-
公开(公告)号：CN117197578A
公开(公告)日：2023-12-08
申请号：CN202311220581.5
申请日：2023-09-20
Applicant: 广州大学
IPC: G06V10/764 , G06V10/42 , G06V10/44 , G06V10/74 , G06V10/771 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于全局和局部特征关联分析的少样本图像分类方法，其中，方法包括：步骤1，将训练任务输入卷积网络，得到原始全局特征和原始局部特征集；步骤2，计算原始全局特征和原始局部特征集的相关系数；步骤3，将局部特征划分为背景相关局部特征和类相关局部特征，调整相关系数并赋权重得到含有少量背景信息的局部特征集；步骤4，对含有少量背景信息的局部特征集进行多尺度池化拼接，得到最终查询图像局部特征集和最终支撑图像局部特征集；步骤5，计算最终查询图像局部特征和最终支撑图像局部特征集的相似度，更新网络参数；步骤6，使用多任务重复步骤1至步骤5，得到少样本分类模型；步骤7，使用模型分类。
-
公开(公告)号：CN112910534A
公开(公告)日：2021-06-04
申请号：CN202110065153.4
申请日：2021-01-18
Applicant: 广州大学
IPC: H04B7/155 , H04B17/336 , H04B17/391
Abstract: 本发明公开了一种基于数据驱动的中继选择方法、系统、装置及介质，方法包括：建立多中继网络系统模型，并根据多中继网络系统模型确定目的地的第一接收信号和第一信噪比；根据第一接收信号和第一信噪比构建第一优化模型，第一优化模型的优化目标是多中继网络的可实现速率最大化；基于数据驱动构建第一分类模型，并根据第一分类模型和第一优化模型预测得到最优中继；根据最优中继输出多中继网络的中继选择结果。本发明采用基于数据驱动的多类分类技术来解决中继选择问题，从而预测出最优中继，一方面节省了计算时间，降低了对系统的算力要求，另一方面提高了信号的传输效率以及传输可靠性，可广泛应用于无线通信技术领域。
-
公开(公告)号：CN109523489B
公开(公告)日：2021-04-02
申请号：CN201811430553.5
申请日：2018-11-28
Applicant: 广州大学
Abstract: 本发明公开了一种生成俯视无畸变倒车影像的方法，包括步骤：对摄像头进行畸变校正得到内部参数和畸变系数；将摄像头安装在车辆尾部，在车辆后方地面放置多个标记点，拍摄含有该多个标记点的图像；通过内部参数对图像进行畸变校正，记录标记点位置坐标；建立包含多个标记点的矩形区域，确定倒车影像图像尺寸，利用矩形区域大小和倒车影像图像尺寸建立虚拟相机成像模型并得到虚拟相机参数；记录标记点实际位置坐标，利用实际位置坐标与校正图像中对应点坐标的相互关系，求解虚拟相机和车辆尾部相机的位置关系矩阵R；通过R将原始畸变图像转化为俯视无畸变图像。本发明能实现对传统倒车影像进行倾斜和畸变校正，极大增强了倒车影像的直观性。
-
公开(公告)号：CN109600813B
公开(公告)日：2021-01-01
申请号：CN201811478712.9
申请日：2018-12-05
Applicant: 广州大学
Abstract: 本发明涉及无线通信技术领域，为保障信息安全的无线携能中继系统及方法，其系统包括：一个源端、多个中继端、一个合法接收端、一个能量收集端和一个窃听者；每个中继端分别与源端、合法接收端、能量收集端和窃听者连接；构造保障物理层安全通信、满足无线能量约束和各中继端单独功率约束的安全可达速率最大化问题，通过交替优化方法得到保障物理层安全的各个中继端上的局部最优安全波束成形矩阵。本发明能够实现中继的信息波束和能量波束对准目标用户，提高了中继无线通信系统的频谱和能量资源利用率，同时保障了系统的信息通信安全。
-
公开(公告)号：CN108711164B
公开(公告)日：2020-07-31
申请号：CN201810589563.7
申请日：2018-06-08
Applicant: 广州大学
Abstract: 本发明提供了一种基于LBP和Color特征的运动检测方法，包括：获取视频文件的前N帧视频帧图片，并对视频帧图片的每个像素建立基于LBP和Color的背景模型，每个背景模型中包括N个背景样本；对N个背景样本按照权重降序排列，建立运动检测模型；将视频文件的像素与运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素；对背景像素的运动检测模型进行更新；对前景像素的背景模型中的背景样本进行更新；对所述前景像素和背景像素进行滤波；该方法能够有效提高运动检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN108596034A
公开(公告)日：2018-09-28
申请号：CN201810243227.7
申请日：2018-03-23
Applicant: 广州大学
