-
公开(公告)号：CN116793375A
公开(公告)日：2023-09-22
申请号：CN202310300092.4
申请日：2023-03-26
Applicant: 重庆大学
IPC: G01C21/34
Abstract: 本发明公开了一种基于双向搜索决策改进RRT的移动机器人路径规划方法，该方法主要针对InformedRRT*算法在得到最优路径之前执行时间比较长的缺点，且规划出来的是路径由于存在“突变”无法直接给到移动机器人执行跟踪，提出了对RRTConnect算法以及其InformedRRT*采样策略进行改进后B样条曲线优化的B‑IRC算法。产生新节点之后利用合适半径圆搜索周边顶点时，将祖节点和父节点同时纳入计算。根据三角形性质，两边之和大于第三边，只要祖节点和新节点之间的碰撞检测通过，就认定祖节点与新节点之间的路径更优，从而最终得到更低成本的更优路径。本方法能够显著加快后续椭圆区域的缩小，从而在整体上更快收敛到最优路径。
-
公开(公告)号：CN116644760A
公开(公告)日：2023-08-25
申请号：CN202310537056.X
申请日：2023-05-13
Applicant: 重庆大学
IPC: G06F40/35 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于Bert模型和双通道模型的对话文本情感分析方法，使用Bert模型对输入文本进行字级别的向量化操作，通过预训练学习到的先验知识来增强文本向量的语义表达，使用遮掩策略强化对文本中词的理解。对话文本为短文本，提取短文本的语义信息存在一定难度，特征提取层结合BiGRU和CNN网络的优点，使用BiGRU网络捕获上下文的语义信息，从全局上来衡量文本的情感信息，并借助CNN网络对文本中多层次的特征信息进行局部提取，以便捕获更有利于文本情感分析的特征信息。将BiGRU和CNN网络提取的特征进行拼接输入至情感分类层中，通过全连接层和Softmax操作后实现情感分类。
-
公开(公告)号：CN116228685B
公开(公告)日：2023-08-22
申请号：CN202310075484.5
申请日：2023-02-07
Applicant: 重庆大学
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的肺结节检测与剔除方法，该方法在网络生成结果之前进行融合，对每一个模型的预测结果保留相同权重，使用加权框融合的后处理方法的到最终结果。提出了一种根据连续图片交并比值来判断结节连续性的方法，能够快速实现结节从二维转为三维，并且能够有效的减少误判。本发明基于二维目标检测模型检测肺结节，更加节省算力，且在检测完毕后结合了三维重构技术，实现了更快速，更精确的肺结节检测，除此之外，提出了Sa‑Yolo模型，通过引入分割注意力机制，从而加强了模型对于小结节的检测效果，并且在与Yolov7融合之后，能够获得更精准的结节边界框，能够更精准、快速地检测肺结节。
-
公开(公告)号：CN116561254A
公开(公告)日：2023-08-08
申请号：CN202310499796.9
申请日：2023-05-05
Applicant: 重庆大学
IPC: G06F16/33 , G06F40/30 , G06F40/289 , G06F40/284 , G06F40/151 , G06F18/25 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了结合CNN和Transformer的多特征融合对联生成方法，包括以下步骤，在数据预处理阶段，分别构建带词性特征和平仄特征的对联语料库；根据对联上联构建结合词性特征和平仄特征的多特征融合词向量。将对联上联的多特征融合词向量分别输入到CNN编码器和Transformer模型的编码器中进行对联特征提取和对联语义编码，分别得到特征编码向量和语义编码向量。将特征编码向量和语义编码向量结合起来输入到Transformer模型的解码器中。本方法将对联的词性特征和平仄特征加入到词向量中，得到多特征融合的词向量。多特征融合的词向量能提高生成对联的对仗性；将CNN模型和Transformer模型结合起来，强化对联的重点信息，提高生成对联的语义连贯性。
-
公开(公告)号：CN116501884A
公开(公告)日：2023-07-28
申请号：CN202310337357.8
申请日：2023-03-31
Applicant: 重庆大学
IPC: G06F16/36 , G06F40/295 , G06F16/951 , G06N3/0442
Abstract: 本发明公开了一种基于BERT‑BiLSTM‑CRF的医药实体识别方法，构建知识图谱的主要目标是将具有复杂关系网络的非结构化数据转换为易于存储和查询的结构化三元组数据，而知识抽取是这一过程中最重要的任务之一，它包括实体识别和关系抽取。本发明基于在命名实体识别中的成功应用的BiLSTM‑CRF模型，并结合BERT预训练模型，进一步提高模型的语义解析能力，能更好地抓取词语特征、增加句子的语义化，从而提高医药实体的准确性和语义丰富度。本发明改善了原模型在embedding层仅依靠简单方式训练的词向量的表现。借助BERT模型的强大的特征抽取能力，在医药信息处理任务中，由于医药信息结构复杂且相关性强，通过引入BERT能够更准确、丰富地表达医药信息的相关特征。
