-
公开(公告)号：CN104820924B
公开(公告)日：2018-04-27
申请号：CN201510242186.6
申请日：2015-05-13
Applicant: 重庆邮电大学
Abstract: 一种基于笔迹鉴定的网上安全支付系统，包括：101用户注册模块；102接收模块：用于接收用户输入的任一待笔迹签名样本，进行多特征融合，将多种属性特征值作为样本的特征值，挖掘各个属性值对正确识别本人签名贡献程度，降序排序，按照贡献值排序找一组最优权值融合多种特征；103学习、训练模块：将综合后的多特征集转化为1到8的数据后作为基于邻域超网络分类器的输入，进行训练和测试；104鉴定模块：用户输入签名，将待识别超边与所述超边库中的超边进行对比来鉴定用户笔迹的真伪；S105支付模块：将笔迹鉴定应用到网上安全支付。本发明具有更高的稳定性、安全性、便捷性；同时结合了多特征融合技术，能够提高签名样本的识别效率，以及准确性。
-
公开(公告)号：CN107301562A
公开(公告)日：2017-10-27
申请号：CN201710341039.3
申请日：2017-05-16
Applicant: 重庆邮电大学
IPC: G06Q30/02
CPC classification number: G06Q30/0211 , G06Q30/0202
Abstract: 本发明请求保护一种O2O优惠券使用大数据预测方法，包括：101对用户的历史消费数据集进行预处理操作；102对用户的历史消费数据集打标，划分和构建训练集和预测集；103对用户的历史消费数据集进行特征工程构建；104特征选择和不平衡数据的处理；105对上述数据进行多分类器集成学习；106通过已建立模型，根据用户历史消费数据对用户的优惠券使用情况进行预测，优化O2O优惠券的投放。本发明主要是通过对用户消费数据的处理及对数据进行多分类器集成学习，建立预测模型，从而预测用户未来的优惠券使用情况，对O2O优惠券的投放进行优化。
-
公开(公告)号：CN106570178A
公开(公告)日：2017-04-19
申请号：CN201610991719.5
申请日：2016-11-10
Applicant: 重庆邮电大学
IPC: G06F17/30
Abstract: 本发明请求保护一种基于图聚类的高维文本数据特征选择方法，该方法包括：剔除不相关特征，并构造加权无向图；再结合社区发现算法快速地将特征聚类；并以“最大相关最小冗余”原则搜索类簇空间，剔除类簇内的冗余特征；最后根据特征与类别间的关系挑选出最佳特征子集。本发明旨在利用图能体现特征空间分布的特性，结合高效的社区发现进行特征聚类，选取出具有代表性的特征，并消除聚类过程中忽略数据分布情况和每个特征与类别都具有不同程度的重要性问题。同时解决聚类时的盲目性，使得文本分类结果具有更高的准确性和稳定性。
-
公开(公告)号：CN105933616A
公开(公告)日：2016-09-07
申请号：CN201610316443.0
申请日：2016-05-12
CPC classification number: H04N5/2355 , H04N9/646 , H04N9/69
Abstract: 本发明实施例公开了一种图像处理的方法及设备，用于更好的保留图像的细节。方法包括：获取高动态范围图像，根据高动态范围图像得到高动态图像的亮度图像；提取亮度图像的各向异性区域；通过仿射变换将各向异性区域转换为各向同性区域；对各向同性区域进行遮光和曝光处理，得到低动态范围的第一图像；对第一图像进行处理，得到基础层图像和细节层图像；对基础层图像进行压缩处理，得到压缩后的基础层图像；将压缩后的基础层图像和细节层图像进行合成处理，得到第二图像；对第二图像进行色度处理，得到色度处理后的图像；对色度处理后的图像进行伽玛校正得到输出图像。本发明实施例还提供了一种图像处理设备，用于更丰富的保留图像的细节。
-
公开(公告)号：CN104820924A
公开(公告)日：2015-08-05
申请号：CN201510242186.6
申请日：2015-05-13
Applicant: 重庆邮电大学
CPC classification number: G06Q20/382 , G06K9/00416 , G06K2209/01
Abstract: 一种基于笔迹鉴定的网上安全支付系统，包括：101用户注册模块；102接收模块：用于接收用户输入的任一待笔迹签名样本，进行多特征融合，将多种属性特征值作为样本的特征值，挖掘各个属性值对正确识别本人签名贡献程度，降序排序，按照贡献值排序找一组最优权值融合多种特征；103学习、训练模块：将综合后的多特征集转化为1到8的数据后作为基于邻域超网络分类器的输入，进行训练和测试；104鉴定模块：用户输入签名，将待识别超边与所述超边库中的超边进行对比来鉴定用户笔迹的真伪；S105支付模块：将笔迹鉴定应用到网上安全支付。本发明具有更高的稳定性、安全性、便捷性；同时结合了多特征融合技术，能够提高签名样本的识别效率，以及准确性。
-
Patent Agency Ranking
公开(公告)号：CN114699078B
公开(公告)日：2025-02-11
申请号：CN202210227246.7
申请日：2022-03-08
