-
公开(公告)号：CN109885831A
公开(公告)日：2019-06-14
申请号：CN201910091177.X
申请日：2019-01-30
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种关键术语抽取方法、装置、设备及计算机可读存储介质，该方法包括：根据预先构建的特定领域术语词典，对文本进行切分处理；利用预设的第一抽取窗口遍历文本，对切分处理后得到的词语进行抽取，获得特定领域的候选术语，根据预先构建的特定领域术语词典，对切分处理后得到的词语进行抽取，获得特定领域的候选术语；通过预先构建的概率主题模型对候选术语进行主题聚类，获得多个主题关联的候选术语及其关联概率；根据每个主题关联的候选术语及其关联概率，确定关键术语，本发明基于特定领域术语词典对文本划分，并采用概率主题模型进行关键术语提取，有效抽取特定领域的关键术语，提高关键术语抽取的准确性。
-
公开(公告)号：CN109271930A
公开(公告)日：2019-01-25
申请号：CN201811075329.9
申请日：2018-09-14
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: G06K9/00
Abstract: 本发明提供了一种微表情识别方法、装置与存储介质，所述方法，包括：检测预先采集的目标人脸图像的人脸特征，获取所述目标人脸图像的至少五个人脸特征点；根据所述目标人脸图像的人脸特征点以及预设的图像分块规则，对所述目标人脸图像进行切块处理，得到若干个图块；根据所述若干个图块，通过预先建立的卷积神经网络模型，获得微表情分类结果。上述方法依据获取的人脸特征点以及预设的图像分块规则，对所述目标人脸图像进行切块处理，并采用卷积神经网络对切块后的得到的若干个图块进行识别分类，能够有效提高微表情识别的速度、精度，从而大幅度提高微表情识别的工作效率。
-
公开(公告)号：CN114398160B
公开(公告)日：2025-05-06
申请号：CN202111550535.2
申请日：2021-12-17
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于自适应任务调度的全局感知模型构建方法及装置，该方法包括如下步骤：步骤S1，固定采样时间间隔，随机选择K个服务器；步骤S2，令K个服务器节点构建局部模型，利用边缘节点的分布式感知技术，并结合感知模型的任务分配方法，实现感知模型并行训练最小化和训练质量不断迭代校正的自适应任务分配，从而通过自适应任务分配选择合适的节点以实现局部模型的选取；步骤S3，定义一个智能体系统，基于局部模型的训练，采用最大估计效用的策略来选取执行参数传输，通过本地智能体与中心智能体参数的交互实现全局模型的构建。
-
公开(公告)号：CN114462679A
公开(公告)日：2022-05-10
申请号：CN202210003743.9
申请日：2022-01-04
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明涉及通信技术领域，公开了一种基于深度学习的网络流量预测方法、装置、设备及介质，方法包括获取网络流量数据；对所述网络流量数据进行预处理，得到流量预测数据；基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征；根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。本方法能够减小预测结果的误差，提高预测结果的准确度。
-
公开(公告)号：CN112199531A
公开(公告)日：2021-01-08
申请号：CN202011224930.7
申请日：2020-11-05
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于哈希算法和邻域图的跨模态检索方法及装置，检索方法包括：获取多模态原始样本，对多模态原始样本经过特征变换前后得到的残差值进行最小化处理，得到最小化残差值；根据协同矩阵分解方法学习多模态原始样本之间的潜在关联，并根据潜在关联计算得到多模态原始样本的模态间的语义一致性；采用邻域图的流行学习，计算得到多模态原始样本的模态内的语义一致性；将最小化残差值、模态间的语义一致性和模态内的语义一致性，结合避免过度拟合的正则化计算得到目标函数。本发明实施例通过综合考虑多模态的全局特征和模态间的局部特征，计算得到用于跨模态检索的目标函数，以实现提高跨模态检索的全面性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN114710325B
公开(公告)日：2023-09-15
申请号：CN202210263547.5
