-
公开(公告)号：CN119962380A
公开(公告)日：2025-05-09
申请号：CN202510057508.3
申请日：2025-01-14
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N20/00 , G06N3/08 , G06F18/213 , G06F18/25 , G06F111/04 , G06F119/08
Abstract: 本发明提出基于物理约束的自适应神经网络的湿物理参数化方法，构建一个结合物理约束的自适应湿物理参数化模型，参数化模型分为两个阶段，第一阶段通过基于双分支的特征提取网络提取来自适应聚合全局与局部信息，从而获得不同尺度的特征信息；第二阶段，为了保留大气状态、对流和云的历史数据变化，设计卷积长短期记忆模块与注意力机制的结合，学习过去时刻和当前已知的大气状态等动态变化关系，然后通过注意力机制去融合筛选学习到的特征来预测湿物理过程中湿度和温度变化趋势等，最后，在训练过程和网络推理过程中还引入湿静态能量守恒作为物理约束来避免模拟结果产生不稳定性和气候漂移等问题。本发明方法参数化过程效率和精度有明显提升。
-
公开(公告)号：CN118134809A
公开(公告)日：2024-06-04
申请号：CN202410408260.6
申请日：2024-04-07
Applicant: 成都信息工程大学
IPC: G06T5/77 , G06V40/16 , G06V10/774 , G06V10/25 , G06V10/80
Abstract: 本发明提出基于面部属性信息预测的自适应人脸修复网络和装置，通过面部解析网络的微调，从缺失人脸中预测获得完整脸部属性信息，以提供面部结构信息，如缺失人脸应有的姿势、表情和角度等；在面部修复中，区别现有人脸先验信息的方法，通过可分离自适应归一化模块自适应地提取结构信息并进行归一化，将预测的属性信息和输入人脸图像的特征信息进行自适应融合，以准确的结构指导面部结构的生成，最后通过多头判别器的身份提取器获取生成的图像和原始图像的身份信息，使用身份损失约束保证生成中身份的准确性。实验结果表明，本发明方法与现有方法相比，即使在复杂的遮挡部位不同的情况下，也能修复出具有准确结构和清晰纹理的面部图像。
-
公开(公告)号：CN117765378A
公开(公告)日：2024-03-26
申请号：CN202410197246.6
申请日：2024-02-22
Applicant: 成都信息工程大学
IPC: G06V20/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种多尺度特征融合的复杂环境下违禁物品检测方法和装置，通过加强局部特征提取和缓解特征融合的语义冲突来提高对重叠目标和小目标的检测能力，设计多尺度注意力模块主干增强网络对重叠物体的局部特征提取能力，引入挤压激励注意力机制减少目标区域的冗余信息；针对小目标的信息丢失问题，设计自适应融合特征金字塔网络，引入包含细节信息的浅层特征和包含语义信息的深层特征防止小目标信息丢失；采用自适应权重融合策略和通道注意力机制，避免直接融合造成的目标信息丢失。实验结果表明，与现有方法相比，本发明即使在物品遮挡严重、背景复杂的情况下也能准确检测出目标，同时具有更优秀的小目标检测能力。
-
公开(公告)号：CN116681679A
公开(公告)日：2023-09-01
申请号：CN202310683187.9
申请日：2023-06-09
Applicant: 成都信息工程大学 , 南充生物医药产业技术研究院
Abstract: 本发明提出基于双分支特征融合注意的医学图像小目标分割方法，尤其涉及医学图像癌变区域和目标器官的分割，主要针对小目标分割精度不高的问题。构建的分割模型主要包括两个核心模块：双分支特征融合模块DFFM和反向注意上下文模块RACM，首先利用双分支特征编码器提取多分辨率特征，然后构建DFFM，聚合全局和局部上下文信息，实现特征间的信息互补，为精确分割小目标提供足够的指导。为了缓解医学图像边界模糊导致的分割精度下降，提出了反向注意上下文模块来增强特征的边缘纹理，本发明采用六个不同的数据集作为训练集，通过实验证明，本发明方法在参数更少，推理速度更快，模型复杂度更低的情况下，其分割精度比现有方法有更好的表现。
-
公开(公告)号：CN116013449B
公开(公告)日：2023-07-07
申请号：CN202310273797.1
申请日：2023-03-21
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种融合临床信息与磁共振图像的心肌病预后辅助预测方法，所述方法首先采用Relief特征选择算法进行临床指标的筛选，然后将筛选出的临床指标与心脏MRI图像进行特征融合，构建预测神经网络模型MM‑Net包括两个独立的特征提取分支：临床特征分支和图像特征分支，分别进行临床指标和心脏MRI图像的特征提取，最后将两个分支分别提取的高维特征信息进行融合处理，输出最终的心脏MRI图像分类结果，辅助预测扩张型心肌病患者是否发生严重的预后事件。实验结果表明，本发明的辅助预测方法在引入临床指标后，辅助预测的各项指标均有提高，采用的特征层融合策略表现也有优异的表现。
