-
Patent Agency Ranking
公开(公告)号：CN112286666A
公开(公告)日：2021-01-29
申请号：CN202011287136.7
申请日：2020-11-17
Applicant: 重庆邮电大学
Abstract: 本发明属于任务卸载领域，具体涉及一种基于回调机制的细粒度数据流可靠卸载方法；所述卸载方法包括客户端设备与边缘云服务器按照MQTT建立连接；按照数据流类型所对应的第一特定帧片段提取粗粒度数据流；采用卷积神经网络从粗粒度数据流中的第二特定帧片段提取细粒度数据流；客户端将细粒度数据流上传至边缘云服务器中，向客户端设备返回上行回调消息；边缘云服务器进行数据处理后生成结果，并将结果回传至客户端设备中，向边缘云服务器返回下行回调信息；否则直接在客户端设备对细粒度数据流进行本地处理生成结果；本发明基于回调机制保证了数据上行至服务器以及结果下发至客户端，能够显著提升QoE；并提升了计算资源的利用率。
-
公开(公告)号：CN112286666B
公开(公告)日：2022-07-15
申请号：CN202011287136.7
申请日：2020-11-17
Applicant: 重庆邮电大学
Abstract: 本发明属于任务卸载领域，具体涉及一种基于回调机制的细粒度数据流可靠卸载方法；所述卸载方法包括客户端设备与边缘云服务器按照MQTT建立连接；按照数据流类型所对应的第一特定帧片段提取粗粒度数据流；采用卷积神经网络从粗粒度数据流中的第二特定帧片段提取细粒度数据流；客户端将细粒度数据流上传至边缘云服务器中，向客户端设备返回上行回调消息；边缘云服务器进行数据处理后生成结果，并将结果回传至客户端设备中，向边缘云服务器返回下行回调信息；否则直接在客户端设备对细粒度数据流进行本地处理生成结果；本发明基于回调机制保证了数据上行至服务器以及结果下发至客户端，能够显著提升QoE；并提升了计算资源的利用率。
-
公开(公告)号：CN114120401A
公开(公告)日：2022-03-01
申请号：CN202111340213.5
申请日：2021-11-12
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于跨域特征对齐网络的人脸反欺诈方法，属于模式识别技术领域。所述方法包括以下步骤：步骤1.以ResNet18为基础特征生成模型，为了缓解域差异性和增强深层特征表示，本发明设计了一个改进的特征生成网络。步骤2.为了探索多粒度特征对齐以改进对未知目标场景的泛化能力，本发明提出了一个多粒度特征对齐网络，进行局部区域和全局图像特征对齐。步骤3.为了减少类内距离同时增大类间距离，本发明采用total loss计算网络的分类损失，通过迭代对抗训练、更新参数得到最终的网络模型。在增加少量计算量的情况下，本发明有效的缓解了域差异性同时增强了特征表达能力，捕获了更加鲁棒和广义的特征空间，实现了更加清晰的分类边界。
-
公开(公告)号：CN114399530A
公开(公告)日：2022-04-26
申请号：CN202111514363.3
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: G06T7/246 , G06T5/20 , G06T5/40 , G06K9/62 , G06V10/774
Abstract: 本发明请求保护一种基于样本差异化学习的相关滤波目标跟踪方法及系统及系统，属于计算机视觉技术领域。所述方法主要包括以下步骤：在视频初始帧获取目标的位置和大小，并训练一个尺度滤波器和定位滤波器；获得每一帧输入图像的候选区域与滤波器模型的响应图；根据响应图计算多个样本可靠度指标的值；标签标注器以指标值作依据为训练样本标注可靠度标签；最后选择与可靠度标签匹配的样本学习率来更新滤波器模型。本发明针对复杂跟踪场景中存在不可靠的训练样本问题，提出通过感知样本的可靠度来引导跟踪器差异化地学习不同样本。该方法能减轻不可靠样本对模型的污染，并缓解模型漂移，提升基于相关滤波跟踪器在复杂场景下的跟踪性能。
-
公开(公告)号：CN114399530B
公开(公告)日：2024-09-27
申请号：CN202111514363.3
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: G06T7/246 , G06T5/20 , G06T5/40 , G06V10/774
Abstract: 本发明请求保护一种基于样本差异化学习的相关滤波目标跟踪方法及系统及系统，属于计算机视觉技术领域。所述方法主要包括以下步骤：在视频初始帧获取目标的位置和大小，并训练一个尺度滤波器和定位滤波器；获得每一帧输入图像的候选区域与滤波器模型的响应图；根据响应图计算多个样本可靠度指标的值；标签标注器以指标值作依据为训练样本标注可靠度标签；最后选择与可靠度标签匹配的样本学习率来更新滤波器模型。本发明针对复杂跟踪场景中存在不可靠的训练样本问题，提出通过感知样本的可靠度来引导跟踪器差异化地学习不同样本。该方法能减轻不可靠样本对模型的污染，并缓解模型漂移，提升基于相关滤波跟踪器在复杂场景下的跟踪性能。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
