-
公开(公告)号：CN110162651B
公开(公告)日：2023-07-14
申请号：CN201910327490.9
申请日：2019-04-23
Applicant: 南京邮电大学 , 南京邮电大学盐城大数据研究院有限公司
IPC: G06F16/58 , G06F16/33 , G06F40/253 , G06F40/295 , G06F18/241
Abstract: 本发明揭示了一种基于语义内容摘要的新闻内容图文不符鉴别系统及鉴别方法。系统包括新闻报道采集模块、文本事件树构建模块、图片实体抽取模块、关联关系库构建模块、待测信息读取模块、图文关系判断模块以及最大似然判断模块。方法包括新闻报道采集步骤、文本事件树构建步骤、图片实体抽取步骤、关联关系库构建步骤、待测信息读取步骤、图文关系判断步骤以及最大似然判断步骤。本发明能够让用户迅速地判断出新闻内容中图文的一致性，帮助用户筛选掉一批不实的新闻报道和一群不负责任的新闻媒体。本发明不仅有效地提高了鉴别操作的效率，同时也充分地保证了鉴别结果的准确性。
-
公开(公告)号：CN110162651A
公开(公告)日：2019-08-23
申请号：CN201910327490.9
申请日：2019-04-23
Applicant: 南京邮电大学 , 南京邮电大学盐城大数据研究院有限公司
Abstract: 本发明揭示了一种基于语义内容摘要的新闻内容图文不符鉴别系统及鉴别方法。系统包括新闻报道采集模块、文本事件树构建模块、图片实体抽取模块、关联关系库构建模块、待测信息读取模块、图文关系判断模块以及最大似然判断模块。方法包括新闻报道采集步骤、文本事件树构建步骤、图片实体抽取步骤、关联关系库构建步骤、待测信息读取步骤、图文关系判断步骤以及最大似然判断步骤。本发明能够让用户迅速地判断出新闻内容中图文的一致性，帮助用户筛选掉一批不实的新闻报道和一群不负责任的新闻媒体。本发明不仅有效地提高了鉴别操作的效率，同时也充分地保证了鉴别结果的准确性。
-
公开(公告)号：CN114724061B
公开(公告)日：2025-02-11
申请号：CN202210296371.3
申请日：2022-03-24
Applicant: 南京邮电大学
IPC: G06V20/40 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 一种基于视觉语言双向编码变换器和排序损失函数的异常检测方法，首先将每个视频表示为一个视频包，包含至少一个异常实例的视频包为正类包，不含任何异常实例的视频包为负类包；然后将两类包都分割成相同且固定数量的时间段，每一个时间段即为视频包中的一个实例，再将两类包输入基于共同注意力和自注意力机制的视觉语言双向编码变换器ViLBERT模块，从而得到ViLBERT特征；接着将ViLBERT特征输入到全连接神经网络中，并对该神经网络基于排序损失函数进行训练；最终构建一个有效区分异常事件和正常事件的异常检测模型，每个实例能够获得各自的异常得分，从而实现视频异常检测。本方法解决了异常检测中缺乏大量帧级标签的问题，保证了异常事件和正常事件的有效区分。
-
公开(公告)号：CN118506145B
公开(公告)日：2024-09-17
申请号：CN202410955850.0
申请日：2024-07-17
Applicant: 南京邮电大学
IPC: G06V10/80 , G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了空时多尺度交互的视频摘要生成方法及系统，涉及图像处理技术领域。本发明包括：接收待处理视频构成数据集，对数据集进行改造，为数据集中每个视频添加类别，并将视频按照类别划分训练集和测试集，要求测试集中的类别不能在训练集中出现；根据划分的训练集和测试集，分别为其查询集选取支持集视频。本发明能够将传统视频摘要生成技术改造成面向少样本场景的视频摘要生成技术，模型仅需要少量的样本即可快速掌握同类视频的摘要生成所需关注的重点，对于训练中没有见过的类别可以快速泛化。并且利用双分支结构获取空时特征，并结合多尺度交互方式充分利用空时特征，为生成摘要提供多尺度的信息。
-
公开(公告)号：CN114612836B
公开(公告)日：2024-04-05
申请号：CN202210254979.X
申请日：2022-03-15
Applicant: 南京邮电大学
IPC: G06V20/40 , G06V20/52 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084 , H04N17/00
Abstract: 本发明提供一种基于记忆增强未来视频帧预测的监控视频异常检测方法，属于视频异常检测技术领域。该方法，首先搭建并优化学习异常检测模型，异常检测模型包括生成器网络和判别器网络；其中，生成器网络包括编码器、记忆模块和解码器，生成下一时刻的视频帧，即未来视频帧；判别器网络通过计算未来视频帧的异常分数，使用异常分数作为判断未来视频帧是否异常的标准；通过强度损失、梯度损失、光流损失、对抗损失和交叉熵损失对搭建的异常检测模型进行优化学习；然后对监控视频中的异常事件进行检测；该方法能显著提高监控视频中的异常检测精度；生成器网络具有较高的通用性和鲁棒性，能够嵌入到大多数异常检测方法中，提高其异常检测的性能。
