-
公开(公告)号：CN112215063B
公开(公告)日：2024-08-23
申请号：CN202010909591.X
申请日：2020-09-02
Applicant: 鹏城实验室
IPC: G06V20/40 , G06V20/58 , G06V20/62 , G06V10/774
Abstract: 本发明公开了一种车牌脱敏方法、终端及存储介质。所述方法包括：获取目标视频，获取目标视频的每一帧中各个车辆对应的车辆空间信息，其中，车辆空间信息包括帧序号、车辆ID以及车辆位置信息；根据目标视频中每一帧中的各个车辆的车辆空间信息获取目标视频中每一帧中的各个车辆的第一车牌空间信息；根据第一车牌空间信息获取目标车牌空间信息；根据目标车牌空间信息对目标视频中的各个车牌进行脱敏处理。本发明通过对目标视频中的车辆进行跟踪，获取每一帧中各个车辆的车辆空间信息，再根据车辆的车辆空间信息获取每一帧中的车牌的车牌空间信息，进而根据车牌空间信息进行车牌脱敏处理，实现了对视频中的车牌信息进行脱敏。
-
公开(公告)号：CN118133992B
公开(公告)日：2024-08-13
申请号：CN202410571692.9
申请日：2024-05-10
Applicant: 鹏城实验室
IPC: G06N20/00 , G06F18/213 , G06F18/24 , G06F18/214
Abstract: 本申请实施例提供了一种模型训练方法、对象识别方法、电子设备及可读存储介质，属于活动识别技术领域。该模型训练方法包括：获取对象数据和对象数据关联的样本标签；基于特征提取器对对象数据进行特征提取得到活动识别模态特征，活动识别模态特征包括第一模态特征和第二模态特征；基于重建模块对活动识别模态特征进行模态重构得到关系感知重构特征；基于混合分类模块对关系感知重构特征和活动识别模态特征进行分类预测处理，得到预测分类标签；根据重构损失、分类损失和全局训练参数对初始模型进行训练处理，得到训练后的目标模型。本申请实施例能够提高多模态联邦学习的性能和鲁棒性，提高对象识别的准确性。
-
公开(公告)号：CN115620512B
公开(公告)日：2024-07-02
申请号：CN202211143429.7
申请日：2022-09-20
Applicant: 鹏城实验室
IPC: G08G1/01 , G06N3/0455 , G06N3/08 , G06N5/02
Abstract: 本发明公开了一种基于知识图谱的交通量预测方法、装置、终端及存储介质，方法包括：根据知识图谱表示学习算法学习知识图谱的结点和关系表示；根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；根据知识图谱的结点和关系表示以及交通量的时空序列数据，训练交通量预测模型；使用第一损失函数和基于梯度下降的优化器优化交通量预测模型，得到优化的交通量预测模型；根据知识图谱的结点和关系表示以及优化的交通量预测模型，预测未来一定时间内的交通量。本发明应用知识图谱表示学习算法学习知识图谱时空结点的知识表示，将带有知识的时空结点表示输入交通预测模型，提升交通预测模型的准确率。
-
公开(公告)号：CN116662021B
公开(公告)日：2024-06-21
申请号：CN202310955865.2
申请日：2023-08-01
Applicant: 鹏城实验室
IPC: G06F9/50 , G06V20/52 , H04L67/1004
Abstract: 本发明公开一种基于端边云架构的协同调度系统及方法，所述基于端边云架构的协同调度系统包括云节点调度系统、若干边缘调度系统以及若干终端，各边缘调度系统均为云节点调度系统的下级，终端为边缘调度系统和/或云节点调度系统的下级。云节点调度系统可以根据任务信息和整个系统的资源情况，在云节点、边缘节点以及终端之间进行任务调度，实现系统资源的优化利用和任务自动优化调度，保障各类任务顺利高效地执行，实现在端边云架构上对任务的协同调度和端边云协同工作。
-
公开(公告)号：CN118135357A
公开(公告)日：2024-06-04
申请号：CN202410551155.8
申请日：2024-05-07
Applicant: 鹏城实验室
IPC: G06V10/774 , G06V10/40 , G06V10/75
Abstract: 本申请实施例提供了核心集构造方法、装置、设备及介质，其中方法通过对图像数据集的图像数据进行特征提取；将图像数据集的数据特征映射至特征空间得到图像数据集的特征分布；对图像数据集的特征分布进行聚类得到类别数据的特征分布的中心特征；根据图像数据集的特征分布和中心特征确定图像数据集到核心集的分布间的代价矩阵；根据中心特征和代价矩阵确定图像数据集到核心集的分布间的最优传输距离矩阵；从图像数据集中确定使最优传输距离矩阵满足预设条件的目标图像数据并将目标图像数据组成核心集；能够有效地排除远离数据特征分布的噪声样本，并筛选出重要的样本组成核心集，进而起到加速模型训练的目的。
