-
公开(公告)号：CN108509980A
公开(公告)日：2018-09-07
申请号：CN201810188900.1
申请日：2018-03-08
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于字典学习的水位监测方法，包括以下步骤：步骤1，在待测量河流区域固定一根测量标杆，通过摄像头实时采集该测量标杆与水面附近区域的图像；步骤2，采集若干幅图像作为训练图像，将每幅图像分为C类，对每类的图像块采用滑动窗采集训练数据，并打上对应的类别标签；步骤3，采用字典学习的方法对训练数据进行训练，得到字典D；步骤4，利用字典D对摄像头采集到的图像进行实时分类，得到图像的类别标签向量，从而获得水位值。本发明只需要安装传统的标杆即可实现，克服了传统水位测量方案中水平面位置难以准确识别的问题，具有较高的稳定性和鲁棒性。
-
公开(公告)号：CN108470338A
公开(公告)日：2018-08-31
申请号：CN201810145473.9
申请日：2018-02-12
Applicant: 南京邮电大学
Abstract: 本发明公开一种水位监测方法，解决了现有技术水位监测方法易受光线影响、水位监测误差较大的技术问题。本发明先首先采集标杆和水面图像，接着利用标杆亮度变化小而水面因波纹不断变化导致亮度不断变化的特点，通过图像处理技术对拍摄到的时间相近的两幅图像读取灰度值，并进行差分运算，然后对图像中水面附近绘制差分灰度均值方差值与坐标的关系图，利用阈值分割算法得到灰度均值方差突变时对应的坐标即为水面坐标，并结合统计方法对水面坐标进行平滑处理，最后结合标杆实际长度和图像坐标的映射关系计算出水位深度。本发明能够准确判断出水平面的位置并实时监测出水深，具有很好的鲁棒性和实时性。
-
公开(公告)号：CN107631782A
公开(公告)日：2018-01-26
申请号：CN201710584816.7
申请日：2017-07-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于Harris角点检测的水位检测方法，包括步骤：在待测量河流区域固定两根椭圆形测量标杆，及在两根测量标杆之间设置若干根斜杆作为水平面测量斜杆，并通过摄像头实时采集获得两个测量标杆所在区域的图像；检测提取获得水平面测量斜杆所在区域图像；对提取水平面测量斜杆所在区域图像进行检测，获得几何数学模型并提取两根直线坐标；获得图像中的角点；筛选出位于两根直线坐标内的角点，将过该角点做水平方向与测量标杆平行的直线作为当前时刻的水平面；提取获得几何数学模型中水平面之上测量标杆长度，及计算获得实际水平面之上测量标杆的长度及实时的实际水位值。本发明可以准确地确定水平面位置和水位值，具有更高的数值鲁棒性和实时交互性。
-
公开(公告)号：CN107071422A
公开(公告)日：2017-08-18
申请号：CN201710248379.1
申请日：2017-04-17
Applicant: 南京邮电大学
IPC: H04N19/147 , H04N19/96 , H04N19/124
CPC classification number: H04N19/147 , H04N19/124 , H04N19/96
Abstract: 本发明公开了一种基于图像相关模型的低复杂度HEVC码率适配转换编码方法，该方法步骤：（1）依据极大量化为零的原则，对码率‑量化参数模型进行估计；（2）根据估计的码率‑量化参数模型和目标码率选取初始量化参数；（3）据码率失真估计模型，生成初始编码树；（4）基于图像相关模型，求取图像相关系数和图像能量项；（5）计算运动矢量的位移项；（6）通过各子编码单元的残差系数对相关系数项进行估计；（7）失真代价进行求解，基于自底向上编码框架进行转换编码的编码模式的快速选择。本发明结合图像相关模型和输入视频的编码信息，以降低视频转换编码复杂度为核心，对提高转换编码的效率具有重要的意义。
-
公开(公告)号：CN118972900B
公开(公告)日：2025-02-11
申请号：CN202411460580.2
申请日：2024-10-18
Applicant: 南京邮电大学 , 江苏移动信息系统集成有限公司
Abstract: 本发明公开了基于图神经网络的空天地网络流量卸载决策方法及系统，涉及通信网络优化技术领域，包括：接收空天地一体化网络中的节点相关数据，将节点相关数据进行时间窗口划分，并进行特征提取，得到节点特征数据，其中，所述节点相关数据包括节点连接状态数据和节点间的实时流量数据；将节点特征数据输入至预先建立的图神经网络模型GNN内，通过对节点和边的特征进行编码和聚合，生成每个节点的表示向量，利用每个节点的表示向量对GNN进行训练，得到训练后的GNN；接收空天地一体化网络中的网络状态和节点特征，输入至训练后的GNN内，输出得到性能预测结果，基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载。
-
Patent Agency Ranking
