-
公开(公告)号：CN115274110A
公开(公告)日：2022-11-01
申请号：CN202210920204.1
申请日：2022-08-02
Applicant: 电子科技大学(深圳)高等研究院
Abstract: 本发明公开了一种基于时间序列的IgA肾病恶化预测分析报告生成系统，该系统包含数据采集模块、数据预处理模块、基于时间序列的IgA肾病恶化预测模型和诊疗报告生成模块；数据采集模块采集患者样本数据，数据预处理模块对患者样本数据进行剔除，基于时间序列的IgA肾病恶化预测模型得到预测结果，诊疗报告生成模块输出情况分析报告。本发明将传统IgA肾病检查中的时间序列规律利用起来，使检查效果更准确，运用人工智能算法自动比较分析，提高预测效率；通过不同历史阶段的患者病情分析，有助于医生掌握疾病发展规律，有利于治疗与预后。
-
公开(公告)号：CN120070868A
公开(公告)日：2025-05-30
申请号：CN202510225641.5
申请日：2025-02-27
Applicant: 电子科技大学
IPC: G06V10/25 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/74 , G06N3/084
Abstract: 本发明提出一种基于深度学习的可见光‑红外模态目标检测方法，属于红外探测领域。所述包括：获得需要检测的可见光图像或红外图像；将可见光图像或红外图像输入卷积神经网络，得到原始可见光图像特征或原始红外图像特征；将原始可见光图像特征或原始红外图像特征输入角点注意力模块提取可见光角点特征或红外角点特征，将原始可见光图像特征或原始红外图像特征输入邻域注意力模块提取可见光边缘特征或红外边缘特征；将提取到的特征输入训练好的YOLO目标检测器，YOLO目标检测器输出目标类型、置信度以及边界框位置，输出最终目标检测结果。本发明能有效提高找到目标通用特征的能力，同时能让模型学习到更鲁棒的特征表示，加强了模型的泛化能力。
-
公开(公告)号：CN119579876A
公开(公告)日：2025-03-07
申请号：CN202411735947.7
申请日：2024-11-29
Applicant: 电子科技大学
IPC: G06V10/25 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/46 , G06V10/40 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于知识增强网络的改进红外小目标检测方法，属于红外目标检测领域。本方法首先基于亮度和方向的红外特性的知识，在红外图像中前景小目标区别于周围场景的温度更高，视觉上将更为明亮；红外图像中背景的和前景的轮廓运动趋势、平滑纹理在视觉上存在明显差异，改进通用显著性特征提取方案，提取红外小目标亮度和方向的显著性特征；其次提出传统知识特征和深度学习特征相融合的加权激活融合模块，有效地重新加权和激活特征图，确保模型专注于最相关的特征。本发明中提出的知识增强网络由于构建成了模块化的性质，可以应用到任意现有的目标检测模型中，辅助现有模型提高检测能力，这一方面贡献意义较大。
-
公开(公告)号：CN119107392A
公开(公告)日：2024-12-10
申请号：CN202411591349.7
申请日：2024-11-08
Applicant: 电子科技大学(深圳)高等研究院
Abstract: 本发明公开一种基于多模态大语言模型的任意骨架运动生成方法及系统，涉及计算机技术领域，解决基于文本驱动骨架动画难以保证运动自然性和连贯性，准确性和效率较低的技术问题。该方法包括：基于多模态大语言模型理解给定的骨架结构；将给定的抽象运动描述细化为关键帧的每个关节的具体运动描述；将每个关键帧的运动描述和标准姿势进行对比，生成关键帧；对关键帧进行可视化，对可视化结果进行评价并反馈；根据关键帧的信息以及运动描述生成剩余帧；对骨架结构的全部帧进行可视化，再进行评价并反馈；将对象表面和骨架结构进行绑定，生成骨架运动。本发明通过多模态大语言模型推理并细化抽象运动描述，提高了生成任意骨架运动的准确性和效率。
-
公开(公告)号：CN118502480B
公开(公告)日：2024-11-22
申请号：CN202410560969.8
申请日：2024-05-08
Applicant: 电子科技大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种无人机防撞自主决策方法，本发明基于碰撞物和无人机的三自由度质点运动模型搭建了更困难且具有随机性的无人机防撞仿真场景，并且从马尔科夫决策过程的角度建模了标准的强化学习环境，针对环境特点引入了周期重启，充分探索了无人机的状态和动作空间，提升了无人机在复杂环境下自主决策防撞的成功率。