-
Patent Agency Ranking
公开(公告)号：CN118133992A
公开(公告)日：2024-06-04
申请号：CN202410571692.9
申请日：2024-05-10
Applicant: 鹏城实验室
IPC: G06N20/00 , G06F18/213 , G06F18/24 , G06F18/214
Abstract: 本申请实施例提供了一种模型训练方法、对象识别方法、电子设备及可读存储介质，属于活动识别技术领域。该模型训练方法包括：获取对象数据和对象数据关联的样本标签；基于特征提取器对对象数据进行特征提取得到活动识别模态特征，活动识别模态特征包括第一模态特征和第二模态特征；基于重建模块对活动识别模态特征进行模态重构得到关系感知重构特征；基于混合分类模块对关系感知重构特征和活动识别模态特征进行分类预测处理，得到预测分类标签；根据重构损失、分类损失和全局训练参数对初始模型进行训练处理，得到训练后的目标模型。本申请实施例能够提高多模态联邦学习的性能和鲁棒性，提高对象识别的准确性。
-
公开(公告)号：CN116303832B
公开(公告)日：2024-04-09
申请号：CN202310557302.8
申请日：2023-05-17
Applicant: 鹏城实验室
Abstract: 本申请公开了一种可评价的汇聚多源数据的方法及相关装置，所述方法包括：通过预设的数据编排的可视化组件进行多源数据汇聚以形成数据仓；为所述数据仓中的每个多源数据构建数据标签；基于所述数据仓中的各数据资源的数据资产开发价值、价值贡献因子以及多场景增速因子为各多源数据配置数据资产价值，以为各多源数据配置可评价的数据链路。本申请通过为多源数据配置数据标签以及数据资产价值，形成数据资产看、选、用、治、评的完整链路，同时基于多源数据配置的数据资产价值可快速确定数据消费，给用户使用带来方便。
-
公开(公告)号：CN117636014A
公开(公告)日：2024-03-01
申请号：CN202311549911.5
申请日：2023-11-20
Applicant: 鹏城实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本申请实施例提供图像分类方法、装置、设备和存储介质，涉及人工智能技术领域。该方法将目标图像转化成二维图像序列输入脉冲卷积采样模块，依次经过脉冲卷积处理单元进行脉冲转换得到脉冲特征向量；再将脉冲特征向量输入脉冲编码器进行脉冲编码，得到编码特征向量；最后将编码特征向量输入分类头进行图像分类，得到目标图像的目标分类结果。本申请实施例利用脉冲卷积处理单元对第一输入数据依次进行卷积操作、第一批归一化操作和第一脉冲叠加操作，不会降低空间分辨率以及感受野，能够捕捉较多的细节信息，避免信息丢失导致的特征模糊，从而提升后续脉冲编码和图像分类的精度，最终提升图像分类的准确率。
-
公开(公告)号：CN117540952A
公开(公告)日：2024-02-09
申请号：CN202311289670.5
申请日：2023-10-07
Applicant: 鹏城实验室
IPC: G06Q10/0631 , G06Q50/40
Abstract: 本申请公开了一种云巴行车计划的编排方法、装置、系统及存储介质，涉及云巴调度技术领域，所述云巴行车计划的编排方法包括：获取云巴的班次信息和可调用云巴集合；班次信息包括按照班次顺序排列的待调度班次以及每个待调度班次的发车时间，可调用云巴集合中包括多个云巴；按照班次顺序执行云巴调度编排过程；根据班次顺序选取下一个待调度班次作为初始班次，继续执行云巴调度编排过程，直至每个待调度班次均分配到云巴，根据待调度班次与云巴的匹配关系生成编排初始方案。本申请能够合理安排云巴的排班计划和充电计划，以提高云巴的运行效率。
-
公开(公告)号：CN116776157B
公开(公告)日：2023-12-12
申请号：CN202311034854.7
申请日：2023-08-17
Applicant: 鹏城实验室
IPC: G06F18/214 , G06F18/21 , G06F18/213 , G06F18/22 , G06F18/2413 , G06N3/096 , G06N3/0455
Abstract: 本发明公开了一种支持模态增加的模型学习方法及其装置，所述方法包括以下步骤：获取具有不同模态特征的训练数据，模态特征包括但不限于文本信息、可见光图像和热红外图像；将训练数据输入到预设的学习模型，生成与模态特征对应的模型分支；计算训练数据的特征损失值，并根据特征损失值对模型分支进行优化；联合优化后的模型分支，对学习模型进行测试，能对少量的数据进行有效训练，并准确地处理不同模态的训练数据，提高模型学习方法的兼容性。
-
-
-
-
-
-
-
-
-
Search Results
168
records
(took 0.039 seconds)
