-
公开(公告)号：CN111008694B
公开(公告)日：2023-10-27
申请号：CN201911214493.8
申请日：2019-12-02
Applicant: 许昌北邮万联网络技术有限公司 , 北京邮电大学
IPC: G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 基于深度卷积对抗生成网络的无数据模型量化压缩方法，包括如下操作步骤：(1)构造一个深度卷积对抗生成网络，其中将待量化分类模型作为判别模型；(2)只对生成模型进行训练，不再对判别模型进行训练；(3)利用生成模型生成数据集，作为待量化分类模型的训练集，对待量化分类模型进行量化压缩；本发明的方法克服了现有模型量化压缩需要训练数据的不足，充分利用了待量化模型中的信息，用其训练生成模型，使用训练好的生成模型生成一组训练集用于模型压缩，从而摆脱了对原始训练数据集的需求。
-
公开(公告)号：CN111046881B
公开(公告)日：2023-03-24
申请号：CN201911219009.0
申请日：2019-12-02
Applicant: 许昌北邮万联网络技术有限公司 , 北京邮电大学
IPC: G06V10/26 , G06V30/148 , G06V10/82 , G06N3/08
Abstract: 基于计算机视觉和深度学习的指针式仪表读数识别方法，包括下列操作步骤：(1)指针式仪表表盘区域检测过程；(2)指针式仪表图像预处理过程；(3)刻度与指针检测过程；(4)数字区域检测过程；(5)数字识别过程；(6)读数计算过程；本发明方法能实现对指针式仪表读数的快速准确自动读取，省时省力。
-
公开(公告)号：CN111008694A
公开(公告)日：2020-04-14
申请号：CN201911214493.8
申请日：2019-12-02
Applicant: 许昌北邮万联网络技术有限公司 , 北京邮电大学
Abstract: 基于深度卷积对抗生成网络的无数据模型量化压缩方法，包括如下操作步骤：(1)构造一个深度卷积对抗生成网络，其中将待量化分类模型作为判别模型；(2)只对生成模型进行训练，不再对判别模型进行训练；(3)利用生成模型生成数据集，作为待量化分类模型的训练集，对待量化分类模型进行量化压缩；本发明的方法克服了现有模型量化压缩需要训练数据的不足，充分利用了待量化模型中的信息，用其训练生成模型，使用训练好的生成模型生成一组训练集用于模型压缩，从而摆脱了对原始训练数据集的需求。
-
公开(公告)号：CN111046881A
公开(公告)日：2020-04-21
申请号：CN201911219009.0
申请日：2019-12-02
Applicant: 许昌北邮万联网络技术有限公司 , 北京邮电大学
Abstract: 基于计算机视觉和深度学习的指针式仪表读数识别方法，包括下列操作步骤：(1)指针式仪表表盘区域检测过程；(2)指针式仪表图像预处理过程；(3)刻度与指针检测过程；(4)数字区域检测过程；(5)数字识别过程；(6)读数计算过程；本发明方法能实现对指针式仪表读数的快速准确自动读取，省时省力。
-
公开(公告)号：CN119697374A
公开(公告)日：2025-03-25
申请号：CN202411831889.8
申请日：2024-12-12
Applicant: 北京邮电大学
IPC: H04N19/167 , H04N19/176 , H04N19/126 , H04N21/44
Abstract: 一种实时渲染场景下的显著区域编码方法和系统，包括：配置应用画面上各类物体的重要性；根据用户输入的控制信息实时生成视频流，从视频流中获取并渲染生成当前帧画面，然后根据配置物体重要性，通过渲染上下文在GPU缓冲区中再渲染生成当前帧画面对应的重要性纹理图，最后将当前帧画面和其重要性纹理图送入CPU中；根据重要性纹理图中宏块的重要性权重，计算当前帧画面中每个宏块需要调整的QP增量，然后根据QP增量对每个宏块的QP值调整，并根据QP值对当前帧画面进行编码。本发明涉及信息通信网络领域，能从渲染管线中实时获取精确的物体级显著区域并完成编码，在保证实时性的前提下，增强用户感兴趣区域的视频质量，适用于电子游戏等实时渲染场景。
-
Patent Agency Ranking
公开(公告)号：CN114821043B
公开(公告)日：2024-12-27
申请号：CN202210578052.1
申请日：2022-05-25
Applicant: 北京邮电大学
