-
公开(公告)号：CN109559530A
公开(公告)日：2019-04-02
申请号：CN201910011893.2
申请日：2019-01-07
Applicant: 大连理工大学
Abstract: 本发明提供一种基于Q值迁移深度强化学习的多交叉口信号灯协同控制方法，属于机器学习与智能交通的交叉领域。本方法首先将一个区域的多交叉口交通网络建模为多Agent系统，各个Agent在学习策略过程中同时考虑最近时刻的相邻Agent动作的影响，使得多个Agent能协同地进行多交叉口的信号灯控制。每个Agent通过一个深度Q网络自适应控制一个交叉口，网络输入为各自对应路口的原始状态信息的离散交通状态编码。在其学习过程中将最近时刻相邻Agent的最优动作Q值迁移到网络的损失函数中。本方法能够提升区域路网的交通流量，提高道路的利用率，减少车辆的排队长度，缓解交通拥堵。该方法对各交叉口结构无限制。
-
公开(公告)号：CN106022000B
公开(公告)日：2018-06-08
申请号：CN201610309077.6
申请日：2016-05-11
Applicant: 大连理工大学
IPC: G06F19/24
Abstract: 本发明公开了一种基于压缩和聚类的批量蛋白质同源性搜索方法，属于计算机应用技术与生物技术的交叉领域。该方法充分利用了蛋白质数据库序列和查询序列中存在的序列相似信息，首先对查询序列和蛋白质数据库通过冗余分析和冗余移除过程进行压缩操作；进而对压缩后的蛋白质数据库进行相似子序列聚类，然后在聚类数据库基础上利用映射原理进行查找以发现潜在的结果，并根据找到的潜在结果集建立可执行数据库；最后在可执行数据库上进行同源性搜索，以获得最终的同源性序列。本发明的方法通过在构建的可执行数据库上进行同源性搜索，大大减少了重复序列比对和无间隙扩展的时间。
-
公开(公告)号：CN108009518A
公开(公告)日：2018-05-08
申请号：CN201711373435.0
申请日：2017-12-19
Applicant: 大连理工大学
CPC classification number: G06K9/00818 , G06K9/6273 , G06K2209/25 , G06N3/0454 , G06N3/08
Abstract: 本发明属于计算机应用及计算视觉技术领域，提供了一种基于快速二分卷积神经网络的层次化交通标识识别方法。本发明设计了快速二分卷积神经网络结构以缓解卷积过程的计算量大与耗时问题，并提出了基于快速卷积神经网络的层次化分类算法。具体应用上，在粗分类阶段，首先对交通标识图像进行预处理得到感兴趣区域，然后将感兴趣区域输入到快速二分卷积神经网络粗分为若干大类；在细分类阶段，针对各类的特点对交通标识进行再次预处理，对处理后的标识进一步利用快速二分卷积网络进行细分类得出最终结果。结果表明，提出的算法不仅具有较高的分类正确率，同时具有较快的处理速度，更加适用于实时性要求较高的交通标识识别系统。
-
公开(公告)号：CN107944476A
公开(公告)日：2018-04-20
申请号：CN201711102908.3
申请日：2017-11-10
Applicant: 大连理工大学
CPC classification number: G06K9/6256 , B25J9/1679 , G06F17/5009 , G06K9/6267 , G06N3/0454
Abstract: 本发明属于计算机应用及人工智能技术领域，涉及一种基于深度强化学习的黄桃挖核机器人行为控制策略。针对传统的机械控制方法难以有效的对黄桃挖核机器人进行行为控制问题，本发明提出了一种基于深度强化学习的方法对具有视觉功能的黄桃挖核机器人进行行为控制，以期提高其工作性能。本发明发挥了深度学习的感知能力和强化学习的决策能力，使机器人能够利用深度学习识别桃核状态，进而，通过强化学习的方法指导单片机控制电机挖除桃核，以最终完成挖核任务。本发明对于利用机器代替人工劳力的挖核任务具有优势。
-
公开(公告)号：CN120014243A
公开(公告)日：2025-05-16
申请号：CN202510170802.5
申请日：2025-02-17
Applicant: 大连理工大学
IPC: G06V10/25 , G06V10/82 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明属于人工智能与目标检测领域，公开一种基于YOLO与Transformer桥接的范围自适应脉冲神经网络目标检测方法，步骤如下：数据预处理；低层细节特征提取；高层语义信息提取；特征通道维度对齐；尺度内交互；跨尺度特征融合；使用联合损失函数训练网络直至收敛；测试集目标检测。本发明不仅能在低功耗的条件下有效结合Transformer的全局建模能力和YOLO的局部感知特性，还能配合I‑LIF神经元适配任意整数脉冲完成自注意力操作，在低功耗的条件下显著提高脉冲神经网络的目标检测性能。本发明作为一种基于YOLO与Transformer桥接的范围自适应脉冲神经网络目标检测方法，可广泛用于目标检测领域。
-
Patent Agency Ranking
