-
公开(公告)号：CN118195003A
公开(公告)日：2024-06-14
申请号：CN202410373848.2
申请日：2024-03-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种结合时空图卷积的强化学习推理方法，属于知识图谱推理领域，包括以下步骤：S1、确定推理任务；S2、建立知识图谱环境；S3、智能体获取当前节点状态，卷积当前节点周围时空信息集合，作为策略网络的输入；S4、把S3获取的状态输入到策略网络中，获取动作概率函数，智能体从策略网络输出的动作概率函数中随机抽样，选择一个动作执行，与环境交互后获取奖励；S5、获取状态转移集合后，使用蒙特卡洛策略梯度更新网络参数。本发明采用上述的一种结合时空图卷积的强化学习推理方法，搭建时空图卷积网络获取当前节点在推理过程中的时空信息，进而提高智能体在当前节点的信息获取密度，提高路径推理活动的准确性。
-
公开(公告)号：CN115908987B
公开(公告)日：2023-05-30
申请号：CN202310057815.2
申请日：2023-01-17
Applicant: 南京理工大学
IPC: G06V10/774 , G06V10/82 , G06N3/084 , G06V10/764 , G06N3/0464 , G06N3/045
-
公开(公告)号：CN115797794A
公开(公告)日：2023-03-14
申请号：CN202310057656.6
申请日：2023-01-17
Applicant: 南京理工大学
IPC: G06V20/13 , G06V10/62 , G06V10/774 , G06V10/82 , G06V20/40 , G06V10/778
Abstract: 本发明公开了一种基于知识蒸馏的卫星视频多目标跟踪方法，包括以下步骤：构造专门用于目标检测的教师网络；构造用于多目标跟踪的学生网络；结合教师网络和学生网络构建知识蒸馏模块；根据知识蒸馏损失和已有损失优化学生网络模型；结合目标检测结果，输出多目标跟踪结果。本发明的优点在于将知识蒸馏技术应用于卫星视频的多目标跟踪，利用专门用于目标检测的教师网络指导学生网络学习，提升了学生网络检测的泛化能力，可适用于卫星视频中的多目标跟踪问题。
-
公开(公告)号：CN115620803A
公开(公告)日：2023-01-17
申请号：CN202211359901.0
申请日：2022-11-02
Applicant: 南京理工大学
IPC: G16B5/20 , G16B15/30 , G16B40/00 , G06F18/2415 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于跨图注意力的蛋白质相互作用点位预测方法，步骤如下：S1、获取蛋白质数据，对每一对蛋白质分别构建一个表示残基关系的图结构；S2、对于步骤S1中构建的图，提取残基的生信特征构建节点特征矩阵；S3、对于步骤S1中构建的图，提取残基的空间特征构建图邻接特征矩阵；S4、对步骤S3构建的蛋白质图通过图卷积神经网络进行图编码；S5、在步骤S4的基础上，对步骤S3构建的蛋白质图进行跨图信息交互；S6、对步骤S5得到的节点特征进行堆叠，构成残基对特征；S7、将步骤S6得到的残基对特征送入分类器，预测该残基对是否发生了相互作用。本发明的预测方法，具有较强的表征能力和学习能力，在蛋白质相互作用点位预测任务中获得了优异表现。
-
公开(公告)号：CN115392474A
公开(公告)日：2022-11-25
申请号：CN202210671735.1
申请日：2022-06-14
Applicant: 南京理工大学 , 北京空间飞行器总体设计部
IPC: G06N20/00 , G06V10/25 , G06V10/44 , G06V10/764 , G06V10/80
Abstract: 本发明公开了一种基于迭代优化的局部感知图表示学习方法，在每次迭代过程中，通过将全局统计标签图和个体标签分布图进行融合，为每个图像样本动态地构建不同的标签图，实现标签节点之间相关性的自适应。对每个图像学习特定的节点特征表示，同时利用过去的预测结果作为指导，来预测图像的多标签。并且，在迭代优化的模型框架中，通过构建重复的网络模块，实现了多标签预测结果的从粗糙到精细的优化过程。本发明采用上述的一种基于迭代优化的局部感知图表示学习方法，可以实现更加鲁棒的多标签预测。
-
Patent Agency Ranking
公开(公告)号：CN115115654A
公开(公告)日：2022-09-27
申请号：CN202210670321.7
申请日：2022-06-14
