-
公开(公告)号：CN116912579A
公开(公告)日：2023-10-20
申请号：CN202310872315.4
申请日：2023-07-17
Applicant: 大连理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/42
Abstract: 本发明属于人工智能计算机视觉领域，具体涉及一种基于多层级注意力机制的场景图生成方法。首先使用预训练的目标检测网络获取图像中的对象信息，并从图像信息中获取的动态化层级先验知识，在此基础上通过多层级注意力结构对已有对象及对象对特征进行编码，最终分类得到对象类别及关系类别并获得场景图。本发明构建了一种更清晰的方式来表达物体的层次关系，并有效的利用层级注意力，使得结果的生成更依赖于对其影响更大的子区域，提高了结果的精确度。
-
公开(公告)号：CN114461961A
公开(公告)日：2022-05-10
申请号：CN202111650276.0
申请日：2021-12-30
Applicant: 大连理工大学
IPC: G06F16/958 , G06F30/27 , G06K9/62 , G06F111/04
Abstract: 本发明提供一种基于NMF和低秩张量的不完整多模态媒体数据聚类方法，属于媒体信息处理技术与数据挖掘技术领域。包括以下步骤：(1)应用于网络社交媒体平台的不完整多模态媒体数据预填充和分解；(2)基于不完整多模态社交媒体平台数据的低秩张量模型融合；(3)融入测量机制，学习多模态社交媒体平台数据的共识表示；(4)计算和优化联合目标函数，迭代更新直至满足收敛条件，完成聚类学习。该模型可以有效融合模态中的可见实例和视图之间的信息，以填补缺失的信息。也可以通过多个模态的高阶相关性来捕获缺失信息，这有助于获得良好的多模态聚类结果。
-
公开(公告)号：CN114461961B
公开(公告)日：2024-08-20
申请号：CN202111650276.0
申请日：2021-12-30
Applicant: 大连理工大学
IPC: G06F16/958 , G06F30/27 , G06F18/214 , G06F18/23213 , G06F111/04
Abstract: 本发明提供一种基于NMF和低秩张量的不完整多模态媒体数据聚类方法，属于媒体信息处理技术与数据挖掘技术领域。包括以下步骤：(1)应用于网络社交媒体平台的不完整多模态媒体数据预填充和分解；(2)基于不完整多模态社交媒体平台数据的低秩张量模型融合；(3)融入测量机制，学习多模态社交媒体平台数据的共识表示；(4)计算和优化联合目标函数，迭代更新直至满足收敛条件，完成聚类学习。该模型可以有效融合模态中的可见实例和视图之间的信息，以填补缺失的信息。也可以通过多个模态的高阶相关性来捕获缺失信息，这有助于获得良好的多模态聚类结果。
-
公开(公告)号：CN117294374A
公开(公告)日：2023-12-26
申请号：CN202311231909.3
申请日：2023-09-22
Applicant: 大连理工大学
IPC: H04B17/391 , H04B17/336 , H04B17/345 , H04W4/80 , H04W52/24
Abstract: 本发明属于计算机应用技术领域，具体涉及一种面向医学植入式设备的电磁干扰下跨介质信道建模方法。本发明中，首先，明确人体各组织在2.4GHz频率附近的介电常数，设置精细人体体素模型。其次，采用时域有限积分法对2.4GHz信号的人体内至体外无线信道进行建模，利用大量仿真实验数据对提出的路径损耗模型进行参数拟合。最后，在新型植入式医疗设备无线通信系统中，计算多源干扰情况下的信干噪比，将其作为植入式医疗设备功率自调节的参考指标。本发明利用该路径损耗模型分析了多源干扰下植入式医疗设备无线通信系统的信干噪比，对新型低功耗植入式医疗设备功率自调节模块实现、天线设计等工作具有指导意义。
-
Patent Agency Ranking
公开(公告)号：CN111144579A
公开(公告)日：2020-05-12
申请号：CN201911391055.9
申请日：2019-12-30
Applicant: 大连理工大学
IPC: G06N20/00