-
Patent Agency Ranking
公开(公告)号：CN116339994A
公开(公告)日：2023-06-27
申请号：CN202310318645.9
申请日：2023-03-27
Applicant: 南京邮电大学
IPC: G06F9/50 , G06F30/20 , G06F111/06 , G06F111/04
Abstract: 本发明公开了一种基于用户协作与无线功率传输的无人机辅助移动边缘计算系统的优化方法，包括：获取的无人机辅助移动边缘计算系统的系统数据和待处理计算任务；基于获取到的系统数据和待处理计算任务，对预设的联合优化模型进行求解，得到优化结果；基于优化结果，控制无人机按最优的无人机飞行轨迹飞行，将最优地面活动用户卸载的数据量卸载至地面空闲用户和无人机，根据最优分配将待处理计算任务分配给地面活动用户、地面空闲用户、无人机和卫星进行计算。本发明能够在满足无人机能耗限制的基础上最大化所有地面用户的任务完成量。
-
公开(公告)号：CN115278692A
公开(公告)日：2022-11-01
申请号：CN202210851325.5
申请日：2022-07-20
Applicant: 南京邮电大学
Abstract: 本发明公开了移动边缘计算网络中基于二部图匹配的用户接入控制方法，包括：采用的移动边缘计算网络中配置一个基站和K个用户设备；所述基站配置了最大计算能力为F个CPU周期的MEC服务器；建立用户接入控制优化问题模型；步骤二：将优化问题模型转化为优化信道分配的二部图匹配问题；使用匈牙利算法求解优化信道分配的二部图匹配问题，获得最大匹配值；步骤三：根据最大匹配值，得到用户接入控制决策。在满足截止时间之前完成计算任务的条件下，对接入MEC服务器的用户设备、用户设备上传的数据量和分配的信道进行优化，使得能完成计算任务的用户设备数量最大化。
-
公开(公告)号：CN115171052A
公开(公告)日：2022-10-11
申请号：CN202211087138.0
申请日：2022-09-07
Applicant: 南京邮电大学
IPC: G06V20/52 , G06V40/10 , G06V10/82 , G06V10/774 , G06T7/73
Abstract: 本发明公开了一种基于高分辨率上下文网络的拥挤人群姿态估计方法，提供了全局前馈网络GFFN和动态前馈网络DFFN，能够在始终保持图像的二维结构信息的情况下，捕获骨干网络中间特征图包含的上下文信息，并增强特征表示对被遮挡人体的动态适应性；提供一种新型人体姿态估计网络，即高分辨率上下文网络HRNeXt，该网络能够提取到具有丰富的上下文信息的高分辨率特征表示，高效地对图像中不同人体之间及不同身体部位之间的位置关系进行抽象理解，有效解决重遮挡环境下姿态识别精度下降的问题。该方法能够准确、高效地对被遮挡人体的姿态进行预测，对重遮挡环境具有较强的鲁棒性。
-
公开(公告)号：CN112926555B
公开(公告)日：2022-07-26
申请号：CN202110465721.X
申请日：2021-04-28
Applicant: 南京邮电大学
Abstract: 本发明是一种基于自编码器数据增强的小样本无源行为感知方法，包括如下步骤：(1)采集包含人体行为信息的信道状态信息；(2)对信道状态信息去噪处理；(3)构建一个基于数据增强自编码器的神经网络模型；(4)采用少量的真实样本训练数据增强自编码器，生成大量具有不同特征向量的重构样本；(5)构建一个基于卷积神经网络的人体行为识别模型，将增强数据样本和真实样本作为模型的输入，对网络模型进行调优，根据分类网络对样本在不同类别上的响应值，得到行为识别结果。本发明解决无源行为感知在小样本训练数据状态下存在的模型过拟合问题，增强模型的泛化性和稳定性，保障人体行为识别的精度。
-
公开(公告)号：CN114612836A
公开(公告)日：2022-06-10
申请号：CN202210254979.X
申请日：2022-03-15
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于记忆增强未来视频帧预测的监控视频异常检测方法，属于视频异常检测技术领域。该方法，首先搭建并优化学习异常检测模型，异常检测模型包括生成器网络和判别器网络；其中，生成器网络包括编码器、记忆模块和解码器，生成下一时刻的视频帧，即未来视频帧；判别器网络通过计算未来视频帧的异常分数，使用异常分数作为判断未来视频帧是否异常的标准；通过强度损失、梯度损失、光流损失、对抗损失和交叉熵损失对搭建的异常检测模型进行优化学习；然后对监控视频中的异常事件进行检测；该方法能显著提高监控视频中的异常检测精度；生成器网络具有较高的通用性和鲁棒性，能够嵌入到大多数异常检测方法中，提高其异常检测的性能。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.026 seconds)
