-
公开(公告)号：CN112634266B
公开(公告)日：2024-03-19
申请号：CN202110014812.1
申请日：2021-01-06
Applicant: 厦门大学 , 厦门大学附属中山医院
Abstract: 本发明公开了一种喉镜图像的半自动标注方法、介质、设备及装置，其中该方法包括：获取标记有杓状软骨位置和前联合位置的喉镜图像；对喉镜图像进行跟踪算法处理，以获取杓状软骨位置信息和前联合位置信息；根据杓状软骨位置信息计算杓状软骨的质心，以及根据前联合位置信息计算前联合的中心；以及对喉镜图像进行预处理，以从喉镜图像中获取声带区域图像；对声带区域图像进行分割处理，以获取声门区域图像，并在声门区域图像中获取区域最左边的点和区域最右边的点；最后根据杓状软骨的质心、前联合的中心和区域最左边的点和区域最右边的点对喉镜图像进行标注；从而在节约时间成本和人力成本的同时还为大数据分析打下了基础。
-
公开(公告)号：CN112634266A
公开(公告)日：2021-04-09
申请号：CN202110014812.1
申请日：2021-01-06
Applicant: 厦门大学 , 厦门大学附属中山医院
Abstract: 本发明公开了一种喉镜图像的半自动标注方法、介质、设备及装置，其中该方法包括：获取标记有杓状软骨位置和前联合位置的喉镜图像；对喉镜图像进行跟踪算法处理，以获取杓状软骨位置信息和前联合位置信息；根据杓状软骨位置信息计算杓状软骨的质心，以及根据前联合位置信息计算前联合的中心；以及对喉镜图像进行预处理，以从喉镜图像中获取声带区域图像；对声带区域图像进行分割处理，以获取声门区域图像，并在声门区域图像中获取区域最左边的点和区域最右边的点；最后根据杓状软骨的质心、前联合的中心和区域最左边的点和区域最右边的点对喉镜图像进行标注；从而在节约时间成本和人力成本的同时还为大数据分析打下了基础。
-
公开(公告)号：CN118194012A
公开(公告)日：2024-06-14
申请号：CN202410192850.X
申请日：2024-02-21
IPC: G06F18/213 , G06F18/25 , G06F18/24 , G06N7/01 , G06V20/58 , G06V10/44 , G06N3/0464 , G06N3/044 , G06N3/0455 , G06N3/0442
Abstract: 本申请的实施例提供了一种数据知识双驱动的多模态大模型的可信度增强方法及装置。该方法包括：将预处理后的各待处理数据输入至预先训练完成的多模态大模型中，以使多模态大模型输出对应的融合特征；基于预先设定的时空碰撞策略，将融合特征与预设的知识基础进行时空碰撞处理，得到时空碰撞结果以确定融合特征对应的初始可信度；采用贝叶斯公式，将融合特征和时空碰撞结果进行概率融合，得到融合结果以对初始可信度进行更新，得到融合特征对应的目标可信度；将融合特征和目标可信度输入至预先训练完成的分类网络中以得到分类结果。本申请实施例的技术方案可以准确确定模型输出结果的可信度，进而提升后续决策质量。
-
公开(公告)号：CN117271838A
公开(公告)日：2023-12-22
申请号：CN202311099808.5
申请日：2023-08-29
Applicant: 厦门大学
IPC: G06F16/901 , G06F9/48 , G06N3/042 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种车载有向无环图任务调度方法及系统，其中方法包括：构建车载任务有向无环图模型，获取各个子任务对应的拓扑结构信息；利用图神经网络对当前子任务对应的拓扑结构信息进行双向聚合，以得到当前子任务对应的高维特征表示；构建车辆通信网络，获取历史子任务的调度策略、所有待执行任务车辆的计算能力和实时位置信息，以得到车辆通信网络的手工特征表示；将当前子任务对应的高维特征表示和手工特征拼接后输入到深度强化学习网络以得到当前子任务的调度策略，以根据调度策略对当前子任务进行调度分配；由此，不仅能够利用图神经网络提高传统深度强化学习算法面对新有向无环图车载任务的泛化能力，还能够实时调度车载任务。
-
公开(公告)号：CN115884386A
公开(公告)日：2023-03-31
申请号：CN202211456948.9
申请日：2022-11-21
Applicant: 厦门大学
IPC: H04W72/0446 , H04W72/0453 , H04W72/044 , H04W72/53 , G06F18/23213
Abstract: 本发明公开了一种基于个性化多粒度无级图染色的无线资源管理方法，包括：建立多址融合资源管理模型；获取用户设备之间的无线资源的潜在干扰关系，并根据潜在干扰关系和多址融合资源管理模型获取用户设备之间的潜在干扰值，以便以用户设备为顶点，用户设备之间的潜在干扰值为边的权重，建立无向干扰图；根据无向干扰图对所述顶点进行干扰隔离，以便将顶点映射到对应的染色轴上，并根据顶点在染色轴的位置对应的RGB色值对顶点进行染色；基于多粒度聚类算法对经过隔离染色后的顶点分簇，以不同的宽容度将染色轴上的顶点划入多个干扰耐受间隔，以便同一个干扰耐受间隔中的用户设备可以复用相同的无线资源；由此，降低了系统干扰，从而提高资源利用率。
