-
公开(公告)号：CN111462006A
公开(公告)日：2020-07-28
申请号：CN202010241666.1
申请日：2020-03-31
Applicant: 华南理工大学
Abstract: 本发明属于数字图像处理的技术领域，涉及一种多目标的图像补全方法。该方法包括：输入缺损图像及其对应缺损位置的掩膜；对缺损图像采用目标检测算法检测图像上缺损位置附近的对象，并记录对象位置和对象类别；对输入的缺损图像缺损位置附近的图像进行图像提取与图像分割形成一系列缺损小图，并对缺损小图进行图像线性插值提高分辨率；根据对象类别数据分别采用对应的图像补全神经网络模型对提高分辨率后的缺损小图进行图像补全，得到图像补全后的补全小图；将图像补全后的补全小图的分辨率恢复为未进行插值前的原分辨率；将分辨率恢复后的补全小图与原输入缺损图像进行融合输出得到补全图像。本发明能显著提高图像补全的效果。
-
公开(公告)号：CN108629789A
公开(公告)日：2018-10-09
申请号：CN201810457552.3
申请日：2018-05-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于VggNet的显著目标检测方法，该方法是以保留图像底层边缘特征为主要目标，提取高层语义特征为第二目标。通过将图像底层边缘特征与高层语义特征进行卷积，进而获得目标显著图。在确保有效提高检测准确率的同时，通过减少全连接层和增加归一化层大幅度提升网络训练速度。对于任意大小的RGB图像，通过线性插值将图像调整为固定的大小，从而实现不同大小的图像均能得到有效的处理。本发明方法既能快速提取高层语义特征，又能保留图像底层边缘信息，从而有效解决单纯提取特征类的网络结构无法获取图像边缘的问题。
-
公开(公告)号：CN108345661A
公开(公告)日：2018-07-31
申请号：CN201810096348.3
申请日：2018-01-31
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于大规模Embedding技术的Wi-Fi聚类方法及系统，主要是通过将用户对Wi-Fi的连接行为按时间序列化，在经过滑动窗口的进行加窗处理以及负采样后，得到一组Local Context和Global Context，输入到一个三层神经网络中，来预测滑动窗口下一个Wi-Fi出现的概率，而输入层到隐藏层之间的权值矩阵则为Wi-Fi的Embedding向量，该向量能有效的表征Wi-Fi的特点；再利用该Embedding向量作为特征采用传统的聚类算法进行聚类，可得到较好的聚类效果。本发明可充分学习到每个Wi-Fi的一个唯一的向量表达，使相同场景下的Wi-Fi能得到相近的向量表达；能使模型较快得到收敛，对大规模的数据训练和测试在性能上有较大提高。
-
公开(公告)号：CN118747954A
公开(公告)日：2024-10-08
申请号：CN202410785924.0
申请日：2024-06-18
Applicant: 华南理工大学
IPC: G08G1/01 , G06F18/10 , G06F18/2135 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的高速公路隧道交通事故预测方法，包括收集历史事故数据，构建交通事故数据集并进行数据清洗、数据预处理，包括格式化、异常值剔除、空缺值填补、相关性分析、归一化处理、过采样处理以及转灰度处理；进行特征提取，得到用于预测事故发生的关键变量；结合卷积神经网络，构建高速公路隧道交通事故预测模型并行训练；利用训练好的高速公路隧道交通事故预测模型进行交通事故预测。本发明利用CNN自动从大量数据中提取关键特征，减少了对专业知识的依赖和人工特征工程的需求，降低了运行成本，能够迅速识别并响应，缩短紧急服务的到达时间，减轻事故后果，提高救援效率。
-
公开(公告)号：CN111369563B
公开(公告)日：2023-04-07
申请号：CN202010108637.8
申请日：2020-02-21
Applicant: 华南理工大学 , 广州梦辉机器人有限公司
IPC: G06T7/10 , G06N3/0464
Abstract: 本发明公开了一种基于金字塔空洞卷积网络的语义分割方法，包括以下步骤：获取包含真实分割结果的医疗图像数据集，对该数据集进行数据增强等预处理操作；将预处理图像通过残差递归卷积模块、池化层得到浅层图像特征；通过由金字塔池化模块和空洞卷积模块并联的网络得到深层图像特征；通过反卷积层、跳跃连接和残差递归卷积模块对深层图像特征解码；将解码结果输入到softmax层得到每个像素所属类别；训练金字塔空洞卷积网络，建立损失函数，通过训练样本确定网络参数；将测试图像输入到训练完成的金字塔空洞卷积网络，得到该图像的语义分割结果。本发明采用的空洞卷积和金字塔池化方法能有效提取多尺度的语义信息和细节信息，提升网络的分割效果。
