-
公开(公告)号：CN113269617A
公开(公告)日：2021-08-17
申请号：CN202110630757.9
申请日：2021-06-07
Applicant: 大连理工大学
Abstract: 本发明属于商品推荐技术领域，公开了一种基于图像编码的大规模多目标优化的商品推荐方法。本发明首先为用户依概率获取推荐商品的数据集，然后基于商品图像对商品进行编码，接着构建基于推荐准确率与商品多样性的目标函数，之后基于非支配排序与拥挤距离的方法生成初始种群，执行基于变量统计划分的模因进化系统以优化种群，最后依据编码相似度对用户进行推荐。本发明采用了基于图像特征建模的大规模多目标优化算法进行优化，依据优化结果从推荐商品中选择相似特征的物品进行推荐，有助于提高多样化商品的推荐准确率。
-
公开(公告)号：CN110535687B
公开(公告)日：2021-06-04
申请号：CN201910691990.0
申请日：2019-07-30
Applicant: 大连理工大学
Abstract: 一种基于车联网环境下轻量级区块链的协同缓存方法，属于车联网领域。轻量级区块链架构应用于车联网环境，底层车辆层承担轻量级节点角色，向中间层汇报行车数据、向中间层请求车联网数据并对数据进行校验；中间路侧节点层承担全节点角色，保存区块链数据、为底层车辆提供请求数据服务、向云服务器汇报车联网数据，且利用多路侧节点协同缓存区块链数据；顶层云服务层承担全节点角色，保存区块链数据、为中间路侧节点层提供服务、参与中间路侧节点层协同缓存初始化过程。该方法解决了数据安全问题并提供了轻便的数据校验方式，通过多路侧节点之间的协同缓存实现路侧节点存储资源的最大化利用，降低了路侧节点与车辆通信的延迟。
-
公开(公告)号：CN108829677B
公开(公告)日：2021-05-07
申请号：CN201810602775.4
申请日：2018-06-05
Applicant: 大连理工大学
IPC: G06F40/258 , G06N3/04
Abstract: 本发明属于计算机视觉与自然语言处理的交叉技术领域，提出了一种基于多模态注意力的图像标题自动生成方法，用以解决传统的基于神经网络的方法在预测单词过程中视觉特征和语言特征的对齐问题以及忽略句子特征的问题，提高了模型的收敛速度与图像标题的质量。本方法首先利用卷积神经网络自动地对图像区域进行特征提取；然后利用带视觉注意力的LSTM实现了句子特征的提取；最后设计了一种带多模态注意力(视觉注意力和隐变量注意力)的LSTM产生最终的图像标题。实验证明所提方法在MS COCO等基准数据集上取得了很好的结果。
-
公开(公告)号：CN112365048A
公开(公告)日：2021-02-12
申请号：CN202011243637.5
申请日：2020-11-09
Applicant: 大连理工大学
Abstract: 本发明属于人工智能领域，更具体地，涉及一种基于对手行为预测的无人车侦察方法，用以实现无人车集群在复杂环境中的侦察能够更智能地应对各种事件的发生，解决复杂环境中无人车侦察时，在遇到对手的情况下通过预测模型预测对手行为从而躲避抓捕的问题。本发明通过流算法和多臂赌博机算法为无人车在众多的对手候选模型中挑选最适应当前状况的对手候选模型，利用所选择的对手候选模型进行对手行为预测；同时该算法考虑到内存的限制，在任何时刻只处理候选模型集合的一小部分，实时动态地选择候选模型子集。
-
公开(公告)号：CN112286203A
公开(公告)日：2021-01-29
申请号：CN202011257321.1
申请日：2020-11-11
Applicant: 大连理工大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于蚁群算法的多智能体强化学习路径规划方法。此方法结合了多智能体深度强化学习方法和蚁群算法的思想，来解决多智能体的路径规划问题。具体包括：采用基于Q学习的改进DQN深度强化学习方法及蚁群“信息素”协同机制，利用智能体集群历史信息对神经网络进行训练更新，最终得到智能体集群中各智能体的最优路径规划策略。本发明采用了网络参数共享机制、优先经验回放机制并且改进了神经网络的架构，解决了传统多智能体路径规划方法自适应能力差的缺陷，提升了路径规划的效率，提高了路径规划的稳定性，最终为多智能体系统规划出更高效便捷的行进路径。
-
Patent Agency Ranking
公开(公告)号：CN110264750B
公开(公告)日：2020-11-13
申请号：CN201910516016.0
申请日：2019-06-14