-
Patent Agency Ranking
公开(公告)号：CN116319818A
公开(公告)日：2023-06-23
申请号：CN202310297475.0
申请日：2023-03-24
Applicant: 成都信息工程大学
IPC: H04L67/1074 , H04L41/14 , H04L41/147 , H04L67/10
Abstract: 本发明涉及一种面向智慧城市通信网络的资源分配优化系统，包括网络资源配置云平台和网络节点。网络资源配置云平台包括网络构建模块、特征获取模块、序列生成模块、属性集成模块和状态预测模块。网络资源配置云平台通过网络通信数据在不同时刻下的数据快照形成相应的网络通信子图序列；并根据对应通信结构网络分析得到各个网络节点的第一节点特征和第二节点特征；基于每个网络节点的第一节点特征和第二节点特征分析得到对应时刻下的通信结构网络的节点转移概率矩阵；基于转移节点集合和各个网络节点扩充后的第一节点特征分析得到对应网络节点的属性集以对转移概率预测模型进行训练，基于所述转移概率预测模型预测目标网络节点的节点重要度。
-
公开(公告)号：CN115468679A
公开(公告)日：2022-12-13
申请号：CN202211126087.8
申请日：2022-09-16
Applicant: 成都信息工程大学
IPC: G01K13/00 , G01M13/04 , G01M17/007 , G06K9/62
Abstract: 本发明涉及一种基于大数据和数字化工厂的产品检测方法，其包括：将目标机器产品的待测轴承部件划分为易测轴承区域和非易测轴承区域。通过目标机器产品在试车过程中激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和转速生成第一多维试车特征序列。通过待测轴承部件的目标轴承区域在试车过程中的关联温度分布数据生成第二多维试车特征序列。利用第一多维试车特征序列、第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型，然后根据所述温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据。
-
公开(公告)号：CN113936318A
公开(公告)日：2022-01-14
申请号：CN202111218941.9
申请日：2021-10-20
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于GAN人脸先验信息预测和融合的人脸图像修复方法，本发明方法的神经网络以VAE结构为主干网络，包括两个阶段，首先经过stage‑I阶段的粗修神经网络生成具有人脸结构内容信息的粗糙图像，同时通过融合人脸轮廓，区域和关键点中间特征得到人脸生成指导信息，然后为了更好的考虑人脸结构信息，通过stage‑II阶段的精修神经网络对stage‑I的结果进行精修，在第二生成器中间引入指导信息以实现人脸细节、结构精细化，最终生成自然和谐，结构对称的人脸图像，本发明采用全局和局部两种判别器来做监督，以保证生成更高质量的人脸图像。
-
公开(公告)号：CN110674882A
公开(公告)日：2020-01-10
申请号：CN201910931124.4
申请日：2019-09-27
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于傅立叶函数变换的异常点检测方法，该方法具体包括以下步骤：第一步，将原始数据集进行聚类操作；第二步，计算簇密度和均值密度，以原数据集的均值密度作为阈值，将数据集进行精简；第三步，对剩余数据集进行傅立叶变换，利用回归方程将离散值连续化。第四步，进行傅立叶变换后的数据与标准正余弦函数进行相似度对比，找出异常数据。本发明的有益效果是：本发明可以有效的提高异常点检测算法的准确率，能大幅度减少异常检测过程中的实际数据量，从而节省了很多计算资源，并且提高了异常检测效率。本发明在聚类和数据化分析的步骤下能够解决异常检测中的一些过拟合问题。增强了异常检测算法的鲁棒性。
-
公开(公告)号：CN110633734A
公开(公告)日：2019-12-31
申请号：CN201910776915.4
申请日：2019-08-22
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于图论相关理论进行异常检测的方法，包括该方法具体包括以下步骤：第一步，将原始数据集进行聚类操作，将数据集分割成不同的簇；第二步，计算出原始数据集的均值密度，将原数据集均值密度作为阈值与簇密度比较对数据集进行精简；第三步，对数据集进行特征提取和空间距离计算并对结果进行数据化操作第四步，将有效检测的数据簇的所有数据点按计算出来的权重值分配构建无向连通图；第五步，采用弗洛伊德算法查找相应簇的最短路径。在对于数据集的预处理上，本发明采取了二次精简数据集的办法，以不同的基准信息来对数据集进行降维操作，可以有效地减少大量无用数据集，极大程度的减少了异常检测过程的时间复杂度和空间复杂度。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.036 seconds)
