-
公开(公告)号：CN114360041B
公开(公告)日：2025-04-15
申请号：CN202210013760.0
申请日：2022-01-06
Applicant: 重庆邮电大学
Abstract: 本发明公开了基于关键点检测和头部姿态的疲劳状态检测方法及系统，构建并训练主干网络采用深度可分离卷积网络的MMC多任务预测模型，获取单位时间内的若干帧人脸图像，采用MTCNN网络检测每张图像的人脸位置并裁剪出头部图像；将头部图像输入训练好的MMC多任务预测模型中，得到头部姿态角度和人脸关键点的位置信息；利用双阈值法分别判定头部、眼部和嘴部疲劳状态；设定相关系数综合判定人的疲劳状态，结合人脸关键点检测和头部姿态的相关性，采用主干网络为深度可分离卷积网络的MMC多任务预测模型，将两个任务放在同一个网络中同时进行，可以大幅度的减少需要的参数量和运算量，从而提高了模型的检测速度，进而达到实时的效果。
-
公开(公告)号：CN114254187B
公开(公告)日：2024-08-16
申请号：CN202111506522.5
申请日：2021-12-10
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F18/214 , G06N3/0464 , G06N3/042
Abstract: 本发明公开了基于自适应降噪训练的推荐方法、系统、电子设备及介质，涉及计算机技术领域，本发明在一个以图卷积神经网络为基础的推荐系统上，在训练阶段对损失函数做截断处理或重新加权处理，在模型的训练阶段自动地进行降噪处理。与现有技术相比而言，以往的推荐模型不考虑在训练阶段专门针对隐式反馈伴随的噪声问题进行处理；而本发明通过对损失函数进行截断或加权处理，以此来对打分函数进行优化处理，可以大大减少假阳性交互行给训练模型带来的噪声影响，不仅可以减少人工筛除假阳性交互行为的工作量，提升推荐的准确率，同时可缓解训练模型过早的出现过拟合现象。
-
公开(公告)号：CN114254187A
公开(公告)日：2022-03-29
申请号：CN202111506522.5
申请日：2021-12-10
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06K9/62 , G06N3/04
Abstract: 本发明公开了基于自适应降噪训练的推荐方法、系统、电子设备及介质，涉及计算机技术领域，本发明在一个以图卷积神经网络为基础的推荐系统上，在训练阶段对损失函数做截断处理或重新加权处理，在模型的训练阶段自动地进行降噪处理。与现有技术相比而言，以往的推荐模型不考虑在训练阶段专门针对隐式反馈伴随的噪声问题进行处理；而本发明通过对损失函数进行截断或加权处理，以此来对打分函数进行优化处理，可以大大减少假阳性交互行给训练模型带来的噪声影响，不仅可以减少人工筛除假阳性交互行为的工作量，提升推荐的准确率，同时可缓解训练模型过早的出现过拟合现象。
-
公开(公告)号：CN112507898A
公开(公告)日：2021-03-16
申请号：CN202011467797.8
申请日：2020-12-14
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于轻量3D残差网络和TCN的多模态动态手势识别方法。首先，对数据集中的原始视频进行采样，按照时间顺序排序保存；然后，使用大型的公开手势识别数据集对轻量3D残差网络进行预训练，并保存模型的权重文件；接着，使用RGB‑D图像序列作为输入，轻量3D残差网络和时间卷积网络作为基础模型进行长短期的时空特征的提取，并使用注意力机制加权融合多模态的信息。其中RGB和深度(Depth)序列分别输入相同的网络结构；最后，使用全连接层进行分类，采用交叉熵损失函数计算损失值，并使用准确率和F1Score作为网络模型的评估指标。本发明既可以达到较高的分类准确率，又具有参数量低的优点。
-
公开(公告)号：CN112506029A
公开(公告)日：2021-03-16
申请号：CN202011460350.8
申请日：2020-12-11
Applicant: 重庆邮电大学
IPC: G04F10/00
Abstract: 本发明涉及一种采用多个环形延迟链的TDC电路系统，属于时间精密测量领域。该系统包括延迟器、与门电路和D触发器，且该系统通过将START信号同时引入环形结构的延迟线，然后在STOP信号来临时也同时引入各个延迟线上D触发器的时钟端口对延迟线状态进行采样，计算通过延迟单元的个数。本发明通过将每个环形延迟线的首个延迟单元以及末位的延迟单元用与门以及反相器代替，但延迟时间通过设计与其他延迟单元一致，这样此结构在不耗费其他资源的条件下，减少使用延迟单元以及触发器就达到了传统结构所达到的测量效果。
-
Patent Agency Ranking
公开(公告)号：CN116681159A
公开(公告)日：2023-09-01
