-
公开(公告)号：CN106557750A
公开(公告)日：2017-04-05
申请号：CN201611032589.9
申请日：2016-11-22
Applicant: 重庆邮电大学 , 重庆信科设计有限公司
CPC classification number: G06K9/00288 , G06K9/6257 , G06K9/6282
Abstract: 本发明请求保护一种基于肤色和深度二叉特征树的人脸检测方法，首先，运用了一种新的差分特征—NPD(Normalized Pixel Difference)，NPD特征是一种判断两个像素值间相对差异的特征，此新型特征具有尺度不变性、有界性以及能复原原图像的性能，另外可从查找表直接获取NPD特征值，可大大节省训练时间。其次，提出了一种深度二叉特征树树结构来训练分类器，复杂的人脸特征被Adaboost学习算法更好地分类。最后，将训练得到soft‑cascade分类器与肤色算法相结合。本发明的人脸检测方法能有效提高复杂环境下的人脸检测率及检测速度。
-
公开(公告)号：CN111428145A
公开(公告)日：2020-07-17
申请号：CN202010194133.2
申请日：2020-03-19
Applicant: 重庆邮电大学 , 重庆信科设计有限公司
IPC: G06F16/9536 , G06K9/62
Abstract: 本发明请求保护一种融合标签数据和朴素贝叶斯分类的推荐方法及系统。采用用户标签数据作为用户的属性特征，站在用户的角度，利用统计学和概率论的思想建立用户和标签之间的关联，从而更准确地表达用户的偏好信息。并将用户和标签之间的关联与朴素贝叶斯分类算法相结合，进而对用户进行分类，以及对新用户进行类别的匹配。此外，考虑标签的扩展性和时间上下文信息这两个因素，进一步降低数据稀疏性带来的影响。最后计算类别里的用户对物品的平均评分信息，实现Top-N推荐。
-
公开(公告)号：CN111428145B
公开(公告)日：2022-12-27
申请号：CN202010194133.2
申请日：2020-03-19
Applicant: 重庆邮电大学 , 重庆信科设计有限公司
IPC: G06F16/9536 , G06K9/62
Abstract: 本发明请求保护一种融合标签数据和朴素贝叶斯分类的推荐方法及系统。采用用户标签数据作为用户的属性特征，站在用户的角度，利用统计学和概率论的思想建立用户和标签之间的关联，从而更准确地表达用户的偏好信息。并将用户和标签之间的关联与朴素贝叶斯分类算法相结合，进而对用户进行分类，以及对新用户进行类别的匹配。此外，考虑标签的扩展性和时间上下文信息这两个因素，进一步降低数据稀疏性带来的影响。最后计算类别里的用户对物品的平均评分信息，实现Top‑N推荐。
-
公开(公告)号：CN107527329A
公开(公告)日：2017-12-29
申请号：CN201710852322.2
申请日：2017-09-19
Applicant: 重庆邮电大学 , 重庆信科设计有限公司
CPC classification number: G06T5/003 , G06T5/002 , G06T5/40 , G06T7/143 , G06T2207/20021
Abstract: 本发明请求保护一种基于暗通道先验和马尔可夫随机场的图像去雾方法。针对在雾霾环境下获取的图像降质严重、现有算法去雾图结构细节信息丢失较多的问题，提出一种结合暗通道先验(Dark channel prior，DCP)和马尔可夫随机场(Markov Random Field，MRF)的单幅图像去雾方法。本发明方法先采用子块部分重叠局部直方图均衡(POSHE)对原始雾图进行增强，以提高其对比度，并通过DCP算法获取优化后的透射率；利用MRF模型对图像结构细节信息的约束特性，对透射率进行建模，以进一步细化透射率；由天空域的显著特征，通过分块搜索法求取大气光值。与传统去雾方法相比，本发明能得到更精确的透射率图，有效保持图像结构信息，去雾后的图呈现出丰富的细节和较真实的色彩视觉效果。
-
Patent Agency Ranking
公开(公告)号：CN106558072A
公开(公告)日：2017-04-05
申请号：CN201611031136.4
申请日：2016-11-22
Applicant: 重庆信科设计有限公司
IPC: G06T7/33
CPC classification number: G06T2207/10032 , G06T2207/30181
Abstract: 本发明请求保护一种基于改进SIFT特征在遥感图像配准研究。针对遥感图像数据量大、重叠率高的特点，在光照和几何差异等复杂因素上引起的匹配误差、匹配效率上的不足，深入研究了SIFT特征描述符的改进方法：利用特征点圆形区域来构造特征描述符，采用自适应量化策略用来局部区域的划分和梯度直方图的计算，并对每个描述子采用一种插值法重新确立主方向，改进SIFT算法的特征描述符；然后采用一种基于分块匹配的新型SIFT特征匹配算法，通过剔除非重叠区域来降低特征提取和匹配的时间损耗，同时又保证特征点描述符的独特性和鲁棒性。