-
Patent Agency Ranking
公开(公告)号：CN109730679B
公开(公告)日：2021-02-02
申请号：CN201811523766.2
申请日：2018-12-13
Applicant: 厦门大学
IPC: A61B5/08
Abstract: 本发明提供一种可穿戴的呼吸检测装置及呼吸测量方法，涉及智能穿戴设备领域。此装置包括包括贴身服装本体、呼吸传感器和信号处理器。呼吸传感器，固定于服装本体对应胸腔的部位，包括应变传感器及固定在应变传感器两端的电极材料；其中，应变传感器包括导电内芯和弹性封装层。信号处理器，固定在所述服装本体，用于将所述呼吸传感器输出的信号转换成可视化数据。此装置与人体贴合度高，结构简单且灵敏度高。本发明提供一种呼吸测量方法，检测方法简单有效，能实时检测并获得被测者呼吸频次和幅度信息。
-
公开(公告)号：CN118646655A
公开(公告)日：2024-09-13
申请号：CN202410762783.0
申请日：2024-06-13
Abstract: 本申请的实施例提供了一种基于社交网络的节点通信方法、装置、介质及设备。该方法包括：根据陌生节点的任务需求以及陌生节点在当前时刻之前与目标社交网络中各网络节点之间的交互信息，生成陌生节点在当前时刻对应的第一节点特征；根据目标社交网络中网络节点之间的关联信息以及各网络节点对应的第二节点特征，生成初始环境信息并更新，得到目标环境信息；将目标环境信息与第一节点特征输入至强化学习模块中，确定陌生节点每一可能的动作对应的奖励，以得到目标社交网络中每一网络节点对应的关注值，从而确定陌生节点的通信策略。本申请实施例的技术方案可以提高通信资源分配的合理性，进而保证节点之间信息交换的效率和准确性。
-
公开(公告)号：CN114638357B
公开(公告)日：2024-05-31
申请号：CN202210186097.4
申请日：2022-02-28
Applicant: 厦门大学
IPC: G06N3/098 , G06N3/092 , G06N3/0985 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06F9/50 , G06F21/62
Abstract: 本发明公开了一种基于自动联邦学习的边缘计算系统及其学习方法，其中基于自动联邦学习的边缘计算系统包括：公有云、边缘云、边缘计算盒子和智能终端设备；公有云汇聚边缘云输入的神经网络模型结构和参数进行不同权重的参数更新优化，边缘云存储边缘计算盒子上传的数据，并采用基于强化学习的神经架构搜索模型搜索最佳模块组合进行局部化模型训练，边缘盒子部署训练好的神经网络模型为智能终端设备提供实时算力，智能终端设备采集图像、语音、文字等信息；本发明能够有效解决预设网络对独立同分布数据效果差的问题，同时能够很好的保护用户隐私，同时边缘盒子能够快速响应智能终端采集的数据，具有广泛的应用前景。
-
公开(公告)号：CN116842380A
公开(公告)日：2023-10-03
申请号：CN202310686128.7
申请日：2023-06-09
Applicant: 厦门大学
IPC: G06F18/214 , G06F18/211
Abstract: 本发明公开了一种根据本发明实施例的基于客户端成簇的混合联邦分割学习的模型训练方法，包括每个学习客户端根据成簇策略与其周围的辅助客户端进行分簇，以得到多个学习簇；根据簇头选定策略在每个学习簇中选择一个特殊的客户端作为簇头，以便本地基站根据基站带宽分配策略为簇头分配带宽；簇头根据本地基站分配的带宽获取本地基站下发的全局模块，簇头根据模型切分和分配策略将全局模型切分为多个模型段，并分发给所有簇成员进行协作训练；簇头收集簇内的所有簇成员训练好的本地模型并将其上传至本地基站，以便本地基站将簇头上传的本地模型进行聚合，不仅用户计算、存储和通信负载小，而且用户并行度、对用户非独立同分布数据敏感度高。
-
公开(公告)号：CN115600692A
公开(公告)日：2023-01-13
申请号：CN202211165871.X
申请日：2022-09-23
Applicant: 厦门大学(CN)
Abstract: 本申请公开了一种基于集成模型的个性化联邦学习方法及装置，其中方法包括：各参与者在本地数据集上构建新的单模型拟合全局模型的残差，将训练完成的本轮单模型上传至服务器；服务器根据数据量对模型进行第一次加权，将确定权重后的本轮集成模型下发给各参与者；各参与者在本地数据进行本轮模型简化操作，将最终的选择结果以二进制编码的形式再次上传；服务器根据模型简化结果重新为当前轮次的模型确定权重，并将他们加入到全局模型中下发给各参与者；到达预定轮次后，各参与者得到个性化模型；由此，通过将集成模型融入联邦学习框架以及构建对应的模型个性化方法和通信成本节约方案，提升了联邦学习在非独立同分布的结构化数据上的预测性能。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.024 seconds)