-
Patent Agency Ranking
公开(公告)号：CN118504652B
公开(公告)日：2024-11-19
申请号：CN202410519825.8
申请日：2024-04-28
Applicant: 电子科技大学
Abstract: 本发明公开了机器人运动决策的离线强化学习方法及控制方法，本发明通过将集成的部分与强化学习训练部分解耦，放入反探索奖励建模的部分，从而大幅度了离线强化学习算法训练时间成本并且极大降低了对算力设备的要求。本发明通过集成式的随机网络蒸馏方法对训练中输入的状态‑动作对进行预测并计算出对应的反探索奖励，通过利用神经网络自身的泛化性来约束智能体探索，无需控制散度约束的力度，避免了超参数设置不当带来的约束过强或者过弱的问题。
-
公开(公告)号：CN118425087B
公开(公告)日：2024-11-19
申请号：CN202410560968.3
申请日：2024-05-08
Applicant: 电子科技大学
IPC: G01N21/3563 , G16C20/20 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的煤质成分检测方法及系统，方法包括以下步骤：通过次红外传感器获取煤炭的吸光度数据；对煤炭的吸光度数据进行预处理，得到原始特征；对原始特征进行特征多项式交叉，得到二阶交叉特征；将二阶交叉特征作为全连接网络的输入，得到第一检测特征；将原始特征作为交叉网络的输入，得到第二检测特征；将第一检测特征和第二检测特征进行合并，并通过全连接层对合并结果进行处理，得到煤质成分检测结果本发明可以实时预测入炉煤的六大成分值，帮助科学、合理地配煤掺烧，提高燃烧效率，降低碳排放。
-
公开(公告)号：CN118570610B
公开(公告)日：2024-11-15
申请号：CN202411001398.0
申请日：2024-07-25
Applicant: 电子科技大学(深圳)高等研究院
Abstract: 本发明公开了一种跨域目标检测模型训练方法、目标检测方法及装置，涉及目标检测技术领域，解决了目标检测模型的泛化能力弱，在面对自动驾驶场景下复杂多变的实际场景检测效果差的技术问题。该方法包括：根据所述领域训练样本进行训练，得到初始检测模型；构建领域判别模块，通过所述领域判别模块与所述初始检测模型进行对抗训练，由所述领域判别模块输出对抗结果；获取所述领域训练样本的前景权重信息，给所述对抗结果施加前景权重信息的约束，构建得到前景感知模块；通过所述领域判别模块和前景感知模块对所述初始检测模型进行交替训练，得到跨域目标检测模型。本发明的检测模型泛化能力强，检测效果好。
-
公开(公告)号：CN118644625B
公开(公告)日：2024-10-15
申请号：CN202411114127.6
申请日：2024-08-14
Applicant: 电子科技大学(深圳)高等研究院
Abstract: 本发明实施例公开了一种基于图文混合推理的三维室内场景生成方法及系统，所述方法包括：步骤1：处理得到三维室内场景的初始文本；步骤2：整合得到不确定性初始文本知识与初始文图规则；步骤3：进行不确定性匹配，得到不确定性中间过程知识，并将不确定性中间过程知识编码成文本结构化知识；步骤4：解码为位姿信息与对象结构纹理信息，构成三维室内场景模型；步骤5：判断是否满足用户的要求，若是，则展示模型；若否，则进入步骤6；步骤6：将模型渲染成多张RGB图像；步骤7：根据RGB图像得到中间过程文本，再返回步骤2。本发明利用图文混合推理系统，结合三维场景理解和深度学习技术，解决了三维室内设计空间浪费问题与用户个性化问题。
-
公开(公告)号：CN118644625A
公开(公告)日：2024-09-13
申请号：CN202411114127.6
申请日：2024-08-14
Applicant: 电子科技大学(深圳)高等研究院
Abstract: 本发明实施例公开了一种基于图文混合推理的三维室内场景生成方法及系统，所述方法包括：步骤1：处理得到三维室内场景的初始文本；步骤2：整合得到不确定性初始文本知识与初始文图规则；步骤3：进行不确定性匹配，得到不确定性中间过程知识，并将不确定性中间过程知识编码成文本结构化知识；步骤4：解码为位姿信息与对象结构纹理信息，构成三维室内场景模型；步骤5：判断是否满足用户的要求，若是，则展示模型；若否，则进入步骤6；步骤6：将模型渲染成多张RGB图像；步骤7：根据RGB图像得到中间过程文本，再返回步骤2。本发明利用图文混合推理系统，结合三维场景理解和深度学习技术，解决了三维室内设计空间浪费问题与用户个性化问题。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.027 seconds)