申请号：CN202310565369.6
申请日：2023-05-18
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于鲸鱼优化算法和DRESN的短期电力负荷预测方法，首先使用变分模态分解(Variational mode decomposition，VMD)对负荷序列进行平稳化处理，并计算各分量样本熵值(Sample Entropy，SE)，将样本熵值相似的分量进行合并重构。然后采用偏自相关函数(Partial Auto Correlation Function，PACF)计算滞后阶数，确定最佳的输入变量序列。最后，将结合气象特征因素的重构模态分量输入至预测模型，采用泛化能力和鲁棒性更强的双存储池回声状态网络模型(Double Reservoir Echo State Network，DRESN)进行短期电力负荷数据的预测，并采用鲸鱼优化算法(Whale Optimization Algorithm，WOA)对模型进行参数寻优。本发明相比于传统预测方法，有更高的精确性。
-
公开(公告)号：CN112507898B
公开(公告)日：2022-07-01
申请号：CN202011467797.8
申请日：2020-12-14
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于轻量3D残差网络和TCN的多模态动态手势识别方法。首先，对数据集中的原始视频进行采样，按照时间顺序排序保存；然后，使用大型的公开手势识别数据集对轻量3D残差网络进行预训练，并保存模型的权重文件；接着，使用RGB‑D图像序列作为输入，轻量3D残差网络和时间卷积网络作为基础模型进行长短期的时空特征的提取，并使用注意力机制加权融合多模态的信息。其中RGB和深度(Depth)序列分别输入相同的网络结构；最后，使用全连接层进行分类，采用交叉熵损失函数计算损失值，并使用准确率和F1Score作为网络模型的评估指标。本发明既可以达到较高的分类准确率，又具有参数量低的优点。
-
公开(公告)号：CN111489364B
公开(公告)日：2022-05-03
申请号：CN202010277654.4
申请日：2020-04-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法(leave‑one‑out)训练方法；最后，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络，并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势，又提高了图像分割网络的测试速度。
-
公开(公告)号：CN111046900A
公开(公告)日：2020-04-21
申请号：CN201911023691.6
申请日：2019-10-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于局部流形正则化的半监督生成对抗网络图像分类方法，该方法将局部流形正则化引入半监督生成对抗网络。该方法基于生成对抗网络对数据流形优秀的拟合能力，引入局部流形正则化，可以很好地解决判别器过度训练问题。通过在判别器和生成器的损失函数中加入流形正则化项，以对数据流形的突变进行惩罚，能够防止模型陷入局部崩溃，增强模型对数据流形的局部扰动保持不变性，使模型具有更好的鲁棒性。结合局部流形正则化的半监督生成对抗网络图像分类方法在半监督图像分类问题上可显著提高图像分类的准确率。
-
公开(公告)号：CN118717144A
公开(公告)日：2024-10-01
申请号：CN202410744700.5
申请日：2024-06-11
Applicant: 重庆邮电大学
IPC: A61B5/389 , A61B5/397 , A61B5/00 , A61B5/11 , G06F18/213 , G06F18/25 , G06F18/214 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及人体主动运动意图识别领域，特别涉及一种基于表面肌电信号的膝关节角连续估计方法，包括获取下蹲膝关节数据集，针对每一组下蹲膝关节数据，对原始肌电信号和真实角度信号分别进行预处理，得到表面肌电信号和真实关节角度数据；采用多特征融合提取方法处理每一组预处理后的下蹲膝关节数据，得到一组表面肌电有序数据；对所有表面肌电有序数据进行归一化，然后将其按比例8:2划分为训练集和测试集；基于卷积神经网络和长短期记忆构建角度估计模型，采用训练集训练角度估计模型；将待估计数据输入训练好的角度估计模型，输出角度估计结果；本发明采用CNN和LSTM结合的角度估计网络，学习数据空间特征和时间特征，提高了角度估计准确度。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.027 seconds)