公开(公告)号：CN119851178A
公开(公告)日：2025-04-18
申请号：CN202411923614.7
申请日：2024-12-25
Applicant: 大连理工大学
IPC: G06V20/40 , G06V10/764 , G06V10/82 , G06N3/0499 , G06N3/084 , G06N3/0895
Abstract: 本发明属于人工智能与视频异常检测领域，公开了一种基于课程学习和对比学习策略的弱监督视频异常检测方法。通过模仿人类的学习方式设计课程学习策略，并通过基于正态原型的对比学习方法训练异常检测模型，包括以下步骤：视频预处理并提取光流图像；提取视频外观及运动特征并融合；输入预分类器中获得伪标签；根据伪标签判定异常检测难度，划分简单集合与困难集合；利用简单集合初始化模型；利用困难集合进行二阶段训练，通过正态原型对比学习更新模型参数。通过使用本发明可以有效提升弱监督视频异常检测模型的判别能力，极大程度上解决现有技术存在的噪声影响下的模型偏差、正异常边界模糊、模型区分能力不足的问题，显著提高视频异常检测的准确性。
-
公开(公告)号：CN118135624A
公开(公告)日：2024-06-04
申请号：CN202311831314.1
申请日：2023-12-28
Applicant: 大连理工大学
IPC: G06V40/16 , G06V40/10 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉领域，公开了一种基于多姿态头部引导学习的换衣行人重识别方法。针对目前依赖身体形状、轮廓和步态等生物特征的方法，本发明充分利用更加直观、可靠的头部特征，设计头部增强注意力模块自适应学习特定姿态下的细粒度头部特征分布，提出姿态分支网络降低了由于姿态所导致的识别的巨大的类内差异。包括以下步骤：裁剪行人头部图片；分配姿态标签；提取特定姿态特征；提取细粒度正面姿态特征；学习多姿态特征分布；最小化损失训练；测试识别效果。通过本发明提出的多层次双分支引导方法可以实现在测试阶段即使丢弃所有的辅助信息，降低测试成本，模型仍具有较高识别精度，可广泛应用于换衣行人重识别领域，方便部署。
-
公开(公告)号：CN112364757B
公开(公告)日：2022-10-21
申请号：CN202011242807.8
申请日：2020-11-09
Applicant: 大连理工大学
IPC: G06V40/20 , G06V20/40 , G06V10/25 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明属于计算机视觉领域，涉及视频中的人体动作识别，用于定位和分类视频中人体行为动作，具体为一种基于时空注意力机制的人体动作识别方法。本发明所提供的基于空间变换网络的注意力机制，获取与人体运动相关的区域，从而捕获动作之间的细节变化；本发明所提供的局部区域与全局特征进行融合的方法，加强了人体动作的表示；本发明所提供的全局特征描述符，将来自空间信息、时间信息以及时空交互信息进行聚合来区分人体行为动作，提高识别效果。
-
公开(公告)号：CN111739051B
公开(公告)日：2022-10-04
申请号：CN202010490335.1
申请日：2020-06-02
Applicant: 大连理工大学
IPC: G06T7/174
Abstract: 本发明属于计算机视觉与机器学习的交叉领域，一种基于残差网络的多序列MRI图像分割方法，首先将数据集中的MRI多序列作为输入图像的多个通道进行合并处理，并对分割序列进行分离，分离为不同类别的分割图。本发明在经典的编码器解码器分割网络的基础上引入了残差网络，用残差单元代替原来的编码解码网络。利用残差单元内的跳转连接，提取更多的局部特征。增加了同一层级残差单元之间的跳转连接，实现了全局特征的提取。此外，针对MRI图像中目标区域与背景区域在图像中所占比例相差大而导致的分割类别不平衡问题，本发明将交叉熵损失与Dice损失线性结合，并对Dice损失加权来解决该问题。
-
公开(公告)号：CN110335193B
公开(公告)日：2022-09-20
申请号：CN201910516012.2
申请日：2019-06-14
Applicant: 大连理工大学
Abstract: 本发明提供一种基于生成对抗网络的目标域导向的无监督图像转换方法，属于计算机视觉领域。本发明用来实现无监督的跨领域图像到图像的转换任务，属于计算机视觉领域。本方法设计了一个自编码重构网络，通过最小化源域图像的重构损失来提取源域图像的分层表征。同时，通过权值共享策略，共享网络模型中的两组生成对抗网络中编码和解码高层语义信息的网络层的权值，以保证输出图像能够保留输入图像的基本结构和特征。然后，两个判别器分别用来区分输入图像是各自领域的真实图像还是生成的图像。本方法能够有效进行无监督的跨域图像转换，生成高质量的图像。实验证明所提方法在CelebA等标准数据集上取得了很好的结果。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.053 seconds)
