-
公开(公告)号:CN119071876A
公开(公告)日:2024-12-03
申请号:CN202411268161.9
申请日:2024-09-11
Applicant: 电子科技大学
IPC: H04W40/32
Abstract: 本发明公开了一种跨域通信网络自适应分层分簇方法。其中,该方法包括:确定与待处理跨域通信网络对应的至少一个待分簇子网络;待分簇子网络包括多个网络节点;针对至少一个待分簇子网络,分别根据待分簇子网络中每个网络节点对应的多个节点关联信息确定与每个网络节点对应的目标节点权重;根据多个网络节点对应的目标节点权重确定与待分簇子网络对应的至少一个簇;基于与至少一个待分簇子网络对应的至少一个簇更新待处理跨域通信网络的网络拓扑,以依据更新后的待处理跨域通信网络进行通信。本技术方案,实现了在跨域通信场景下依据网络节点的多种节点关联信息确定节点权重,并基于网络节点的节点权重对跨域通信网络进行有效节点分簇的效果。
-
公开(公告)号:CN114998620B
公开(公告)日:2024-09-13
申请号:CN202210528490.7
申请日:2022-05-16
Applicant: 电子科技大学
IPC: G06V10/56 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/09 , G06V10/10
Abstract: 本发明公开了一种基于张量分解的RNNPool网络目标识别方法,属于机器学习技术领域。本发明方法首先针对三阶彩色图像,将RNNPool网络扩展至高阶,提取三阶彩色图像的行阶特征、列阶特征以及通道阶特征;然后针对三阶彩色图像中通道阶所代表的三原色分量与行、列两阶代表的空间坐标点明暗程度的区别,优化了通道阶的特征提取;最后将结合张量链分解的神经网络结构运用于RNNPool网络当中,提高模型运行效率。本发明的目标识别方法有效提升了训练效果及收敛速度,可以用更少的拟合时间达到效果较好的准确率结果。
-
公开(公告)号:CN114997216B
公开(公告)日:2024-08-16
申请号:CN202210526887.2
申请日:2022-05-16
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F18/24 , G06F18/23
Abstract: 本发明属于轴承故障识别领域,具体提供一种基于张量多模态特征高阶匹配的轴承故障识别方法,用以对轴承振动多属性信号进行故障状态分析。本发明利用张量数据,根据实际应用场景中不同阶所代表属性之间的联系将各个阶分为不同的阶组,对张量进行多模态奇异值分解;对检测对象求其特征空间中的特征张量,对特征张量使用张量距离进行高阶匹配,进而判定其多属性,完成轴承故障的识别。本发明提供的多模态奇异值分解方法能够更加有效地将多个属性在分解中通过多模乘运算关联起来,能够更加充分地获取数据之间多个模态的联系,与基于张量距离的高阶匹配方法结合起来能够更加充分地利用信号的多属性特征,获得更好的故障状态识别效果。
-
公开(公告)号:CN115019084B
公开(公告)日:2024-05-28
申请号:CN202210529783.7
申请日:2022-05-16
Applicant: 电子科技大学
IPC: G06V10/764
Abstract: 本发明涉及迁移学习和张量领域,具体为一种基于张量多属性特征迁移的分类方法;该方法结合张量体系和基于特征的迁移方法实现了对无标签数据集的有效分类。分类过程中,首先通过张量建模的方式建立有标签源域和无标签目标域的张量模型,然后使用动态分布自适应方法对源域样本张量和目标域样本张量每一个特征阶迭代进行了特征对齐,实现了源域样本和目标域样本多属性间统计特征的迁移。相较于传统的特征迁移方法提高了对无标签目标域数据样本的分类准确率。
-
公开(公告)号:CN118037555A
公开(公告)日:2024-05-14
申请号:CN202410133124.0
申请日:2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种联合非局部自相似性与张量链分解的图像填充方法,获取待恢复图像,将待恢复图像划分为多个预设大小的图像块;其中,待恢复图像包含部分缺失像素;对每个图像块,分别确定图像块对应的多个相似图像块,将图像块和相似图像块确定为一个图像块组;基于待恢复图像张量对应的张量链秩,构建张量链秩最小化函数,基于各图像块组张量对应的tucker秩,构建Tucker秩最小化函数;基于张量链秩最小化函数和Tucker秩最小化函数,构建图像填充优化函数;求解图像填充优化函数,得到与待恢复图像对应的恢复图像张量,以基于恢复图像张量确定目标恢复图像,减少了恢复图像的伪影现象,提高了图像的恢复性能。
