-
公开(公告)号：CN102316363A
公开(公告)日：2012-01-11
申请号：CN201110268340.9
申请日：2011-09-09
Applicant: 华南理工大学
IPC: H04N21/24 , H04N21/647
Abstract: 本发明提供一种非介入式双端采集的视频端到端时延测量方法及装置，其中，视频端到端时延测量方法包括：在本地放置主测量装置，在远端放置辅助测量装置，两套装置之间通过网络或专线连接；在远端将辅助测量装置的摄像头正对远端显示器。根据本地信号发生器发出的视频测量信号测出的时间差ΔTVL，根据远端信号发生器发出的视频测量信号测出的时间差ΔTVR；主测量装置根据ΔTVL和ΔTVR计算端到端时延为ΔV＝(ΔTVL+ΔTVR)/2。本发明提供的主测量装置包括：视频测试信号发生器、视频多路采集模块、网络接收模块、视频时延测量单元，以及数据存储及显示单元。本发明提供的辅助测量装置包括：视频测试信号发生器、视频多路采集模块、网络发送模块。
-
公开(公告)号：CN100499599C
公开(公告)日：2009-06-10
申请号：CN200610036948.8
申请日：2006-08-04
Applicant: 华南理工大学 , 广州数园网络有限公司
Abstract: 本发明提供基于邮件服务器的垃圾邮件过滤系统，包括多个邮件过滤器及依次连接其后的邮件服务器、邮件客户端，多个所述邮件过滤器通过互联网还同时连接有中央管理器，所述中央管理器、邮件过滤器分别都包括样本管理模块、特征管理模块，且所述中央管理器的样本管理模块、特征管理模块通过互联网相应与邮件过滤器的样本管理模块、特征管理模块分别连接。本发明可以实现垃圾特征全网同步共享，有效提升垃圾防范的实时性，提高垃圾邮件的过滤效果。
-
公开(公告)号：CN119988759A
公开(公告)日：2025-05-13
申请号：CN202510071083.1
申请日：2025-01-16
Applicant: 华南理工大学
IPC: G06F16/9537 , G06F16/9535
Abstract: 本发明属于兴趣点推荐技术领域，提供了一种融合多因素的兴趣点推荐方法及推荐系统，包括：S1、信息采集单元中的用户名采集模块对用户ID进行识别，位置采集模块对用户ID下签到打卡的位置信息进行采集；S2、评分采集模块对用户对打卡地点的评分数据进行采集；S3、中央处理系统再将数据传输至建模单元中；本发明通过全面、准确地采集用户的多种兴趣点信息，并综合考虑评分、时间、流行度、空间距离及点赞记录等多种因素，本发明能够构建出更加精确的用户画像和兴趣点特征，进而为用户提供更加个性化、精准的推荐结果；同时，通过先进的算法和模型的应用，以及数据的整合、分类和潜在关系挖掘，本发明进一步提高了推荐的准确性和用户满意度。
-
公开(公告)号：CN113269224B
公开(公告)日：2023-10-31
申请号：CN202110311736.0
申请日：2021-03-24
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种场景图像分类方法、系统及存储介质，包括获取训练和测试的场景图像，并对其进行类别划分，获得相应类别标签数据库；将场景图像数据库划分为训练集和测试集，进行预处理后作为网络模型的输入；训练局部分形统计描述网络模型，保存训练完成的网络参数，所述局部分形统计描述网络模型包括基于ResNet预训练模型的特征提取器和局部分形密度图估计分支、全局池化分支、全连接层分类器；将保存好的网络模型加载，进行验证和测试。本发明相对于其他深度学习方法，引入局部密度估计模块，能够更好的处理多种光照变化，在真实场景下分类准确率更高。
-
公开(公告)号：CN110555719B
公开(公告)日：2023-09-29
申请号：CN201910698575.8
申请日：2019-07-31
Applicant: 华南理工大学
IPC: G06Q30/0201 , G06Q30/0202 , G06Q30/0601 , G06F40/284 , G06F18/22
Abstract: 本发明公开的一种基于深度学习的商品点击率预测方法，包括以下步骤：通过商品信息计算商品相似度，建立商品相似度函数；根据商品销售时间进行分类，对于缺失商品销售时间序列的商品，通过商品相似性函数进行近似值排序并选取排序最大的商品进行填充，得到多变量时间序列；将多变量时间序列输入时序模型，进行迭代得到特征时间序列；对商品用独热编码，得到商品词向量，将特征时间序列与商品词向量进行交互得到交互时间序列；分别计算特征时间序列损失值和交互时间序列损失值，得到商品的预测点击率，本发明通过填补得到完整销售时间序列并输入到时序网络，获得商品点击率预测；商品相似度函数计算得到近似商品，为用户提供优质的商品消费服务。
-
Patent Agency Ranking
公开(公告)号：CN116401542A
公开(公告)日：2023-07-07
申请号：CN202310276542.0
申请日：2023-03-20
Applicant: 华南理工大学
