-
公开(公告)号：CN117372506A
公开(公告)日：2024-01-09
申请号：CN202311314357.2
申请日：2023-10-11
Applicant: 南京邮电大学
IPC: G06T7/70 , G06N3/0475 , G06N3/094 , G06N3/0495 , G06N3/082 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于知识蒸馏和生成对抗网络的面向边缘设备的姿态估计方法，属于图像识别技术领域；主要包括：将处理后的训练集输入到Hourglass网络中训练教师模型和学生模型；基于生成对抗网络的知识蒸馏方法，使用原始教师模型的输出结果作为真值获得对抗损失，同时结合原始学生模型自身的损失对原始学生模型进行再训练，获得性能更加优异的学生模型；进行新学生模型部署；与传统的知识蒸馏方法相比，本发明能够更加有效地将教师模型的知识传递给学生模型，使学生模型能够更加有效的获取教师模型的知识，解决当前姿态估计方案难以部署到边缘设备上的问题。
-
公开(公告)号：CN115576823A
公开(公告)日：2023-01-06
申请号：CN202211293353.6
申请日：2022-10-21
Applicant: 南京邮电大学 , 安徽晶奇网络科技股份有限公司
Abstract: 一种基于端到端变分自编码(DDVAE)的KPI异常检测方法，该方法包括以下步骤：步骤一：首先对所需评估的关键性能指标KPI数据进行获取；步骤二：将收集到的KPI数据进行编码处理，对KPI数据编码获得隐变量；步骤三：对隐变量数据进行解码处理，得到重构后的KPI数据；步骤四：将KPI数据以及编码和解码的结果通过一个长短期记忆网络进行训练，保留KPI数据时序性的特征，得到每一个KPI数据对应的异常得分；步骤五：定义偏差网络以优化异常评分网络，对异常得分进行标准化处理，以消除指标之间的量纲影响；步骤六：将标准化之后的异常得分通过损失函数网络进行训练，使得异常样本的得分显著偏离参考分数，从而判断出异常KPI数据。
-
公开(公告)号：CN115496165A
公开(公告)日：2022-12-20
申请号：CN202211293373.3
申请日：2022-10-21
Applicant: 南京邮电大学 , 安徽晶奇网络科技股份有限公司
Abstract: 一种基于自我学习双向GAN的异常检测方法，步骤包括：对原始数据集进行筛选过滤，得到只含有正常数据的训练数据集；使用训练数据集对基于原始GAN的异常检测模型进行训练；针对原始GAN模型的缺陷进行模型优化；使用训练数据集对优化后的异常检测模型进行训练；使用优化后的异常检测模型对测试数据集进行异常检测。本发明提出的新模型解决了原始模型中奖励稀疏性和模式崩溃的问题，提高了生成器生成样本的多样性以及异常检测的准确性。
-
公开(公告)号：CN119399524A
公开(公告)日：2025-02-07
申请号：CN202411460285.7
申请日：2024-10-18
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V40/18 , G16H30/20 , G16H50/20 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种面向小样本的糖尿病视网膜病变的分类方法及系统，属于图像处理和医学领域，其中，分类方法由基于轻量级RexNet通道优化的预训练阶段，眼底图像数据预处理阶段，数据增强阶段，基于迁移学习的模型微调训练阶段，系统实现阶段组成；本发明解决了医学图像数据样本少和患者隐私问题，打破基层社区DR诊断能力不足的壁垒。同时结合迁移学习，在ImageNet进行预训练，得到预训练模型。对数据进行增强，提高糖尿病视网膜病变分类检测系统的准确度，降低计算成本，辅助基层社区针对糖尿病视网膜病变临床诊断，进行糖尿病视网膜病的预防筛查诊断。
-
公开(公告)号：CN116486237A
公开(公告)日：2023-07-25
申请号：CN202310669806.9
申请日：2023-06-07
Applicant: 南京邮电大学
IPC: G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/084 , G06N3/0442 , G06N3/045 , G06V40/20 , G06F21/32
Abstract: 本发明属于毫米波雷达和深度学习领域，公开了一种基于深度学习与毫米波雷达的步态身份识别方法，包括以下步骤：步骤1、使用毫米波雷达采集识别目标的行走数据，得到原始数据，步骤2、获取样本数据，步骤3、构建AttResNet‑LSTM神经网络模型，步骤4、对构建好的神经网络模型进行训练，将原始数据划分成训练集、验证集和测试集，步骤5、将测试集上的样本数据传输到神经网络模型，通过Softmax函数评估用户身份的最大可能性，步骤6、验证神经网络模型的泛化性与准确性。本发明进行的身份识别活动可以最大程度地保护用户个人隐私数据，并且毫米波指向性强，抗干扰能力强，感测成像分辨率更高，环境因素影响较小。
-
Patent Agency Ranking
公开(公告)号：CN112800225A
公开(公告)日：2021-05-14
