-
公开(公告)号：CN113657349B
公开(公告)日：2023-09-15
申请号：CN202111020275.8
申请日：2021-09-01
Applicant: 重庆邮电大学
IPC: G06V40/20 , G06V20/40 , G06V10/52 , G06V10/62 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/0495 , G06N3/045 , G06N3/084
Abstract: 本发明涉及一种基于多尺度时空图卷积神经网络的人体行为识别方法，属于神经网络技术领域。该方法包括提取待识别的人体骨骼序列创建数据集并进行预处理；创建包含多尺度图卷积模块、多时长特征融合模块的深度神经网络模型，使模型更好的提取人体骨骼的空间特征和骨骼序列的时序特征；训练和测试所述深度神经网络，得到人体行为识别神经网络模型；利用训练好的模型对待识别的视频图像进行分类，输出分类结果。本发明提供的人体行为识别方法，能够使神经网络模型更好的提取骨骼序列的时空特征，实现人体行为的自动识别，提高人体行为识别准确率。
-
公开(公告)号：CN113762209A
公开(公告)日：2021-12-07
申请号：CN202111109282.5
申请日：2021-09-22
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于YOLO的多尺度并行特征融合路标检测方法，属于交通信息化领域。方法包括：获取待检测图像；创建包含特征提取网络、多尺度并行特征融合模块以及用于目标定位和分类的深度卷积神经网络；利用训练好的路标检测神经网络模型对待检测的图像进行交通标志的定位与分类并且标注，输出分类并标注好的图像。本发明在YOLO v4‑tiny的基础上添加并行结构和三层次特征融合，使其对交通标志的检测能力有所提升。所提供的交通标志检测方法，能够实现完全依靠深度神经网络模型自动提取目标特征，实现交通标志的自动检测，具有检测过程简单、检测速度快和准确度高等优点。
-
公开(公告)号：CN111160628A
公开(公告)日：2020-05-15
申请号：CN201911282630.1
申请日：2019-12-13
Applicant: 重庆邮电大学
Abstract: 本发明提供了一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法。包括以下步骤：1)获取预测区域站点的一段时间内的历史空气污染物浓度数据；2)对这些历史数据进行预处理，对缺失的数据采用拉格朗日插值法进行填充，进行标准化处理；3)构建组成污染物浓度数据的时空矩阵，并通过CNN提取其空间特征；4)对预测站点的所有污染物历史浓度数据值提取，通过seq2seq模型架构的编码端提取其时间特征；5)在seq2seq的编码端增加特征注意力机制，编、解码端均采用两层LSTM神经网络，同时解码端引入时间注意力机制，6)拼接得到的时间特征和空间特征来更新下一预测时刻的隐层状态，最后解码端的输出得到预测数据。本发明分别引入了特征和时间注意力，同时将时间和空间特征进行融合，从而有效地提高了数据预测精度。
-
公开(公告)号：CN108399748A
公开(公告)日：2018-08-14
申请号：CN201810190151.6
申请日：2018-03-08
Applicant: 重庆邮电大学
IPC: G08G1/01
CPC classification number: G08G1/0129 , G08G1/0141 , G08G1/0145
Abstract: 本发明请求保护一种基于随机森林与聚类算法的道路旅行时间预测方法，该方法根据历史交通数据的时序规律，结合道路本身属性、天气因素、节假日信息以及道路上下游交通流的状态，利用密度聚类算法(DBSCAN)和随机森林(RF)的混合预测模型精准预测各关键路段在某一时段的旅行时间。该预测结果可用于对交通状态发展趋势进行预判，对潜在拥堵的道路提前做出管控方案，也可用于动态路径诱导，为出行者规划最佳出行计划，助力社会智慧出行。本预测方法通过密度聚类提高随机森林中每棵树的预测精度，从而提高预测的整体准确度。
-
公开(公告)号：CN101505521B
公开(公告)日：2011-04-27
申请号：CN200910103019.8
申请日：2009-01-07
Applicant: 重庆邮电大学
CPC classification number: Y02D70/30
Abstract: 本发明公开了一种在同构无线传感器网络中选定最优汇聚节点的方法，主要涉及无线传感器网络的配置和管理。无线传感器网络随机部署后，使用者往往希望各传感器节点监测到的数据能通过最短的中继路径向汇聚节点传输，并希望所有节点中继路径的总长度最低，使网络总的中继通信能耗尽量低。本发明首先对网络中所有节点排序，依次作为起始节点进行宽度优先搜索，在搜索过程中采用限界技术以减小搜索空间，最终找到最小宽度优先生成树。然后，确定最优汇聚节点，同时确定其他节点向汇聚节点传输数据的最短中继路径路由。