IPC: G06V10/25 , G06V10/40 , G06V10/82 , G06V10/764 , G06F16/532 , G06F16/538 , G06F16/58 , G06F16/583 , G06F16/2457 , G06N3/047 , G06N3/048 , G06N3/0895
Abstract: 基于条件图自编码器的场景草图检索系统，包括如下模块：条件图构建模块、加权图构建模块、图嵌入向量生成模块、弱监督语义重构模块和检索模块；基于条件图自编码器的场景草图检索方法，包括下列操作步骤：(1)构建条件图并生成条件图节点特征；(2)构建加权图并生成加权图节点特征；(3)生成图嵌入向量；(4)计算待检索场景草图的图嵌入向量与数据库中所有自然图像的图嵌入向量之间的距离，按照距离从小到大进行排序，依次返回自然图像作为检索结果。
-
公开(公告)号：CN116756206A
公开(公告)日：2023-09-15
申请号：CN202310543168.6
申请日：2023-05-15
Applicant: 北京邮电大学
IPC: G06F16/2458 , G06F16/29 , G06F17/16 , G08G1/01 , G08G1/065
Abstract: 基于精细关联挖掘的流量预测系统，包括如下模块：输入卷积模块、关联捕获功能模块、时空特征处理模块和输出卷积模块；基于精细关联挖掘的流量预测方法，包括如下操作步骤：(1)输入卷积模块将低维历史交通流量数据映射为高维历史交通流量数据；(2)关联捕获功能模块自适应提取交通点位之间的关联关系，计算出表示交通点位间关联关系的n个超图；(3)时空特征处理模块计算出每个交通点位的融合了时空信息的l个交通点位高维特征矩阵；(4)输出卷积模块根据上述交通点位高维特征矩阵计算出未来交通点位车流速度的预测值。
-
公开(公告)号：CN115017286B
公开(公告)日：2023-04-07
申请号：CN202210649202.3
申请日：2022-06-09
Applicant: 北京邮电大学
IPC: G06F16/332 , G06F16/33 , G06N3/0464
Abstract: 基于检索的多轮对话系统，包括如下模块：表示模块、匹配模块、聚合模块和预测模块；基于检索的多轮对话方法，包括下列操作步骤：(1)表示模块将每一轮次的对话转化为对话的级联向量，将候选答案转化为候选答案的级联向量；(2)匹配模块基于全局注意力机制，动态吸收上下文信息，计算得到匹配向量；(3)聚合模块处理得到短期依赖信息序列和长期依赖信息序列；(4)预测模块计算参与匹配的上下文环境和候选答案的匹配分数；(5)选择匹配分数最高的候选答案作为正确答案。
-
公开(公告)号：CN110580196B
公开(公告)日：2021-04-06
申请号：CN201910864432.X
申请日：2019-09-12
Applicant: 北京邮电大学
Abstract: 一种实现并行任务调度的多任务强化学习方法，基于异步优势表演者批评家算法实现，包括下列操作步骤：(1)对算法模型进行设置操作以更好的解决并行多任务调度问题，包括设置状态空间、设置动作空间、设置奖励定义；(2)对算法网络进行如下改进：用深度神经网络来表示策略函数和值函数；全局网络由输入层、共享子网络和输出子网络构成；(3)设置算法的新损失函数；(4)利用采集观测的并行任务调度数据，训练算法网络，算法收敛后，将所述算法网络用于并行任务调度。
-
公开(公告)号：CN110825930A
公开(公告)日：2020-02-21
申请号：CN201911058818.8
申请日：2019-11-01
Applicant: 北京邮电大学
IPC: G06F16/9032 , G06F16/906 , G06F16/951
Abstract: 基于人工智能自动识别社区问答论坛中的正确回答的方法，包括下列操作步骤：(1)数据集建立的过程；(2)使用深度学习的方法抽取文本对的信息特征；(3)使用规则提取提问和回答的其他特征，将这些特征与步骤(2)中得到的特征拼接成特征向量，特征向量的格式为[BERT预测概率，当前回答和优秀回答的相似度，回答和提问的相似度，天数差]；(4)训练机器学习分类模型并预测新帖。本发明的方法能够快速、准确的判断出一个帖子下可能为正确答案的回答，省时省力。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.074 seconds)