-
Patent Agency Ranking
公开(公告)号：CN116486075A
公开(公告)日：2023-07-25
申请号：CN202310337060.1
申请日：2023-03-31
Applicant: 重庆大学
IPC: G06V10/26 , G06V10/774 , G06V10/80 , G06V10/42 , G06V20/13
Abstract: 本发明公开了基于HRNet的遥感影像地物提取多尺度强融合语义分割方法，首先获取遥感数据，对数据进行数据集划分，形成地物要素提取样本数据集。基于地物要素提取样本数据集，构建融合三重注意力机制的多尺度强融合语义分割网络MT‑HRNet，基于构建的MT‑HRNet语义分割模型，在训练集上进行训练，优化模型参数，获得初步地物要素提取结果。基于初步地物要素提取结果和遥感图像真实标签，计算分割损失。该分割损失会指导MT‑HRNet特征提取网络进行充分的特征提取，提高分割精度。直至MTC‑HRNet模型收敛。该方法将HRNet网络用于遥感影像语义分割，提高对遥感影像的特征提取提取能力，使地物要素提取结果更准确。
-
公开(公告)号：CN116453335A
公开(公告)日：2023-07-18
申请号：CN202310337303.1
申请日：2023-03-31
Applicant: 重庆大学
IPC: G08G1/01
Abstract: 本发明公开了基于CLA‑BLSA模型的短时交通流预测方法，本方法提出了一种融合了Conv‑LSTM、Bi‑LSTM和注意力机制的CLA‑BLSA模型，充分挖掘交通流的时空特性和复杂非线性特征，提升交通流预测的精度。该模型包含时空特征提取模块、交通流量日期性特征提取模块和交通流量周期性特征提取模块三个模块。CLA模块是带有注意力机制的Conv‑LSTM模块，该模块用于提取交通流的时空特征。设计两个BLSA模块用于捕获交通流每日和每周的周期变化特性，BLSA模块由基于自注意力机制的Bi‑LSTM模块构成。最后采用Lookahead优化算法通过指定内部循环优化器，更新快速权重、慢速权重的方式对模型进行优化。本发明通过引入注意力机制的Conv‑LSTM模块捕获交通流的时空特性，与其他现有的预测方法对比，本发明具有更优越的预测性能。
-
公开(公告)号：CN119690131A
公开(公告)日：2025-03-25
申请号：CN202411762914.1
申请日：2024-12-03
Applicant: 重庆大学
IPC: G05D1/695
Abstract: 本发明公开了一种局部坐标框架下基于距离和边角的有向编队控制方法，包括1)设计多智能体之间的通讯关系；2)建立多智能体系统的动力学模型，并分析系统形成期望编队所需完成的目标；3)针对n个非质点型单积分智能体模型，通过转换函数对距离进行变换确保了相邻智能体之间的信号连通性和避碰性，同时通过对第k个智能体的边角施加约束避免了编队队形平衡点的非唯一性；4)对步骤3)转换后的距离和边角进行误差定义并设计控制器；5)在完成智能体控制器的设计后，将控制器在视觉定位实验平台中进行实物验证。通过引入状态相关的时变控制增益，避免了现有方法需要根据期望的编队模式反复调整控制参数的缺点。
-
公开(公告)号：CN118519446B
公开(公告)日：2024-11-15
申请号：CN202410592987.4
申请日：2024-05-14
Applicant: 重庆大学
Abstract: 本发明涉及无人机控制技术领域，特别涉及一种车辆目标脱离视野后的无人机跟踪控制方法。包括无人机自动跟随目标车辆；根据目标车辆消失前在世界坐标系中的变化数据，预测目标车辆在世界坐标系中的预测坐标轨迹；根据目标车辆消失前在图像框坐标系中的变化数据，计算无人机搜寻速度和搜寻方向；加权预测坐标轨迹和搜寻坐标轨迹，确定无人机的期望搜寻轨迹。本发明通过纯视觉的方式即可完成无人机跟车，且在丢失目标车辆后可找回目标车辆；本发明通过不同的情况以分配权重的方式融合两种搜寻目标车辆的方式，可显著提高目标车辆搜寻成功率。
-
公开(公告)号：CN116228685A
公开(公告)日：2023-06-06
申请号：CN202310075484.5
申请日：2023-02-07
Applicant: 重庆大学
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的肺结节检测与剔除方法，该方法在网络生成结果之前进行融合，对每一个模型的预测结果保留相同权重，使用加权框融合的后处理方法的到最终结果。提出了一种根据连续图片交并比值来判断结节连续性的方法，能够快速实现结节从二维转为三维，并且能够有效的减少误判。本发明基于二维目标检测模型检测肺结节，更加节省算力，且在检测完毕后结合了三维重构技术，实现了更快速，更精确的肺结节检测，除此之外，提出了Sa‑Yolo模型，通过引入分割注意力机制，从而加强了模型对于小结节的检测效果，并且在与Yolov7融合之后，能够获得更精准的结节边界框，能够更精准、快速地检测肺结节。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.019 seconds)