-
Patent Agency Ranking
公开(公告)号：CN101505521A
公开(公告)日：2009-08-12
申请号：CN200910103019.8
申请日：2009-01-07
Applicant: 重庆邮电大学
CPC classification number: Y02D70/30
Abstract: 本发明公开了一种在同构无线传感器网络中选定最优汇聚节点的方法，主要涉及无线传感器网络的配置和管理。无线传感器网络随机部署后，使用者往往希望各传感器节点监测到的数据能通过最短的中继路径向汇聚节点传输，并希望所有节点中继路径的总长度最低，使网络总的中继通信能耗尽量低。本发明首先对网络中所有节点排序，依次作为起始节点进行宽度优先搜索，在搜索过程中采用限界技术以减小搜索空间，最终找到最小宽度优先生成树。然后，确定最优汇聚节点，同时确定其他节点向汇聚节点传输数据的最短中继路径路由。
-
公开(公告)号：CN113762209B
公开(公告)日：2025-03-18
申请号：CN202111109282.5
申请日：2021-09-22
Applicant: 重庆邮电大学
IPC: G06V20/58 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于YOLO的多尺度并行特征融合路标检测方法，属于交通信息化领域。方法包括：获取待检测图像；创建包含特征提取网络、多尺度并行特征融合模块以及用于目标定位和分类的深度卷积神经网络；利用训练好的路标检测神经网络模型对待检测的图像进行交通标志的定位与分类并且标注，输出分类并标注好的图像。本发明在YOLO v4‑tiny的基础上添加并行结构和三层次特征融合，使其对交通标志的检测能力有所提升。所提供的交通标志检测方法，能够实现完全依靠深度神经网络模型自动提取目标特征，实现交通标志的自动检测，具有检测过程简单、检测速度快和准确度高等优点。
-
公开(公告)号：CN110517121A
公开(公告)日：2019-11-29
申请号：CN201910897118.1
申请日：2019-09-23
Applicant: 重庆邮电大学
Abstract: 本发明涉及计算机处理技术领域，特别涉及一种基于评论文本情感分析的商品推荐方法及商品推荐装置，所述方法包括将评论文本进行基于专门用户词典和停用词表的特征化处理，与评价信息一同进行词嵌入；基于编码端的BiLSTM网络生成对每个特征结合上下文的状态向量；结合注意力机制，生成针对每个方面的句子级语义特征表示；在LSTM网络解码端解码，利用双曲正切非线性映射函数将相应的句子级特征表示映射到对应的情感类别空间，再利用softmax函数进行分类，通过对不同分类结果对应的数值进行用户自定义权重的求和来获得商品的评分，并将高分商品推荐给用户；本发明提高预测的准确性，提供更好的客户体验。
-
公开(公告)号：CN116152169A
公开(公告)日：2023-05-23
申请号：CN202211607983.6
申请日：2022-12-14
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06N3/08 , G06T7/13 , G06N3/0464
Abstract: 本发明涉及一种基于改进YOLOv5s模型的印刷电路板缺陷检测方法，属于印刷电路板缺陷检测领域。该方法包括：获取选择印刷电路板缺陷数据集；改进YOLOv5s网络结构的Backbone部分，在中小目标特征提取层嵌入CA注意力机制；改进YOLOv5s网络结构的Neck部分，在特征融合层嵌入CBAM卷积注意力机制；使用Alpha‑CIOU损失函数代替原始YOLOv5s模型的CIOU损失函数；S3：对改进后的YOLOv5s网络模型进行训练；S4：随机选择缺陷数据集中的缺陷图片，使用训练好的网络模型进行检测，输出待检测缺陷目标的位置信息，类别信息以及置信度数值。本发明提高了检测印刷电路板上各种缺陷的精度。
-
公开(公告)号：CN115689932A
公开(公告)日：2023-02-03
申请号：CN202211398228.1
申请日：2022-11-09
Applicant: 重庆邮电大学
IPC: G06T5/00 , G06T5/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于深度神经网络的图像去雾方法，属于图像处理领域。获取雾图与无雾图的图像数据；创建包含双域多尺度特征融合模块的深度神经网络，使得模型能更好的提取图像中的各种细节特征；训练和测试所述的神经网络，得到图像去雾网络模型；利用训练好的深度神经图像去雾网络模型对雾图进行除雾，输出无雾图。本发明提供的深度神经去雾网络能更有效地提取到来自图像空域以及频域的特征，并且对于复杂环境以及低能见度下的图像的去雾也取得了很好的效果。本发明可以用于在雾霾天气下的目标检测、自动驾驶中的交通标志检测等任务。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.016 seconds)