Applicant: 大连理工大学
Abstract: 一种基于多任务深度Q网络的Q值迁移的多交叉口信号灯协同控制方法，属于人工智能与智能交通的交叉领域。本方法首先将多交叉口建模为一个多Agent系统，在多交叉口上训练一个适合每个交叉口信号灯控制的多任务网络，然后把它在多交叉口上学到的知识用在目标问题上，多任务网络将比单个网络拥有更多的知识，对单个交叉口提取特征的能力更强，最后通过协同算法对目标域中各个交叉口的信号灯进行协同控制。本发明方法在一定程度上能够平衡各路口的交通流量，提高区域交通中道路的利用率，减少车辆的排队长度，缓解交通拥堵。该方法对交通网络具有较好的可扩展性。
-
公开(公告)号：CN111739051A
公开(公告)日：2020-10-02
申请号：CN202010490335.1
申请日：2020-06-02
Applicant: 大连理工大学
IPC: G06T7/174
Abstract: 本发明属于计算机视觉与机器学习的交叉领域，一种基于残差网络的多序列MRI图像分割方法，首先将数据集中的MRI多序列作为输入图像的多个通道进行合并处理，并对分割序列进行分离，分离为不同类别的分割图。本发明在经典的编码器解码器分割网络的基础上引入了残差网络，用残差单元代替原来的编码解码网络。利用残差单元内的跳转连接，提取更多的局部特征。增加了同一层级残差单元之间的跳转连接，实现了全局特征的提取。此外，针对MRI图像中目标区域与背景区域在图像中所占比例相差大而导致的分割类别不平衡问题，本发明将交叉熵损失与Dice损失线性结合，并对Dice损失加权来解决该问题。
-
公开(公告)号：CN111738939A
公开(公告)日：2020-10-02
申请号：CN202010490188.8
申请日：2020-06-02
Applicant: 大连理工大学
IPC: G06T5/00
Abstract: 一种基于半训练生成器的复杂场景图像去雾方法，属于应用于复杂环境的图像去雾领域，包括训练过程和使用过程。训练过程中，首先，使用CycleGAN网络在任意图像去雾数据集上进行训练，每训练50次输出一个实时去雾图像并保存当前模型，训练到2000次结束；其次，重复上述过程十次；最后，在保存的效果图中选取去雾效果最好并且没有颜色信息的无雾灰度图像，将其对应的保存模型中的生成器G作为最终的草图模块。使用时，将任何场景的有雾图像输入草图模块中，均可输出去雾后的灰度图像。本发明应用范围不局限于训练的数据集，该方法具有极强的适应性、可视性和真实性，能够应用到任何场景中，且能够帮助智能系统在受到浓雾影响的环境中也能发挥一定的效能。
-
公开(公告)号：CN111738313A
公开(公告)日：2020-10-02
申请号：CN202010511084.0
申请日：2020-06-08
Applicant: 大连理工大学
Abstract: 本发明属于机器学习和迁移学习的交叉领域，公开一种基于多重网络合作的零样学习算法，包括生成网络一、生成网络二、对抗网络和重构网络。首先，将反向视觉特征空间作为嵌入空间，通过视觉特征中心生成网络实现映射。其次，采用更深层次的神经网络来生成，将残差网络模块引入到生成网络一和二中。之后，为减少过度拟合和提高可扩展性，引入一个对抗网络识别视觉特征中心的生成。最后，利用一个反向生成过程的重构网络来限制生成的视觉特征中心与每个类的原始语义表示之间的结构相关性。本发明在传统的零样本学习和广义零样本学习上都获得了令人满意的结果，对具有潜在应用前景的、识别无标注的海量未知类别的图像识别任务发挥促进作用。
-
公开(公告)号：CN110335193A
公开(公告)日：2019-10-15
申请号：CN201910516012.2
申请日：2019-06-14
Applicant: 大连理工大学
Abstract: 本发明提供一种基于生成对抗网络的目标域导向的无监督图像转换方法，属于计算机视觉领域。本发明用来实现无监督的跨领域图像到图像的转换任务，属于计算机视觉领域。本方法设计了一个自编码重构网络，通过最小化源域图像的重构损失来提取源域图像的分层表征。同时，通过权值共享策略，共享网络模型中的两组生成对抗网络中编码和解码高层语义信息的网络层的权值，以保证输出图像能够保留输入图像的基本结构和特征。然后，两个判别器分别用来区分输入图像是各自领域的真实图像还是生成的图像。本方法能够有效进行无监督的跨域图像转换，生成高质量的图像。实验证明所提方法在CelebA等标准数据集上取得了很好的结果。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.027 seconds)