Abstract: 本发明公开了一种目标中心编码外观模型的行人重识别方法，包括步骤：分离行人图像的前景区域和背景区域，将仅包含前景区域的图像作为训练集；对图像的前景图像进行分块，对每一图像块进行视觉特征提取，采用局部约束稀疏编码进行特征表达，再通过空间金字塔聚合得到特征表示，作为图像的外观模型向量；将每一幅图像通过局部约束稀疏编码表示成相应的外观模型向量；然后在训练样本中选取一组匹配的行人图像和一组非匹配的行人图像，利用外观模型向量进行距离学习，以完成行人重识别。该方法从特征提取的角度出发，针对行人图像人体区域部分，提取视觉特征并进行局部约束稀疏编码，建立行人的外观模型，以提高行人重识别的准确性。
-
公开(公告)号：CN108401015A
公开(公告)日：2018-08-14
申请号：CN201810105232.1
申请日：2018-02-02
Applicant: 广州大学
IPC: H04L29/08 , H04L12/729 , H04L12/727 , H04L12/725 , H04L12/721
CPC classification number: H04L67/327 , H04L45/121 , H04L45/124 , H04L45/125 , H04L45/302 , H04L67/2852
Abstract: 本发明公开了一种基于深度强化学习的数据中心网络路由方法，包括下述步骤：S1、为网络划分区域，将全网划分为多个社团，一个社团作为一个区域，每个区域中节点介数最大的节点上部署一个SDN控制器，并在其上部署代理agent；S2、建立网络的全局视图，SDN控制器建立节点的邻接矩阵，节点之间链路的资源值为缓存与带宽的复合资源；S3、构建面向路由的深度强化学习框架；S4、确定路由的路径以及转发规则，SDN控制器根据agent的动作选择结果确定路径。本发明基于数据驱动的思想，将流对性能的要求转换为流对网络资源的要求；利用深度学习感知和表示高维度数据的能力发现资源的多维度特征表示，最终实现在SDN控制面为流优化地分配网络资源，实现自适应的智能路由。
-
公开(公告)号：CN119445196A
公开(公告)日：2025-02-14
申请号：CN202411359942.9
申请日：2024-09-27
Applicant: 广州大学
IPC: G06V10/764 , G06V10/774 , G06N3/088
Abstract: 本发明涉及深度学习技术，为一种基于双网络协同训练模式的两阶段带噪声标签图像分类方法及系统，划分数据集为多批次输入样本，创建两个相同网络对输入样本进行特征提取得到输出p1和p2，结合样本标签计算一阶段总损失；保留一阶段总损失值小于阈值的样本损失，取均值以反向传播更新网络参数；对输入样本处理的记录作为样本历史信息保留；统计样本历史信息得到判别矩阵Y和权值矩阵W；用矩阵Y作为指示信号计算二阶段总损失；保留二阶段总损失值小于阈值的样本损失，用矩阵W进行重加权处理后求均值以反向传播更新网络参数；直至训练结束得到图像分类模型对图像进行分类。本发明通过挑选干净实例训练网络来对抗噪声标签的干扰，可准确过滤噪声。
-
公开(公告)号：CN119251567A
公开(公告)日：2025-01-03
申请号：CN202411312224.6
申请日：2024-09-20
Applicant: 广州大学
IPC: G06V10/764 , G06V10/774 , G06V10/40
Abstract: 本发明涉及图像分类技术，为一种基于多样本特征迁移的长尾图像分类方法及系统，其方法包括步骤：从分批次输入的长尾数据集的训练样本中提取原始特征；对原始特征进行多样本特征迁移处理；对迁移处理后的输出特征进行多样本特征互异处理；根据多样本特征迁移处理得到的输出特征以及互异处理得到的互异特征，采用全连接层分类器对样本特征进行训练分类，获得训练预测输出结果；所述方法通过对原始特征进行多样本特征迁移、互异处理，将长尾图像的头类样本特征信息迁移到尾类样本，使用于对长尾图像进行分类的分类模型的关注得到偏移，并保持对原有头类样本特征信息的关注，能有效改善长尾数据集的分类效果。
-
公开(公告)号：CN117237727A
公开(公告)日：2023-12-15
申请号：CN202311215737.0
申请日：2023-09-19
Applicant: 广州大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗网络原型修正的少样本图像分类方法及系统，其中，方法包括：将数据集划分为训练集、验证集和测试集，由训练集训练得到特征嵌入网络以及对抗网络；利用特征嵌入网络提取样本特征，对样本特征进行修正得到提前修正的类别原型，将噪声和提前修正的类别原型输入对抗网络，生成伪样本特征，得到伪类别原型；融合伪类别原型和提前修正的类别原型得到二次修正的类别原型，对训练集样本进行相似性度量，得到样本的分类损失，用于微调特征嵌入网络；由验证集验证特征嵌入网络性能，获取最优特征嵌入网络；通过最优特征嵌入网络进行少样本任务测试，对测试中的每个类别原型进行修正，基于修正后的原型实现对查询样本的分类。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.029 seconds)