公开(公告)号：CN118585746A
公开(公告)日：2024-09-03
申请号：CN202410636188.2
申请日：2024-05-22
Applicant: 南京邮电大学
IPC: G06F18/10 , G06F18/25 , G06F18/2415 , G06F18/241 , G06N3/0464 , G06N3/08 , G06F17/16 , G06V40/20
Abstract: 本发明涉及姿态识别技术领域，具体涉及一种基于多层次多尺度表示学习的鲁棒姿态识别方法，通过获取部署在环境中的WiFi设备采集的原始CSI数据，对CSI数据进行预处理，得到预处理后的CSI数据集；获取所述CSI数据集，进行分解，得到高频和低频子序列；搭建多尺度残差网络，将所述高频和低频子序列，输入到多尺度残差网络中，通过多个卷积层来提取空间和频率特征，通过特征融合模块进行融合与分类；输出预测活动结果。结合了多级别波形分解和多尺度卷积特征提取的优势，通过深度学习技术实现了对不同个体活动的有效识别，大大提高了模型的适用性和准确性。
-
公开(公告)号：CN115659212B
公开(公告)日：2024-04-09
申请号：CN202211184164.5
申请日：2022-09-27
Applicant: 南京邮电大学
IPC: G06F18/24 , G06F18/214 , G06N3/04 , G06N20/00
Abstract: 本发明提供了跨域异质场景下基于TDD通信模式的联邦学习效率评测方法，其通过计算数据传输时间来评估联邦学习的通信效率，首先配置了测试环境包括跨域数据集、学习任务、算法和客户端设备等，然后根据上述的配置环境计算出在每个通信轮次下客户端上传和下载数据所耗费的时间即每个轮次的通信开销，其次通过绘制精确度和迭代轮次曲线得到目标精度下的收敛轮次，最后根据通信开销和收敛轮次计算得出整个联邦学习过程中的数据传输时间，本发明给出了一种通信效率评估的详细步骤和具体参数设置方法，适用于多种不同联邦学习框架和算法，为联邦学习通信效率评估提供了一定的参考见解。
-
公开(公告)号：CN115544873B
公开(公告)日：2023-10-17
申请号：CN202211184157.5
申请日：2022-09-27
Applicant: 南京邮电大学
IPC: G06F30/27 , G06N20/00 , G06Q10/0639 , G06F111/16
Abstract: 本发明属于个性化联邦学习领域，尤其是个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：S1、创建一个Non‑IID的跨域数据集，作为评测数据集；S2、选择合适的模型，作为个性化联邦学习的初始全局模型；S3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；S4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本发明充分考虑了跨域异质的场景，实现了模型的个性化功能，在现有研究的基础上，针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标，为在跨域异质场景下，为衡量不同个性化联邦学习算法与架构提供了一种具体方法。
-
公开(公告)号：CN115496204A
公开(公告)日：2022-12-20
申请号：CN202211228750.5
申请日：2022-10-09
Applicant: 南京邮电大学
Abstract: 本申请公开了一种跨域异质场景下的面向联邦学习的评测方法，所述方法包括构建跨域异质场景下的面向联邦学习的非独立同分布数据集；构建异质测试环境；选择骨干网络VGGNet；选择梯度平均作为联邦学习算法；计算每一轮迭代所需时间；判断收敛周期；以及计算整个联邦学习过程中的总训练时间；本发明提出了面向联邦学习训练效率评估的测试环境构建、详细步骤与量化指标，能够量化度量不同联邦学习架构、不同联邦学习算法的训练效率。
-
公开(公告)号：CN110070127B
公开(公告)日：2022-08-16
申请号：CN201910318727.7
申请日：2019-04-19
Applicant: 南京邮电大学
IPC: G06V20/00 , G06V10/774 , G06V10/74 , G06V10/26 , G06V10/82
Abstract: 本发明公开一种面向家居产品精细识别的优化方法。包括：对供应商家居产品拍摄全景视频并进行经纬线构图处理，细分成多视角获取图像；对相邻点图像进行技术处理，组成最佳的有效图像集并训练评估；对用户实拍的家居图像进行目标检测，再与图像集对比判断。本发明还公开一种家居产品识别应用系统。本发明通过增加训练集的数量，增强图像的特征提取性能，进而增强精细识别的准确度，对图像的不精确识别、错误识别问题的研究具有重大意义。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.021 seconds)