Applicant: 北京空间飞行器总体设计部 , 南京理工大学
Abstract: 本发明公开了一种基于显著性和近邻形状查询的物体图像分割方法，步骤如下：S1、在CPU中输入图像I，进行M个尺度的过分割；S2、针对步骤S1划分的每个尺度的区域集合，基于区域上下文和封闭性先验，计算显著性，并将多个尺度的结果进行加权融合，得到图像的显著性图；S3、将得到的显著性图进行划分，通过设置三级阈值T1、T2、T3；S4、根据显著性特征图的相似性查找近邻分割形状，计算得到形状概率图；S5、将形状概率图和颜色概率图融合，通过优化求解Graph Cut问题，得二值分割结果。本发明采用上述的一种基于显著性和近邻形状查询的物体图像分割方法，使形状模型更好地拟合实例形状，具有更优的物体分割性能。
-
公开(公告)号：CN112749585A
公开(公告)日：2021-05-04
申请号：CN201911041763.X
申请日：2019-10-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于图卷积的骨架动作识别方法，其基本单元是一个时空图卷积模块。该时空图卷积模块包括以下步骤：获取骨架视频，基于每一帧的骨架视频构建一个骨架图(graph)，根据该骨架图定义不同的人体部件组合，且对各人体部件组合构建关节点关系图，进一步构造成为多维关系交互图，其包含部件组合交互维度和关节点交互维度；对多维交互图分别在关节点交互维度上和部件组合交互维度上进行图卷积；然后把两个图卷积得到的空间特征送到时间切片的局部卷积网络获取时间动态特征。在本发明的网络模型中堆叠多个时空图卷积模块来构建神经网络，并使用softmax分类器进行分类。
-
公开(公告)号：CN119832992A
公开(公告)日：2025-04-15
申请号：CN202411939467.2
申请日：2024-12-26
Applicant: 南京理工大学
IPC: G16B40/00 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种面向抗体的双分支结构特征预测方法，涉及蛋白质表示学习和蛋白质结构预测技术领域，包括以下步骤：步骤一、对于一个给定的抗体氨基酸序列作为输入，提取出抗体的MSA特征、Pair特征、模板特征共三类特征，对三类特征进行协同融合；步骤二、构建双分支结构特征预测模块，优化抗体结构；步骤三、模型训练；步骤四、模型测试，得到抗体结构。本发明采用上述一种面向抗体的双分支结构特征预测方法，实现了高效且精准的抗体结构特征预测，为抗体相关研究和应用提供了强大支持。
-
公开(公告)号：CN118762316A
公开(公告)日：2024-10-11
申请号：CN202410520488.4
申请日：2024-04-28
Abstract: 本发明提供了一种基于深度学习Yolov8的遛狗不牵绳违法识别方法，属于计算机视觉技术领域，包括：获取待检测图像；对待检测图像进行犬只检测，得到犬只检测框，并对其进行犬只状态判断，得到犬只检测框中是否存在犬只状态结果；对犬只检测框存在犬只状态结果进行绳体检测，得到绳体‑犬只检测框，并对其进行判断，得到绳体是否处于正确拴狗状态结果；若绳体处于正确栓狗状态，对绳体‑犬只检测框进行人体检测，得到人体‑绳体‑犬只检测框，并对其进行判断，得到人体是否处于正确牵狗状态结果或预估人体正确牵狗状态结果。本发明解决了现有技术中无法预估合法牵狗状态的问题，提高了公共区域管理员管理犬只效率，减少了误判、错判的现象发生。
-
公开(公告)号：CN117711636B
公开(公告)日：2024-08-13
申请号：CN202311727080.6
申请日：2023-12-15
Applicant: 南京理工大学
IPC: G16H50/80 , G16H50/50 , G06N3/0464
Abstract: 本发明公开了基于注意力机制的张量时空图卷积的猴痘疫情预测方法，属于人工智能领域和流行病学研究领域的交叉任务。具体而言，该方法首先将流行病网络建模为无向属性图(Graph)，基于航班量和自适应学习共同构建节点的空间邻接关系，节点属性来自所代表国家的猴痘病例数。此外，节点的属性具备动态时序性，从而使整个网络可以被建模为时空图结构。本发明在高维张量空间中建模了时空图内部的时空关联，实现了对时空关联的统一建模。此外，本发明首次将航班信息融入时空图卷积网络，并利用注意力机制来学习额外的空间依赖性，在猴痘疫情病例预测任务中，该方法表现出了优异的性能。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.025 seconds)
