-
公开(公告)号：CN119397288A
公开(公告)日：2025-02-07
申请号：CN202411408542.2
申请日：2024-10-10
IPC: G06F18/22 , G06V30/422 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06Q50/18
Abstract: 本申请适用于信息处理技术领域，提供了一种基于对比学习的外观专利相似度确定方法及终端设备，方法包括：获取待比较的第一外观专利文件和第二外观专利文件；确定第一外观专利文件与第二外观专利文件的分类号相似度和名称相似度；将第一外观专利文件中的多张产品视图与第二外观专利文件中的多张产品视图进行配对，得到多个视图对；确定每一个视图对的相似度，根据预先学习到的每一个视图的预设自适应权重，计算第一外观专利文件与第二外观专利文件的视图相似度；将分类号相似度、名称相似度以及视图相似度的加权和，确定为第一外观专利文件与第二外观专利文件的整体相似度，能够降低外观专利相似度认定的人工成本，提高外观专利相似度确定的准确度。
-
公开(公告)号：CN117094986B
公开(公告)日：2024-04-05
申请号：CN202311324323.1
申请日：2023-10-13
IPC: G06T7/00 , G06V10/22 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/082 , G06N3/0464
Abstract: 本申请适用于缺陷检测技术领域，提供了一种基于小样本的自适应缺陷检测方法及终端设备，方法包括：为正常样本图像集中的每张正常电池图像分别添加一个掩码区域，将添加了掩码区域的正常电池图像确定为掩码图像，并记录每张掩码图像中的掩码区域的位置信息和尺寸信息；通过训练好的缺陷图像生成模型分别对各张掩码图像进行处理，得到各张掩码图像分别对应的预测缺陷图像；基于所有预测缺陷图像以及对应的掩码图像中的掩码区域的位置信息和尺寸信息，生成第一训练集，并通过第一训练集对缺陷检测模型进行训练；通过训练好的缺陷检测模型对待检测电池图像进行缺陷检测，能够提高小样本情况下缺陷检测模型的缺陷检测准确度。
-
公开(公告)号：CN117094986A
公开(公告)日：2023-11-21
申请号：CN202311324323.1
申请日：2023-10-13
IPC: G06T7/00 , G06V10/22 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/082 , G06N3/0464
Abstract: 本申请适用于缺陷检测技术领域，提供了一种基于小样本的自适应缺陷检测方法及终端设备，方法包括：为正常样本图像集中的每张正常电池图像分别添加一个掩码区域，将添加了掩码区域的正常电池图像确定为掩码图像，并记录每张掩码图像中的掩码区域的位置信息和尺寸信息；通过训练好的缺陷图像生成模型分别对各张掩码图像进行处理，得到各张掩码图像分别对应的预测缺陷图像；基于所有预测缺陷图像以及对应的掩码图像中的掩码区域的位置信息和尺寸信息，生成第一训练集，并通过第一训练集对缺陷检测模型进行训练；通过训练好的缺陷检测模型对待检测电池图像进行缺陷检测，能够提高小样本情况下缺陷检测模型的缺陷检测准确度。
-
公开(公告)号：CN115240120B
公开(公告)日：2022-12-13
申请号：CN202211148927.0
申请日：2022-09-21
Abstract: 本申请适用于设备管理技术领域，提供了一种基于对抗网络的行为识别方法、装置、电子设备及存储介质，方法包括：接收待识别的目标视频数据；从目标视频数据中提取多个关键视频帧，并将关键视频帧上传至云端服务器，以通过部署于云端服务器的行为指导网络生成第一行为数据；将目标视频数据导入预设的帧间动作提取网络，得到帧间动作特征数据；将目标视频数据导入上下文注意力网络，确定目标视频数据中目标对象的第二行为数据；接收云端服务器反馈的第一行为数据，并根据动作特征信息、第一行为数据以及第二行为数据，确定目标对象的行为类别。采用上述方法能够在确保行为识别准确性的同时，能够减少本地运算的运算量。
-
公开(公告)号：CN119624783A
公开(公告)日：2025-03-14
申请号：CN202311174816.1
申请日：2023-09-12
IPC: G06T3/4076 , G06T5/70 , G06T5/73 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种任意尺度的特征解相关图像超分辨率重建方法与系统。对真实超分辨率图像ISR进行数据增强，得到低分辨率图像ILR；把ILR输入到提取特征的神经网络g(·)中，得到特征图Z'＝g(ILR)；对Z'进行均值降维和随机傅里叶特征解相关，得到解相关特征图Z；建立用于超分辨率重建的位置投影模块和权重预测网络#imgabs0#构造损失函数，对g(·)以及权重预测网络#imgabs1#进行优化训练，得到训练后的#imgabs2#与权重预测网络#imgabs3#用户输入待处理的低分辨率图像到神经网络#imgabs4#中，并利用权重预测网络#imgabs5#和位置投影模块共同重建出超分辨率图像。本发明可以实现面向真实世界任意尺度超分辨率重建，满足了任意尺度的超分辨重建需求，且采用特征解相关，从理论上保证了学习到图像的本质特征。