-
公开(公告)号：CN117807329A
公开(公告)日：2024-04-02
申请号：CN202410011876.X
申请日：2024-01-04
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06F16/9538 , G06F18/22 , G06F18/23213
Abstract: 本发明涉及一种信任关系下基于评分加权的协同过滤推荐方法，属于个性化推荐算法领域。该方法包括以下步骤：通过用户项目评分项目和项目类别数据集的组合，构建用户项目类别矩阵，再根据信任关系得到信任关系下用户项目类别矩阵；对信任关系下用户类别矩阵进行聚类计算，拥有同个类别的用户分配在一个集群中，由此得到k个集群；计算目标用户与集群内其他用户之间的相似度，寻找具有最高相似度的M个用户以形成目标用户的近邻集；将改进的加权Slope One算法应用于目标用户的近邻集，以预测其未评级项目的评级，并基于预测评级的排名结果的前N个导出至推荐列表。在用户众多的情况下，本发明可以提高推荐精确度。
-
公开(公告)号：CN116541613A
公开(公告)日：2023-08-04
申请号：CN202310592670.6
申请日：2023-05-24
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06F16/2457 , G06F16/901 , G06F16/9035 , G06N3/042 , G06N3/045
Abstract: 本发明属于推荐技术领域，具体涉及一种基于评分加权的双消息传播机制的项目推荐方法，包括：获取用户和项目的交互图，获取用户以及项目的初始嵌入；对用户以及项目的初始嵌入进行降维处理，得到低维初始嵌入；将低维初始嵌入输入到双消息传播层，得到每个用户和每个项目的最终偏好嵌入和最终相似嵌入；将最终偏好嵌入和最终相似嵌入进行联合，得到最终嵌入，根据最终嵌入计算用户对项目的预测评分，并向目标用户推荐预测评分排名前K个项目的列表；本发明采用双消息传播机制来分别处理广泛存在于用户和项目交互网络中的偏好消息和相似消息，简化了传统推荐过程中通过捕捉高阶偏好关系来获取相似消息的过程，提高了推荐的有效性和精确性。
-
公开(公告)号：CN116561443A
公开(公告)日：2023-08-08
申请号：CN202310592827.5
申请日：2023-05-24
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06F16/2457 , G06F16/901 , G06F16/9035 , G06N3/042 , G06N3/045
Abstract: 本发明属于推荐技术领域，具体涉及一种基于属性扩展的双消息传播图的项目推荐方法、装置；所述方法包括获取用户数据、项目数据和属性数据，构建出用户‑项目‑属性三部图结构；通过随机映射技术得到用户、项目和属性初始嵌入向量；输入到偏好信息图神经网络中，得到用户、项目偏好嵌入向量；输入到相似信息图神经网络中，得到用户、项目相似嵌入向量；根据融合后的用户最终嵌入向量和项目最终嵌入向量的内积，计算得到用户对项目的属性预测评分；将预测评分输入到用户‑项目‑属性矩阵中，找出最高的预测评分所对应的项目以及属性，形成推荐解释列表并取排名靠前的几个属性作为被推荐项目的解释。本发明提升了推荐系统的准确性和可解释性。
-
公开(公告)号：CN110059142A
公开(公告)日：2019-07-26
申请号：CN201910334513.9
申请日：2019-04-24
Applicant: 重庆邮电大学
IPC: G06F16/28 , G06F16/27 , G06F16/2458 , G06K9/62
Abstract: 本发明是一种高效的并行不确定性数据聚类方法。包括，利用区间数结合不确定性数据的统计信息来对不确定性数据进行描述。距离度量，对区间数间的距离进行进一步分析推导，得到更加适合不确定性数据间距离度量的距离度量方式。将数据的不确定性度量与表示，以及距离度量引入到聚类算法OPTICS中，来构建串行的不确定性数据聚类方法。使用MDD-PRBP方法对数据集进行最小边界点数和均衡的分区划分，保障后续并行计算的负载均衡与聚类方法最终的高效运行。结合Hadoop平台，运用MapReduce模型实现并行计算，构建出一种高效的并行不确定性数据聚类方法。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