IPC: G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/084 , G06N3/088 , G06Q30/0601
Abstract: 本发明公开了一种多意图多行为解耦推荐方法及装置，其中方法包括：采集用户商品多重交互记录的数据集，根据采集到的数据集获取训练集；将获取到的多重交互关系，以稀疏矩阵形式存储，构造成图结构数据；意图空间的表征；意图解耦学习；进行多行为背景下的基于注意力机制的多意图解耦；行为影响的共性；根据训练集对构建的模型进行训练；推荐预测：将模型最终学习到的用户和商品嵌入向量进行打分预测，得到推荐商品顺序。本发明通过解耦表征和注意力机制将意图、行为的独立性和意图与意图、意图与行为之间的潜在关联性进行表示，引入对比学习任务，有重点有差异性的提高推荐性能，增强模型的可解释性，可广泛应用于推荐系统领域。
-
公开(公告)号：CN115982467A
公开(公告)日：2023-04-18
申请号：CN202310001232.8
申请日：2023-01-03
Applicant: 华南理工大学
IPC: G06F16/9535 , G06F18/214 , G06F18/22 , G06F18/25 , G06F18/23 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种去偏化用户多兴趣推荐方法、装置及存储介质，其中方法包括：收集用户商品交互记录的数据集，根据数据集获取训练集；以稀疏矩阵形式存储数据，构造为图卷积神经网络可以处理的图结构数据；学习用户‑商品关系图上的节点特征向量；节点嵌入向量学习；优化全局关系，获得更多潜在的语义关系；超边表征以及兴趣原型优化；多兴趣表征获取；去偏化辅助学习；将有监督损失函数与对比损失函数结合，使用优化器进行反向传播，优化网络参数；对训练集数据迭代训练，直至模型收敛；推荐预测。本发明通过对比学习任务和自适应采样方式，消除捕获用户兴趣时受到大众心理干扰而产生的偏差，提高推荐准确度，可广泛应用于机器学习技术领域。
-
公开(公告)号：CN115445190A
公开(公告)日：2022-12-09
申请号：CN202110644069.8
申请日：2021-06-09
Applicant: 腾讯科技(深圳)有限公司 , 华南理工大学
Abstract: 本申请公开了一种图像处理方法、装置、电子设备及存储介质，涉及人工智能技术在计算机视觉技术领域的应用。该方法包括：接收目标游戏图像；通过目标神经网络模型对目标游戏图像进行增强处理，目标神经网络模型通过对共享参数以及目标特有参数进行优化后得到，共享参数基于目标神经网络模型对应的样本数据、以及与目标神经网络模型关联的神经网络模型对应的样本数据进行联合优化，目标特有参数基于目标神经网络模型对应的样本数据进行优化；获取目标网络模型输出的增强后的目标游戏图像；显示增强后的目标游戏图像。该方法能够提升云游戏场景中游戏图像在显示时的显示效果，提高用户体验质量。
-
公开(公告)号：CN115082147A
公开(公告)日：2022-09-20
申请号：CN202210668287.X
申请日：2022-06-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于超图神经网络的序列推荐方法及装置，其中方法包括：根据数据集构建超图；通过超图卷积学习动态短时用户/商品嵌入向量；将动态/静态用户、动态/静态商品相结合，获得用户与商品交互嵌入向量；通过把用户‑商品交互序列输入transfomer模块中，根据滑动窗口的不同，学习出不同时间粒度用户嵌入向量；将不同时间粒度的动态用户嵌入向量进行融合；使用最终动态用户嵌入向量和静态/动态融合的商品嵌入向量进行偏好预测，得到推荐顺序。本发明综合考虑了用户与商品交互的多时间粒度下的信息，使用户向量中包含用户与用户之间的相关性信息，保证特征的有效性，降低主模型上训练的时间复杂度，可广泛应用于序列推荐技术领域。
-
公开(公告)号：CN108229338B
公开(公告)日：2021-12-21
申请号：CN201711340444.X
申请日：2017-12-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度卷积特征的视频行为识别方法，包括以下步骤：1)提取视频的密集轨迹；2)提取视频的深度卷积空间特征；3)计算视频光流并提取深度卷积时态特征；4)对深度卷积空间特征和深度卷积时态特征分别依次进行时空归一化、通道间归一化；5)对归一化后的空间特征和时态特征分别沿密集轨迹进行时序池化操作；6)将池化后的空间特征和时态特征联结后利用LSTM网络进行分类。所述方法在结合深度学习特征和轨迹特征的过程中，考虑了轨迹特征的时序信息，能更加有效地利用视频轨迹信息，使特征提取更加准确，最后使用LSTM网络作为分类器，有利地提高了行为识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.028 seconds)
