-
公开(公告)号：CN114782936A
公开(公告)日：2022-07-22
申请号：CN202210683839.4
申请日：2022-06-17
Applicant: 南京信息工程大学
IPC: G06V20/59 , G06V40/20 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/04 , G06K9/62
Abstract: 本发明提供一种基于改进yolov5s网络的行为检测方法，包括以下步骤：获取抽烟、打电话行为数据集，将数据集通过Labelimg进行标记，标记为calling和smoking两类；将标记好的行为数据集经过格式转换，转换为txt格式，将其分为训练集和测试集；获取yolov5s网络结构，对yolov5s网络结构进行改进创新；将数据在改进过后的yolov5s网络结构上进行训练；通过测试集对训练后得到的训练模型进行测试，计算mAP指标和Recall指标。本发明能够增强了网络的特征提取能力，保证检测小目标物体的检测精度。
-
公开(公告)号：CN114237917B
公开(公告)日：2022-06-10
申请号：CN202210174497.3
申请日：2022-02-25
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种用于电网巡检的无人机辅助边缘计算方法，采用巡检无人机对目标电网区域进行视频图像采集工作，降低了巡检成本；并借助增强无人机辅助处理巡检无人机所采集的视频图像数据，以最小化系统无人机能耗为目标，在同载能的条件下延长了无人机的工作时间；而且采用深度强化学习中的DDPG算法与遗传算法相结合的方法求解增强无人机的轨迹、系统资源分配、以及任务卸载决策方案，具有迭代速度较快、时间复杂度不高、可以提高系统实时性的优点，进而确保系统无人机在能耗最小化的前提下实施电网巡检。
-
公开(公告)号：CN114521002A
公开(公告)日：2022-05-20
申请号：CN202210197990.7
申请日：2022-03-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种云边端合作的边缘计算方法，使用基站、无人机和任务处理设备协作帮助移动设备处理计算任务，采用DDQN深度强化学习求解卸载策略，使用拉格朗日对偶法求解无人机的总资源分配，使用遗传算法求解无人机的部署。本发明综合考虑了网络内的所有可利用的计算设备，有效地降低计算任务的系统处理能耗，提高用户的服务质量，具有一定灵活性。本发明采用DDQN深度强化学习计算得到最优卸载策略，能够以较低的复杂度获得大量移动设备的卸载动作，能够适应动态的环境变化。降低复杂度后一是可以节约计算资源，降低移系统的功耗，二是节约计算时间，可以提高系统的实时性，三是高效利用太阳能清洁能源。
-
公开(公告)号：CN113296963B
公开(公告)日：2021-11-02
申请号：CN202110849361.3
申请日：2021-07-27
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种考虑用户移动性的无人机辅助的边缘计算方法，包括：建立由数字孪生驱动的无人机辅助计算网络；由无人机辅助计算网络实时反馈用户、无人机和空闲设备的实时数据、位置和状态；以降低用户总时延为目标，采用分布式深度学习求解用户的卸载策略；利用差分进化学习求解无人机的位置部署。本发明可以有效的利用孪生网络反馈用户实时数据，获得全局近优解的无人机部署和卸载策略，降低用户的处理时延。
-
公开(公告)号：CN113283428B
公开(公告)日：2021-10-08
申请号：CN202110820773.4
申请日：2021-07-20
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于FCE‑SSD方法的图像目标检测方法，应用所设计特征单元信息增强网络框架，结合膨胀卷积模块提取特征单元感受野区域信息，并将信息融合进主干特征图中实现特征增强，在保持SSD网络深度情况下，通过特征增强的方式，提高主干网络特征单元感受野回归的精度，实现高精度目标检测定位；相较于传统的目标检测定位方法，精度方面显著提高，尤其在小目标检测方面效果显著；本发明设计方法在PASCAL VOC 2007与2012数据集上进行实验测试,FCE‑VGG平均均值精度值（mAP)可以达到79.1%与79.3%，相比SSD300方法提升了1.6%和1.9%。
-
Patent Agency Ranking
公开(公告)号：CN111680705B
公开(公告)日：2021-02-26