Abstract: 一种基于非负矩阵分解的多模态鲁邦特征学习模型，属于计算机技术领域。首先，对多模态数据集进行归一化和特殊值预处理。其次，将各模态数据在低维共享空间中进行重构，利用图正则化思想，对数据空间上的几何空间进行拟，同时引入噪声矩阵为数据空间中去除噪声，构建基于非负矩阵分解的多模态鲁棒特征学习模型。再次，根据模型优化结果，依次更新各个模态的映射矩阵和所有模态的共享特征矩阵，更新噪声矩阵，更新模态权重因子。最后，判断本次模型值和上一次模型值之间的差异，迭代更新第三步直至满足模型收敛条件。本发明依照上述步骤推导出了一种行之有效的模型来解决含有噪声的多模态数据特征学习问题。通过大量实验验证，本发明所得到的数据表示性能优于现阶段相关模型。
-
公开(公告)号：CN110781972A
公开(公告)日：2020-02-11
申请号：CN201911048971.2
申请日：2019-10-31
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 提供一种增量无监督多模态相关特征学习模型，属于计算机技术领域。首先，获取已完成特征学习实例的相关数据，对新到来的多模态数据实例进行归一化和特殊值预处理。其次，构建基于非负矩阵分解的增量无监督多模态相关特征学习模型。再次，根据模型推导出模型中模态投影矩阵和新实例模态私有特征和共享特征的更新公式，对其进行联合优化。最后，计算模型值，判断本次模型值与上次模型值的变化幅度是否满足收敛条件，若满足，则计算得到的新实例的低维共享特征为模型的执行结果；否则重复第三步直至收敛。本发明构建一种行之有效的模型来解决增量多模态数据特征学习的问题，通过大量实验验证，本发明所学习到的特征表示性能要优于现阶段相关模型。
-
公开(公告)号：CN119990244A
公开(公告)日：2025-05-13
申请号：CN202510083023.1
申请日：2025-01-20
Applicant: 大连理工大学
IPC: G06N3/092 , G06N3/096 , G06F18/214 , G06N5/04
Abstract: 本发明属于多智能体强化学习和协作控制技术领域，具体涉及一种基于模式图嵌入的多智能体高斯混合技能学习方法，包括高斯混合技能推断、协作模式图嵌入和分散技能选择；通过引入高斯混合技能推断，以离线多任务数据集为基础，学习出能够表示复杂协作行为的技能分布；通过协作模式图嵌入捕捉任务之间实体空间分布的相似性，从而增强技能的泛化能力；通过分散技能选择模块来选择使全局收益最大化的协调技能。本发明方法在多任务环境中显著提高了智能体的协作能力和泛化性能，为多任务协作技能的学习与迁移提供了新的思路。
-
公开(公告)号：CN110378423A
公开(公告)日：2019-10-25
申请号：CN201910663371.0
申请日：2019-07-22
Applicant: 腾讯科技(深圳)有限公司 , 大连理工大学
IPC: G06K9/62
Abstract: 本申请涉及一种特征提取方法、装置、计算机设备及存储介质，该方法包括：获取目标对象的多模态的原始特征数据；对各模态的原始特征数据进行映射降维，分解得到由变量表示的共享特征数据和各模态的由变量表示的私有特征数据；根据所述共享特征数据和各所述私有特征数据，重构各模态的特征数据；确定各模态的所述原始特征数据和重构的特征数据之间的差异；通过调整由变量表示的共享特征数据的值和由变量表示的私有特征数据的值，使所述差异最小化；获取所述差异最小化时的共享特征数据的值，得到所述目标对象的最终融合的共享特征。本申请的方案，能够提高特征提取的准确性。
-
公开(公告)号：CN103700241A
公开(公告)日：2014-04-02
申请号：CN201310723287.6
申请日：2013-12-20
Applicant: 大连理工大学
Abstract: 本发明公开了一种微震监测数据的无线传输系统，包括用于采集微震信号并将其转换为数字信号的微震采集处理单元，用于将转化后的数字信号进行简单处理并发送至远程的数据分析中心及分析、决策客户端的现场服务单元，用于接收数字信号的机房服务器，用于对接收到的数字信号进行分析的数据分析中心，用于进行分析决策并进行远程控制的分析、决策客户端。本发明将微震采集处理单元采集到的微震信号转换成数字信号后通过GPRS网络发送到远程的数据分析中心及分析、决策客户端，实现了对地质灾害中微震监测的及时管理和分析。本发明可靠性高、实时性强、监控范围广、扩容性强、成本低，大大提高了微震信息分析处理和预警的工作效率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