-
公开(公告)号:CN117474069A
公开(公告)日:2024-01-30
申请号:CN202311484826.5
申请日:2023-11-08
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06N3/082 , G06N3/063 , G06N3/084 , G06F18/24 , G06F18/214
Abstract: 本发明公开了一种模型蒸馏方法,包括:将训练数据集合分别输入教师模型和学生模型,得到教师预测结果和学生预测结果;其中,训练数据集合中包括多个训练数据;基于教师预测结果,将训练数据集合划分为至少一个训练数据子集;其中,训练数据子集中包括至少一个训练数据;对于各训练数据子集,确定当前训练数据子集所对应的所述教师预测结果和学生预测结果之间的差异度结果,并基于差异度结果调整蒸馏温度;基于蒸馏温度对学生模型中的模型参数进行修正,直至学生模型的关联信息满足迭代条件,得到目标学生模型。解决了模型蒸馏精度较低的问题,提高模型蒸馏精度。
-
公开(公告)号:CN113920133A
公开(公告)日:2022-01-11
申请号:CN202111123890.1
申请日:2021-09-24
Applicant: 电子科技大学
Abstract: 本发明涉一种图像分割方法和装置,通过基于预设预处理算法对待分割图像进行增强得到增强图像;使用训练好的神经网络模型对增强图像进行分割,其中神经网络模型通过上采样获得增强图像的高分辨率信息并进行特征信息的提取,以得到详细的空间边界信息;神经网络模型通过对增强图像的图像信息的编码得到目标区域的位置信息;神经网络模型通过对详细的空间边界信息、目标区域的位置信息和跳跃连接所保留的原空间边界信息进行融合,以得到图像分割结果。单独的上采样链路去提取图像的高分辨率信息,能有效帮助网络对目标区域的边界实现精准预测。在对比度低且目标区域边界模糊这种困难的情况下实现对目标区域的较为准确的分割。
-
公开(公告)号:CN113689419A
公开(公告)日:2021-11-23
申请号:CN202111030782.X
申请日:2021-09-03
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明属于医疗技术领域,尤其是一种基于人工智能的图像分割处理方法,其包括以下处理方法步骤:S1:数据预处理:第一,创建N个数据文件,同时输入N个CT图像,并对N个CT图像数据进行勾画,存储到N个数据文件中;第二,对N个CT图像勾画后,进行简单的CT图像预处理;第三,将N个数据文件作为样本并归一化,最后进行数据集的划分图像数据;S2:使用基模型对归一化后的数据文件进行处理;S3:创建风格适应训练模型,风格模型创建为M个。本发明通过基模型与风格模型的结构让模型适应不同医生的勾画风格,从而当新的数据通过模型进行预测勾画时,为医生的临床诊断治疗提供便利。
-
公开(公告)号:CN111695430A
公开(公告)日:2020-09-22
申请号:CN202010418338.4
申请日:2020-05-18
Applicant: 电子科技大学
Abstract: 本发明提出一种基于特征融合和视觉感受野网络的多尺度人脸检测方法,以VGG-16为基础网络,由视觉感受野网络、空洞卷积网络共同组成本发明的网络结构,同时增加了网络的宽度和深度。在不同的卷积层提取不同分辨率的特征,根据不同层的分辨率采用不同方法提取候选框。在较低层的特征上,采用随机密集采样获取大量小尺度候选框,尽可能地匹配到更多真实样本。又通过对不同层的特征进行融合,使得融合特征同时包含了高低层的信息。高层特征适用于大尺度人脸的检测,低层特征适用于小尺度人脸的检测。本发明对于多尺度人脸尤其是小尺度人脸具有较好的检测效果。
-
公开(公告)号:CN111460883A
公开(公告)日:2020-07-28
申请号:CN202010074922.2
申请日:2020-01-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度强化学习的视频行为自动描述方法,属于视频自动描述技术领域。本发明首先对视频数据进行图像预处理,将其转化为帧图像,然后提取空间域特征和时域特征,进行拼接后得到视频序列各帧的特征向量;再基于LSTM编码器将各帧编码为一个向量,以及基于LSTM解码器将固定向量解码成不同长度的自然语言。LSTM编码器和解码器所涉及的神经网络参数优化时的损失函数为生成词语与标注的参考语句的单词的交叉熵损失;从而获得准确的视频描述。进一步还可以对训练好的LSTM编码器、解码器进行强化学习,损失函数采用随机策略概率乘上随机策略奖励与最优策略奖励之差,以获得更高的描述准确率。
-
-
-
-
-
-
-
-
-