申请号：CN202010810771.2
申请日：2020-08-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种适于目标检测的MB‑SSD方法，包括：提取多小目标图像，采用生成对抗网络对提取的多小目标图像进行增强；构建MB‑SSD特征提取网络，所述MB‑SSD特征提取网络包括主支特征提取网络、分支特征提取网络和定位网络，将增强后数据输入MB‑SSD特征提取网络，分别获取主支特征提取网络和分支特征提取网络的分类定位结果；再根据定位网络上同区域不同候选框的IoU重合度调整分类网络的输出特征；将主支特征提取网络和分支特征提取网络的分类定位结果进行融合并降维；计算模型损失，训练模型，优化模型参数。本发明能够在分类层中加入相对重合度调整分类结果的方法，来提高SSD算法的分类效果，同时有效的改善了对小目标的检测精度。
-
公开(公告)号：CN112263224A
公开(公告)日：2021-01-26
申请号：CN202011543525.1
申请日：2020-12-24
Applicant: 南京信息工程大学
IPC: A61B5/00
Abstract: 本发明公开了一种基于FPGA边缘计算的医学信息处理方法，属于信息处理技术领域，主要用于皮肤类的医学信息处理，本发明通过拍摄皮肤病图像，并上传至FPGA边缘计算设备进行预处理，FPGA边缘计算设备使用其搭载的IR‑BNnet模型对皮肤病图像进行信息处理，同时将FPGA的信息处理结果中类别识别概率值较低的模糊处理案例再次上传到信息处理服务器，由信息处理服务器搭载的双通道模型GL‑CNN对皮肤病图像进行更精确的二次处理，二次信息处理结果分别发送到FPGA边缘计算设备和数据平台。本发明中，FPGA边缘计算设备搭载的IR‑BNnet模型和信息处理服务器搭载的双通道模型GL‑CNN能综合使用轻便型深度学习方法和复杂高精度的深度学习方法对大量的医学信息进行精确分类，提高信息处理效率。
-
公开(公告)号：CN112215844A
公开(公告)日：2021-01-12
申请号：CN202011345892.0
申请日：2020-11-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于ACU‑Net的MRI多模态图像分割方法和系统，包括多模态图像预处理、图像浅层与深层结构特征提取、像素级标注和活动轮廓约束；构建深度可分离卷积，解耦分离学习空间相关性与通道相关性；根据残差密集块的局部特征自适应学习，将特征进行融合并联合学习前面的局部特征，利用在U‑Net长跳跃连接中加入ResNet短跳跃连接的方式实现像素标注；活动轮廓约束将边界线分割与区域分割相结合，针对图像梯度和能量函数对分割边缘进行约束，并通过模型的训练和优化获得病灶区域。本发明较好地克服图像噪声和边缘夹缝，解决多模态图像病理组织高异质性与分辨率不明显问题。
-
公开(公告)号：CN103763696B
公开(公告)日：2017-01-11
申请号：CN201410018578.X
申请日：2014-01-16
Applicant: 南京信息工程大学
CPC classification number: Y02D70/00
Abstract: 本发明公开了一种基于跨层安全压缩的节能传感器数据收集方法，利用CS跨层安全压缩方法实现高能效和安全性。该方法包括两个部分：基于CS的安全压缩方法以及跨层联合优化方法。基于CS的安全压缩法将加密及完整性检查与压缩感知相结合，确保数据的安全性和低冗余度；跨层联合优化涉及到物理层和MAC层的信源编码速率、传输功率和TDMA时隙分配几方面，利用一种非线性凸优化算法实现能量最小化。使用本发明所公开的数据收集方法可以具备较高的数据安全性、优化的能量效率化、较小的传输信息量、较小的系统复杂性。
-
公开(公告)号：CN103096442A
公开(公告)日：2013-05-08
申请号：CN201310001911.1
申请日：2013-01-04
Applicant: 南京信息工程大学
CPC classification number: Y02D70/00
Abstract: 本发明提出了无线传感器网络中节点电池恢复和能量搜集方法，所述方法利用占空周期设计，安排节点工作状态、缓冲状态、睡眠状态下节点的电池恢复和能量搜集方法，所述方法利用缓冲状态下，节点没有数据传输时进行电量恢复，能够保证在有限时间里最大限度的恢复效果；在睡眠状态下的节点，除了电池恢复，同时进行RF能量收集，将电池恢复和RF能量搜集结合起来，达到最大可能的能量优化。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.032 seconds)