申请日：2022-03-17
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种网络入侵检测模型的构建方法、装置、设备及存储介质，该方法包括：获取网络入侵检测的第一流量数据集；其中，所述第一流量数据集包括多个连续采样周期的流量时序数据；对所述第一流量数据集进行预处理，得到第二流量数据集；通过EfficientNet对所述第二流量数据集进行特征提取，得到初始特征图；基于域随机化方法和所述初始特征图合成多个仿真特征图，以构成仿真特征图集；通过所述初始特征图和所述仿真特征图集对预先构建的深度学习模型进行训练，得到网络入侵检测模型。采用本发明实施例能够提高检测数据量较少的网络攻击的准确率。
-
公开(公告)号：CN114710325A
公开(公告)日：2022-07-05
申请号：CN202210263547.5
申请日：2022-03-17
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种网络入侵检测模型的构建方法、装置、设备及存储介质，该方法包括：获取网络入侵检测的第一流量数据集；其中，所述第一流量数据集包括多个连续采样周期的流量时序数据；对所述第一流量数据集进行预处理，得到第二流量数据集；通过EfficientNet对所述第二流量数据集进行特征提取，得到初始特征图；基于域随机化方法和所述初始特征图合成多个仿真特征图，以构成仿真特征图集；通过所述初始特征图和所述仿真特征图集对预先构建的深度学习模型进行训练，得到网络入侵检测模型。采用本发明实施例能够提高检测数据量较少的网络攻击的准确率。
-
公开(公告)号：CN112543339A
公开(公告)日：2021-03-23
申请号：CN202011432932.5
申请日：2020-12-09
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于残差重构的视频仿真方法及装置，方法包括：基于初始采样间隔，通过稀疏表示算法对待处理视频进行解码，分别得到采样前视频帧、采样后视频帧和采样时刻视频帧；进行矢量化处理；计算采样时刻测量矢量的预测值，并得到对应的自适应采样间隔；基于初始采样间隔、自适应采样间隔对采样时刻测量矢量进行重构；对重构后的采样时刻测量矢量进行解码，得到自适应采样时刻视频帧；以解码后得到的自适应采样时刻视频帧进行仿真输出。本发明实施例提供的基于残差重构的视频仿真方法及装置，通过基于残差重构的特定算法，使得视频仿真能够根据实时图像调整不同的采样间隔，提升了视频仿真的效果，推进了仿真采样的智能化进程。
-
公开(公告)号：CN112543339B
公开(公告)日：2022-08-02
申请号：CN202011432932.5
申请日：2020-12-09
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于残差重构的视频仿真方法及装置，方法包括：基于初始采样间隔，通过稀疏表示算法对待处理视频进行解码，分别得到采样前视频帧、采样后视频帧和采样时刻视频帧；进行矢量化处理；计算采样时刻测量矢量的预测值，并得到对应的自适应采样间隔；基于初始采样间隔、自适应采样间隔对采样时刻测量矢量进行重构；对重构后的采样时刻测量矢量进行解码，得到自适应采样时刻视频帧；以解码后得到的自适应采样时刻视频帧进行仿真输出。本发明实施例提供的基于残差重构的视频仿真方法及装置，通过基于残差重构的特定算法，使得视频仿真能够根据实时图像调整不同的采样间隔，提升了视频仿真的效果，推进了仿真采样的智能化进程。
-
公开(公告)号：CN114519417A
公开(公告)日：2022-05-20
申请号：CN202210067014.X
申请日：2022-01-20
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 广东工业大学
Abstract: 本发明提供了一种边缘设备的模型训练方法、装置、设备及介质，所述方法包括：基于改进的烟花算法，选定一组最优的客户端，并将模型参数发送至该组中的每一客户端，以使每一所述客户端根据对应的模型参数对该客户端对应的局部模型进行训练；获取客户端发送的训练完成的局部模型及其对应的模型参数，并将局部模型及其对应的参数进行聚合得到训练完成的全局模型；当判断到不满足第一预设迭代终止条件时，返回至上述客户端训练步骤。采用本发明实施例，能够基于改进的烟花算法，在每次训练时，对参与训练的客户端组合进行择优选择，并通过拆分的方法将云平台服务器端的全局模型拆分成多个局部模型，实现了在有限的边缘网络中对大型模型的高效训练。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.048 seconds)