Applicant: 重庆邮电大学
Abstract: 本发明属于脑机接口领域，具体涉及一种基于少量通道EEG的情绪识别方法及系统，包括获取用户头皮4个通道的脑电信号，对脑电信号进行预处理；将预处理后的脑电信号转换为基础信号，对基础信号进行分解和重构，得到一系列分量信号；将平滑后的特征输入训练好的分类模型检测用户情绪；本发明使用更少通道的脑电信号来检测用户情绪，用户只需要根据实际的场景进行情绪调动，PC会对采集用户的大脑皮层脑电信号进行分析，通过预处理和特征提取，将最终的特征输入分类器里面进行分类，就可以反映出当时用户的情绪类别。
-
公开(公告)号：CN118747664A
公开(公告)日：2024-10-08
申请号：CN202410868274.6
申请日：2024-06-28
Applicant: 重庆邮电大学
IPC: G06Q30/0242 , G06N3/0442 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/08 , G06N3/048 , G06Q30/0241
Abstract: 本申请涉及深度学习、电商广告、点击通过率预估、门控网络、注意力机制、特征交叉等技术，并公开了一种使用门控注意力机制预估电商广告点击通过率的方法。该方法为：收集电商广告数据集，在数据输入层对数据集进行预处理，然后划分为训练集、验证集和测试集。处理后的数据输入到特征嵌入层，得到特征嵌入向量。接着，将特征嵌入向量输入到门控混合注意力模块，分别训练浅层模型和深层模型所需的特征嵌入向量。随后，将门控混合注意力模块输出的两类特征嵌入向量分别输入到特征交互层中的域矩阵因子分解机和增强深度交互网络中，进行特征的低阶交互和高阶交互。最终，在预测层中，将深层模型与浅层模型的输出结合，得到用户点击目标物品的预测概率。本发明适用于广告点击通过率预测、用户行为预测、用户兴趣预测等二分类预测问题领域。
-
公开(公告)号：CN117530692A
公开(公告)日：2024-02-09
申请号：CN202311697349.0
申请日：2023-12-12
Applicant: 重庆邮电大学
Abstract: 本发明涉及检测技术领域，具体涉及一种驾驶员疲劳状态水平检测系统，水平检测系统包括有心率检测表、眼球检测眼镜、检测分析模块、分级模块与AI车机互动模块，心率检测表与眼球检测眼镜之间通过蓝牙进行连接，心率检测表与检测分析模块通过车联网进行连接，眼球检测眼镜与检测分析模块通过车联网进行连接。本发明通过设置的心率检测表与眼球检测眼镜实时对驾驶员的心率与眼球活动位置进行检测，判断分析驾驶员是否处于疲劳状态，并通过分级模块对疲劳等级进行划分，上传至AI车机互动模块内来与驾驶员进行互动，减缓驾驶员的疲劳状态，抛弃了对面部检测方式，能够大大的提高检测效率，对驾驶员的安全提供保障。
-
公开(公告)号：CN115661858A
公开(公告)日：2023-01-31
申请号：CN202211249602.1
申请日：2022-10-12
Applicant: 重庆邮电大学
IPC: G06V40/10 , G06V10/82 , G06V10/774 , G06V10/80 , G06V10/42 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明请求保护一种基于局部特征与全局表征耦合的2D人体姿态估计方法，包括如下步骤：获取数据集，选取并划分人体姿态估计任务所需的训练集和验证集；获取人体的具体位置，对样本图像进行分割，同时对分割后的图像进行数据增强；将处理后的数据输入基于Pytorch开源深度学习框架设计的卷积神经网络中；输出的热度图能表示人体关节点的位置；计算网络模型的输出热度图与对应标注热度图的损失，训练并优化检测模型；步骤五，利用优化后的模型参数，检测真实场景图像中人体关节点的位置，得到相应的人体骨骼框架。本发明基于耦合卷积神经网络提取的局部特征和Transformer捕捉的全局表征来提升网络的特征提取能力，实现了端到端的人体姿态估计方法。
-
公开(公告)号：CN109801225B
公开(公告)日：2022-12-27
申请号：CN201811487067.7
申请日：2018-12-06
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于多任务全卷积神经网络的人脸网纹污迹去除方法，具体步骤如下：步骤一，利用公共人脸数据集CelebA的清晰人脸图像作为无网纹图像数据集，制作训练集与验证集；步骤二，将网纹图像、真实图像、网纹二值mask图像均裁剪成大小为64x64的图像块；步骤三，运用引导滤波，获取人脸网纹图像的细节层信息作为模型输入；步骤四，设计全卷积神经网络，输出残差信息与二值mask网纹判别信息；步骤五，用成对的训练数据优化真实图像、网纹图像与残差信息的损失，以及预测网纹mask与真实网纹mask标签损失，训练模型；步骤六，利用训练得到的模型参数，预测真实场景的测试图像，得到预测的去污图像。本发明为人脸图像后续操作提供了高质量的图像。
-
-
-
-
-
-
-
-
-
Search Results
115
records
(took 0.023 seconds)