-
Patent Agency Ranking
公开(公告)号：CN117095273A
公开(公告)日：2023-11-21
申请号：CN202311324584.3
申请日：2023-10-13
Abstract: 本申请实施例适用于计算机技术领域，提供了一种在线协同的工业视觉检测方法及终端设备，应用于任一计算节点，每个所述计算节点对应一个图像组别；所述方法包括：将服务器发送的关于所述图像组别的待检测图像输入至预设的工业视觉检测模型，生成关于所述待检测图像的安全检测结果；待检测图像是所述任一计算节点对应的所述图像组别中的图像；将安全检测结果发送至所述服务器，并接收所述服务器反馈的工业检测结果；工业检测结果由所述服务器基于N个计算节点发送的安全检测结果生成；工业检测结果用于确定所有所述工业图像中的待检测物体是否符合所述工业安全指标。通过本实施例提供的方法，可以提高工业视觉检测的效率。
-
公开(公告)号：CN115457660A
公开(公告)日：2022-12-09
申请号：CN202211155011.8
申请日：2022-09-21
Abstract: 本申请适用于设备管理技术领域，提供了一种基于时空关系的行为识别方法及电子设备，方法包括：接收待识别的目标视频数据；将所述目标视频数据导入预设的帧间动作提取网络，得到帧间动作特征数据；将所述帧间动作特征数据导入特征提取网络，输出所述目标视频数据对应的稀疏特征数据；所述特征提取网络是通过选择权重对池化融合网络内的各个卷积核进行稀疏性约束处理后生成的；将所述目标视频数据导入上下文注意力网络，确定所述目标视频数据中目标对象的步态行为数据；根据所述步态行为数据以及所述稀疏特征数据，得到所述目标对象的行为类别。采用上述方法能够大大降低了视频数据在进行行为识别过程中的计算成本，继而提高了运算效率。
-
公开(公告)号：CN104079997A
公开(公告)日：2014-10-01
申请号：CN201410327694.X
申请日：2014-07-10
IPC: H04N21/466 , H04N21/258
Abstract: 本发明实施例公开了一种数字电视个性化节目的推荐系统及其方法，其中，该系统包括：节目信息记录模块，用于记录用户观看节目的数据信息；节目信息分析模块，用于分析所述节目信息记录模块所存储的用户观看记录，挖掘出用户喜好的节目内容；节目推荐模块，用于根据所述节目信息分析模块所挖掘出的用户喜好的节目内容为用户预告节目的下期播放时间，以及为用户推荐同类型的节目。在本发明实施例中，挖掘出用户喜好的节目和频道，并根据用户的偏好推荐一些类似节目，解决了目前无法真正挖掘数字电视终端用户潜在的个性需求的技术问题，也解决了目前数字电视互动平台无法为数字电视终端用户提供个性化数字电视服务的技术问题。
-
公开(公告)号：CN115240120A
公开(公告)日：2022-10-25
申请号：CN202211148927.0
申请日：2022-09-21
Abstract: 本申请适用于设备管理技术领域，提供了一种基于对抗网络的行为识别方法、装置、电子设备及存储介质，方法包括：接收待识别的目标视频数据；从目标视频数据中提取多个关键视频帧，并将关键视频帧上传至云端服务器，以通过部署于云端服务器的行为指导网络生成第一行为数据；将目标视频数据导入预设的帧间动作提取网络，得到帧间动作特征数据；将目标视频数据导入上下文注意力网络，确定目标视频数据中目标对象的第二行为数据；接收云端服务器反馈的第一行为数据，并根据动作特征信息、第一行为数据以及第二行为数据，确定目标对象的行为类别。采用上述方法能够在确保行为识别准确性的同时，能够减少本地运算的运算量。
-
公开(公告)号：CN119939525A
公开(公告)日：2025-05-06
申请号：CN202510437329.2
申请日：2025-04-09
Applicant: 中山大学
IPC: G06F18/25 , G06N3/082 , G06N3/096 , G06V10/44 , G06V10/80 , G06V10/82 , G06F18/213 , G06F18/2433 , G06F18/26 , H04L67/12 , G06F123/02
Abstract: 本发明涉及物联网和深度学习技术领域，公开了一种基于深度学习的AIoT多模态数据融合决策方法、系统及应用，方法包括获取多模态数据进行特征提取，生成各模态数据的特征表示；利用自适应门控加权机制，将各模态数据的特征表示进行融合处理，生成融合特征表示，将融合特征表示转换为轻量级特征；将轻量级特征上传至云端，通过预部署在云端的自适应深度学习模型对轻量级特征进行高层次特征融合，得到的高层次融合特征表示；根据高层次融合特征表示，生成决策结果。本发明提高了多模态数据融合技术在特征提取、跨模态关联性挖掘和边缘端实时处理的能力，能够满足智能空间对多模态数据高效融合与低延迟动态决策的需求。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.023 seconds)
