公开(公告)号：CN119559334A

公开(公告)日：2025-03-04

申请号：CN202411772815.1

申请日：2024-12-04

Applicant: 南京邮电大学

Inventor： 许建 ,  王淼 ,  徐瑄晨 ,  陈蕾

IPC: G06T17/00 ,  G06N3/045 ,  G06T7/73 ,  G06N3/08 ,  G06V10/82 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明的一种基于能量损失不确定性投票的神经辐射场优化方法及设备，包括获取训练和测试神经辐射场所需的数据集；将ActiveNeRF训练所使用的NLL函数改为能量损失函数并使用了更加合理的正则项；使用能量损失训练模型；搭建多头注意力网络模型；获取训练多头注意力网络模型的数据集；训练多头注意力网路模型；使用训练好的注意力网络模型对测试位姿下噪声较大的采样点颜色值进行替换，提升最终渲染效果。本发明通过贝叶斯方法建模数据不确定性并使用能量损失进行训练，缓解了负对数似然损失会产生过大的方差而不管预测均值正确与否，损害模型训练的问题。在此基础上，本发明进一步将数据不确定性融入到了多头注意力网络模块中，提高最终的渲染质量。

公开(公告)号：CN117974634B

公开(公告)日：2024-06-04

申请号：CN202410361714.9

申请日：2024-03-28

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  唐家磊 ,  陈向龙 ,  陈欣易 ,  王淼 ,  骆健

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。

公开(公告)号：CN118152975A

公开(公告)日：2024-06-07

申请号：CN202410238321.9

申请日：2024-03-03

Applicant: 南京邮电大学通达学院

Inventor： 雷禄均 ,  齐裕佳 ,  叶修卿 ,  王淼

IPC: G06F18/25 ,  G06F18/2431

Abstract: 本发明公开基于标识特征分析的大数据融合调控方法，涉及工业互联网技术领域；而本发明包括数据采集和数据访问；本发明中，通过基于标识理论将标识分类为对象标识、通信标识以及资源标识，并且详细定义了每种标识下可能存在的数据字段类型，对象标识包括对象类别、对象状态、对象功能以及对象属性，通信标识包括链路状态、链路类别以及链路性能，资源标识包括资源类别、资源状态以及资源性能，上述的标识划分最终目的是为设备接入以及计算卸载的优化提供数据支撑，从而增强数据多样性，边缘节点能够适配多种类型的协议和数据格式，从而增加边缘侧数据类型，丰富边缘节点功能。

公开(公告)号：CN117974634A

公开(公告)日：2024-05-03

申请号：CN202410361714.9

申请日：2024-03-28

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  唐家磊 ,  陈向龙 ,  陈欣易 ,  王淼 ,  骆健

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。