-
公开(公告)号：CN106056160A
公开(公告)日：2016-10-26
申请号：CN201610392603.X
申请日：2016-06-06
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6227 , G06K9/6269 , G06K9/6276
Abstract: 本发明公开了非均衡IPTV数据集下的用户报障预测方法，主要步骤：(1)导入IPTV用户观看记录并提取数值型指标；(2)平均每位用户的观看记录；(3)初始化平衡值β；(4)采用均基于马氏距离的ODR和BSMOTE算法删除不报障样本，增加人工报障样本；(5)使用TOMEK算法删除对分类有负面影响的新增样本；(6)将重建后的样本数据集放入自适应变核宽度的SVM分类器中训练；(7)将待预测的IPTV用户数据，输入到训练好的SVM的检测器中。由于采用改进BSMOTE和ODR算法均基于马氏距离，不仅避免变量的多重相关性所带来的信息重叠，还不受样本点属性之间不同量纲的影响，获得更佳的样本数据改造效果，削弱了噪声点和冗余点对报障预测的干扰，大幅度提高了分类器预测准确度。
-
公开(公告)号：CN104406586A
公开(公告)日：2015-03-11
申请号：CN201410729335.7
申请日：2014-12-04
Applicant: 南京邮电大学
IPC: G01C21/16
CPC classification number: G01C21/165
Abstract: 本发明公开了基于惯性传感器的行人导航装置，包括微处理器以及分别与之连接的三轴加速度传感器、三轴陀螺仪、三轴磁力计和无线通信模块，所述微处理器接收三轴加速度传感器、三轴陀螺仪和三轴磁力计采集的数据，并通过无线通信模块将这些数据上传至PC机上。本发明还公开了基于前述装置的行人导航方法，包括步伐阶段检测算法、脚体方位估计算法和扩展卡尔曼滤波算法。本发明在保证精确度的同时极大限度地降低了计算的复杂度，在实际环境中不必消耗大量硬件功耗也能保证实时性的要求。
-
公开(公告)号：CN119011844A
公开(公告)日：2024-11-22
申请号：CN202411075764.7
申请日：2024-08-07
Applicant: 南京邮电大学
IPC: H04N19/154 , H04N19/70 , H04N19/42 , H04L1/00 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/096
Abstract: 本发明公开了一种应对多变场景的跨模态信源信道联合编解码方法，涉及跨模态图像信号重建技术领域，包括：首先设计于Transformer编码器的跨模态信道编解码优化方案，实现信道编码器与信道解码器的性能提升与鲁棒性。其次设计基于隐扩散模型的触觉‑图像生成的跨模态信源编解码优化方案，实现图像信号丢失场景下，利用触觉信息指导图像生成；最后引入迁移学习技术，降低了系统面对多变跨模态通信场景例如多变信道信噪比，不同传输任务等导致的额外训练成本。本发明提供的信源信道联合编解码方法能够在跨模态通信多变场景下解决了接收端无法很好完成图像重建以及多变信道环境和场景导致的额外模型训练成本。
-
公开(公告)号：CN114677311B
公开(公告)日：2024-11-12
申请号：CN202210205553.5
申请日：2022-03-03
Applicant: 南京邮电大学
IPC: G06T5/50 , G06T5/73 , G06T5/60 , G06T7/529 , G06V10/40 , G06V10/22 , G06V10/74 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种基于注意力机制的跨模态图像修复方法及装置，方法包括：选取多模态数据集，包括缺损图像数据、真实图像数据和触觉信号，将该数据集划分为训练集和测试集；设计一个基于注意力机制的跨模态图像修复AGVI模型，该模型包括可学习特征提取、转移特征注意力、相关嵌入学习和跨模态图像修复四个模块；利用训练集对跨模态图像修复AGVI模型进行训练，得到最优的跨模态图像修复AGVI模型结构及网络参数；利用测试集中的触觉信号和缺损图像数据，基于最优的跨模态图像修复AGVI模型进行跨模态修复图像。本发明通过引入注意力机制，精准定位图像缺损区域，并利用触觉信号中的关键信息修复预测、填充该区域，实现图像高质量、细粒度修复。
-
公开(公告)号：CN113642604B
公开(公告)日：2023-08-18
申请号：CN202110776711.8
申请日：2021-07-09
Applicant: 南京邮电大学
IPC: G06F18/25 , G06F18/2415 , G06N3/0499 , G06N3/0895 , H04L67/1097
Abstract: 本发明公开了一种基于云边协同的音视频辅助触觉信号重建方法，首先利用中心云使用存储的大规模音视频数据库来学习知识，并将其转移到边缘节点；而后边缘节点将自身接收到的音视频信号与中心云的知识相结合，充分挖掘模态间内在语义的相关性和一致性；最后融合所得音频和视频信号的语义特征并输入触觉生成网络，从而实现触觉信号的重建。本发明很好地解决了多模态数据集的音频和视频信号的数量不足以及人工标注无法为训练数据集中的所有音视频信号添加语义标签的问题；还更好地挖掘了不同模态异构数据之间的语义关联，消除了模态间的异质性差距；多模态语义特征的融合实现了模态间信息的互补与增强，能够提升触觉信号的生成效果。