申请号：CN202110120528.2
申请日：2021-01-28
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06F40/242 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种微博评论情绪分类方法和系统，属于自然语言处理技术领域，方法包括如下步骤：采集原始微博评论文本数据并进行预处理获得微博文本数据集；对微博文本数据集进行预训练；利用情绪词典选取微博文本中包含情绪的句子作为局部情绪特征；利用训练好的胶囊网络提取微博文本的整体情绪特征；对微博文本的整体情绪特征和局部情绪特征进行融合，获得该微博文本的情绪分类结果；将微博用户的所有微博文本的情绪分类结果求和取平均值，根据所述平均值确定微博用户微博评论的情绪倾向。本发明的方法和系统从局部与整体方面使用深度学习方法进行学习，能更加准确地判断微博用户的情绪倾向，能提高情绪分类准确率。
-
公开(公告)号：CN119475097A
公开(公告)日：2025-02-18
申请号：CN202411664305.2
申请日：2024-11-20
Applicant: 南京邮电大学
IPC: G06F18/2415 , G06F18/214 , G06N20/20 , G16H50/30 , G16H50/70
Abstract: 本发明涉及一种基于迭代式的欠采样代价敏感集成分类方法，属于医疗数据分析技术领域，尤其适用于处理不平衡数据集中的疾病预测模型。本发明通过迭代式的欠采样策略，动态调整多数类样本的采样概率，确保在训练过程中重点关注少数类样本的特征，同时避免丢失多数类样本的重要信息。结合代价敏感学习和集成学习，提出了一种能够在保持分类器整体准确率的同时，显著提高少数类样本预测性能的分类方法。该方法具有良好的适应性，适用于多种不平衡数据集场景，在医疗数据分析和疾病预警中展现了出色的应用效果。
-
公开(公告)号：CN119446531A
公开(公告)日：2025-02-14
申请号：CN202411667193.6
申请日：2024-11-20
Applicant: 南京邮电大学
IPC: G16H50/30 , G16H50/70 , G06N20/20 , G06F18/22 , G06F17/16 , G06F18/243 , G06F18/2411 , G06F18/2415 , G06F18/214
Abstract: 本发明提供了一种基于特征组合和集成学习的心脏病预测方法，包括数据集预处理、特征组合、基础分类器训练和集成预测四个阶段。数据预处理阶段对公开心脏病数据集进行量纲统一和缺失值的处理，并将处理好的数据集利用设计的特征组合算法进行特征间的组合，生成新的特征矩阵，并采用多样性增强算法对新特征矩阵进行处理，最终生成不同的子特征矩阵作为多个基础分类器的输入进行训练，将每个基础分类器的预测结果进行集成，实现最终分类预测。
-
公开(公告)号：CN114239970B
公开(公告)日：2024-11-12
申请号：CN202111563857.0
申请日：2021-12-20
Applicant: 南京邮电大学
IPC: G06Q10/04 , G06F30/27 , G06F18/214 , G06Q10/0631 , G06Q50/40 , G06F119/02
Abstract: 本发明是一种面向民用航空机场的航班跑道滑行时间预测方法，首先：获取机场历史航班数据并对其进行预处理；而后将机场历史航班数据拆分为进港和离港两大类，统计各个航班进港和离港的滑行时间并删除异常滑行时间数据；构建各个航班的关键特征数据，将所有特征数据构成样本数据集并将其划分为训练样本和测试样本；接着：以训练样本为输入，选取多种机器学习方法进行训练得到多个航班跑道滑行时间预测模型；最后：利用测试样本对各个预测模型的性能进行评估，选择预测效果最好且符合实际应用需求的模型。本发明分析了影响民用航空机场航班跑道滑行时间的各种因素，精炼构建了关键特征指标，构造合适的预测模型，有利于提高机场航班运营效率。
-
公开(公告)号：CN117371525A
公开(公告)日：2024-01-09
申请号：CN202311318527.4
申请日：2023-10-12
Applicant: 南京邮电大学
IPC: G06N5/022 , G06F16/951 , G06F18/2135 , G06N3/042 , G06N3/0464 , G06F16/36 , G06N3/098
Abstract: 本发明属于医学知识表示和知识图谱补全领域，公开了一种融合实体描述的常见病知识图谱链接预测方法，包括获取实体描述数据集和事实三元组数据集；构建实体邻接矩阵和关系类型邻接矩阵，通过多关系图卷积神经网络，使实体节点聚合不同关系类型一阶邻居节点信息，充分学习图结构信息，得到基于图结构的实体嵌入和关系嵌入；对实体描述数据集进行预处理，获得初始词嵌入矩阵；对于图结构向量表示和实体描述向量表示进行联合学习，最终得到实体的最终表示，使用损失函数优化参数。本发明基于开源数据，构建中文常见病知识图谱，融合医疗实体描述信息，增强三元组实体表示的语义信息，提高链接预测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.026 seconds)