-
Patent Agency Ranking
公开(公告)号：CN114935468A
公开(公告)日：2022-08-23
申请号：CN202210581541.2
申请日：2022-05-26
Applicant: 华南理工大学
Abstract: 本发明公开了一种采集建筑致密墙体表面沉积氯盐的方法；包括纯水灌入采样管的步骤，将灌装完成的采样管的收纳步骤，定位采样点步骤，浸润采样头步骤，八次涂抹采样步骤，以及标号储存步骤等；本发明采样方法，具有操作便捷、采样高效和成本低廉的特点，能够实现对建筑致密墙体表面沉积氯盐的无损精准采样。
-
公开(公告)号：CN110196946B
公开(公告)日：2021-03-30
申请号：CN201910456019.X
申请日：2019-05-29
Applicant: 华南理工大学
IPC: G06F16/9535 , G06Q30/02
Abstract: 本发明公开了一种基于深度学习的个性化推荐方法，根据用户的观影时序行为序列，预测用户下一部会观看电影，包括用户观看电影的历史行为特征数据预处理、个性化推荐模型建模、使用用户时序行为特征序列进行模型训练和测试三个阶段。用户观看电影的历史行为特征数据预处理阶段，使用用户与电影交互的隐性反馈，将每个用户与电影的交互数据按照时间戳进行排序，相应的电影观看时间序列。随后对电影数据进行编码表示。个性化推荐模型建模包括：嵌入层设计、一维卷积网络层设计、自注意力机制、分类输出层与损失函数设计。本发明结合一维卷积神经网络技术和自注意力机制，训练效率更高，参数相对较少。
-
公开(公告)号：CN109978176B
公开(公告)日：2021-01-19
申请号：CN201910162280.9
申请日：2019-03-05
Applicant: 华南理工大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于状态动态感知的多智能体合作学习方法，通过自主训练获得协调完成任务目标的多智能体控制系统，步骤如下：对各个智能体分别进行状态编码；对每个智能体构建一个动态感知层对其状态集合进行处理，将动态长度的状态集合映射成固定长度的特征；每个智能体的特征输入到各自带有通信单元的Q值网络，从网络输出中选取具有最大Q值的动作作为决策动作；各智能体将动作执行于环境，从环境中获取反馈奖励后，对所有智能体的动态感知层参数和Q值网络参数进行更新；使用上述框架训练多智能体，获得多智能体合作控制系统。本发明适用于要求动态数量游戏角色合作完成任务的游戏系统中，可作为游戏中多智能体的人工智能系统。
-
公开(公告)号：CN108364302B
公开(公告)日：2020-09-22
申请号：CN201810096334.1
申请日：2018-01-31
Applicant: 华南理工大学
Abstract: 本发明公开了一种无标记的增强现实多目标注册跟踪方法，包括：1)离线阶段：通过分层k‑means聚类出词汇树模型，并为词汇树所有叶子节点的倒排索引注册对应的图像id，最后根据整棵树的叶子结点出现的频数和总共的待注册图像数更新为一棵带tf‑idf的词汇树；2)在线阶段：在线阶段是一个实时响应的系统，对摄像头实时输入的图像，根据训练好的词汇树，检索出最相似的图像，随后通过相机的位姿估计计算出待加载的3D物体初始位姿，并采用KLT的跟踪算法对此目标的运动进行跟踪，最后通过渲染线程搭建各目标的增强现实场景。本发明为无标记的多目标增强现实提供了高效、可靠的解决方案。
-
公开(公告)号：CN110196946A
公开(公告)日：2019-09-03
申请号：CN201910456019.X
申请日：2019-05-29
Applicant: 华南理工大学
IPC: G06F16/9535 , G06Q30/02
Abstract: 本发明公开了一种基于深度学习的个性化推荐方法，根据用户的观影时序行为序列，预测用户下一部会观看电影，包括用户观看电影的历史行为特征数据预处理、个性化推荐模型建模、使用用户时序行为特征序列进行模型训练和测试三个阶段。用户观看电影的历史行为特征数据预处理阶段，使用用户与电影交互的隐性反馈，将每个用户与电影的交互数据按照时间戳进行排序，相应的电影观看时间序列。随后对电影数据进行编码表示。个性化推荐模型建模包括：嵌入层设计、一维卷积网络层设计、自注意力机制、分类输出层与损失函数设计。本发明结合一维卷积神经网络技术和自注意力机制，训练效率更高，参数相对较少。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.044 seconds)