-
Patent Agency Ranking
公开(公告)号：CN113627482B
公开(公告)日：2023-08-18
申请号：CN202110776966.4
申请日：2021-07-09
Applicant: 南京邮电大学
IPC: G06V10/80 , G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于音频—触觉信号融合的跨模态图像生成方法，其步骤包括：1）选取包含音频数据、图像数据、触觉信号在内的多模态数据集，将该数据集划分为训练集和测试集；2）设计一个音频—触觉信号融合的跨模态图像生成模型，该模型包括深度语义融合、潜在空间学习和跨模态图像生成三个模块；3）利用训练集对该模型进行训练，得到最优参数；4）利用测试集中的触觉信号和音频数据，基于所训练好的模型，跨模态地生成对应的图像。本发明公开了一种基于音频—触觉信号融合的跨模态图像生成装置，本发明引入了强大的生成对抗机制，并且利用了标签信息，有效提高了图像生成的准确性和鲁棒性。
-
公开(公告)号：CN113468413B
公开(公告)日：2023-05-16
申请号：CN202110630879.8
申请日：2021-06-07
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/735 , G06F16/783
Abstract: 本发明公开了一种面向多用户共享的多媒体网络视频推荐方法，首先，在多用户共享的环境下，利用收集的节目信息构建多用户特征，根据节目特征的相似性、用户观看行为的连续性，构建主导用户标签，实现多用户混合日志的分离，并进行未来会话的周期性多用户识别预测；其次，基于时变LinUCB算法建立用户兴趣挖掘模型来学习用户对每个节目主题的兴趣变化，从并行式计算、自适应控制探索系数、基于LSTM的增量更新三个角度，来增强推荐系统的个性化能力与效率；最后，基于非时变LinUCB算法建立物品质量模型以进一步确保节目质量，并采用交叉加权策略将上述的两个算法集成为最终的推荐系统模型，形成最终的节目推荐列表。本发明保证推荐结果的新颖性与准确性。
-
公开(公告)号：CN114979013A
公开(公告)日：2022-08-30
申请号：CN202210534895.1
申请日：2022-05-17
Applicant: 南京邮电大学
IPC: H04L47/24 , H04L47/2441 , H04L47/2425 , H04L47/80 , H04L47/83
Abstract: 本发明公开了一种面向多模态业务的传输模式选择与资源分配方法，属于无线通信领域，包括将多模态业务分类，根据用户对的多模态业务种类选择对应的传输模式；根据传输模式估计音视频流需要的带宽和/或设置触觉信号的端到端时延阈值；根据设备的状态信息计算信道增益，根据数据包的平均到达率和设备的服务速率估计队列状态；通过NSGA3算法为每对用户的音视频和触觉信号分配合适的传输链路和资源。本发明所述方法基于不同的多模态业务设计了3种传输模式，通过模式选择和资源分配为每一对用户灵活地选择适当的链路来传输异构信号，以解决多模态信号需求差异大的问题，并且能够实现更高的带宽满足率和更低的平均端到端时延。
-
公开(公告)号：CN114842384A
公开(公告)日：2022-08-02
申请号：CN202210476817.0
申请日：2022-04-30
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向6G的触觉模态信号重建方法，此重建方法包括，采集数据样本，构建包含视频和触觉模态信号的数据集；通过利用两种模态信号间的语义关联性，基于深度学习构建具有内在语义关联驱动下的跨模态信号重建模型；使用数据集对跨模态信号重建模型进行训练，直至重建信号质量满足要求或偏差无法继续优化；本发明中为面向6G跨模态应用场景，构建包括视频和触觉的模态数据集VisTouch；基于深度学习技术将具有语义关联性的视频模态信号重建为触觉模态信号；为提升信号重建质量，利用对抗损失与均方误差损失这两类损失函数作为目标函数，并基于VisTouch进行训练，验证了该重建方法的准确性。
-
公开(公告)号：CN114595739A
公开(公告)日：2022-06-07
申请号：CN202210031393.7
申请日：2022-01-12
Applicant: 南京邮电大学
Abstract: 本申请涉及一种图像‑触觉信号相互重建方法和装置。该方法包括：通过接收到待重建信号，待重建信号为视觉信号或图像信号；将待重建信号输入到训练好的深度重建网络模型中进行数据重建，获得重建后的信号；训练深度重建网络模型的步骤包括：搭建基于自编码器构成的深度重建网络模型，将数据集划分为训练集和测试集对深度重建网络模型进行第一阶段和第二阶段的训练；第一阶段和第二阶段的训练交替重复进行，直至深度重建网络模型的训练结果收敛，获得初步深度重建网络模型；将测试集中图像‑触觉信号输入初步深度重建网络模型进行测试，获得训练好的深度重建网络模型。提升了跨模态重建方法接收端信号恢复的泛化能力和恢复质量。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.042 seconds)
