-12-28
Applicant: 贵州大学
Abstract: 本发明提出了一种基于图学习的脉冲图神经网络触觉物体识别方法，算法包括：获取触觉图，基于触觉图构建M树触觉图或Z树触觉图；建立物体识别模型，利用M树触觉图或Z树触觉图训练物体识别模型，物体识别模型包括LIF脉冲神经元、拓扑自适应图卷积层、全连接层和最终投票层；利用高斯先验分布损失和LIF脉冲神经元的物体识别模型反向传播训练损失进行加权后对物体识别模型进行优化；利用优化后的物体识别模型判断触觉物体的类别。本发明通过将高斯先验分布损失和LIF脉冲神经元的物体识别模型反向传播训练损失进行加权，提高了物体识别模型对物体识别的准确性和稳定性。通过采用七种近似函数来近似LIF脉冲神经元激活函数的偏导数，提高算法的准确性。
-
公开(公告)号：CN117934923A
公开(公告)日：2024-04-26
申请号：CN202311865868.3
申请日：2023-12-29
Applicant: 贵州大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06N3/082
Abstract: 本发明提出了一种结构扩展与蒸馏的新旧类特征兼容学习方法，包括：采用训练后的图像分类模型对目标图像进行分类预测，所述图像分类模型的训练过程包括：S1，将旧类图片、新类图片分别输入图像特征提取器进行视觉特征提取，得到旧类图片特征和新类图片特征；S2，将旧类图片特征和新类图片特征通过特征兼容模块进行特征兼容；S3，使用知识蒸馏方法将步骤S2得到的新旧类特征约束在可塑空间，使分布更加紧凑，并缓解新旧类特征不兼容问题。本发明方法能使得图像分类的精度更高，同时效率更快。具有有以下优点：(1)解决了新旧类特征不兼容问题，能有效防止对旧类特征单得遗忘。(2)通过学习不同类别特征间的关联性，对模型综合考虑，提高了模型的准确率。
-
公开(公告)号：CN117131377A
公开(公告)日：2023-11-28
申请号：CN202311120969.8
申请日：2023-08-31
Applicant: 贵州大学
IPC: G06F18/214 , G06F18/2415 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/40 , G06N5/04 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0499 , G06N3/047
Abstract: 本发明提出了一种开放域属性和对象引导的零次学习视觉模型推理方法，包括以下步骤：S1，将文本信息输入AOGN‑CZSL模型中的文本特征编码器 得到基于文本信息的属性特征和对象特征；将图像信息输入AOGN‑CZSL模型中的图像特征提取器 得到基于图像信息的属性和对象；S2，通过AOGN‑CZSL模型中的兼容性学习空间P将基于文本信息的属性特征和对象特征，以及基于图像信息的属性和对象进行送入兼容性学习，得到训练完毕的AOGN‑CZSL模型；S3，将待测的图像或者文本输入AOGN‑CZSL模型，得到预测结果。本发明方法能同时处理多属性和多对象，学习不同属性、对象及其组合的丰富依赖结构。以及通过编码器分别学习到属性之间的联系性以及对象之间的联系性，用这种方式学习到的依赖性和联系性比较有序和简单。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.026 seconds)
