全景视频中可拖拽式热点交互方法、系统及存储介质

    公开(公告)号:CN114779981B

    公开(公告)日:2023-06-20

    申请号:CN202210260252.2

    申请日:2022-03-16

    Abstract: 本发明提供一种全景视频中可拖拽式热点交互方法、系统及存储介质,包括:获取热点的中心经纬度坐标、尺寸大小及投影球体的半径,计算热点的中心及各边界顶点在三维空间中的位置坐标;在全景视频中创建热点;获取输入设备的光标在二维显示界面上的当前位置坐标,并转换为三维空间内的三维当前位置坐标,建立第一射线以选中热点,计算热点中心与输入设备的初始位置坐标之间的位置差;获取输入设备的光标在二维显示界面上的当前位置坐标,并转换为三维空间内的三维当前位置坐标,建立以输入设备的三维当前位置坐标及三维空间场景的视点相机位置坐标的连线为方向向量的第二射线,基于第二射线及位置差确定热点的预期中心位置坐标,并更新热点的位置。

    图像处理方法、智能终端及存储介质

    公开(公告)号:CN116152233A

    公开(公告)日:2023-05-23

    申请号:CN202310405325.7

    申请日:2023-04-17

    Abstract: 本申请提供了一种图像处理方法、智能终端及存储介质,该方法获取待处理图像;将待处理图像输入至预设像素级评估模型,通过预设像素级评估模型的输出结果确定待处理图像的像素级曝光程度信息,其中,预设像素级评估模型通过第一图像样本和第一图像样本对应的标注像素级曝光程度信息训练得到;将待处理图像和待处理图像的曝光程度信息输入至预设整体曝光评估模型,通过整体曝光评估模型的输出结果确定待处理图像的整体曝光效果信息,其中,预设整体曝光评估模型通过第二图像样本、第二图像样本对应的标注像素级曝光程度信息和第二图像样本对应的标注整体曝光效果信息训练得到。

    基于深度强化学习的智能作业分批方法、装置及电子设备

    公开(公告)号:CN113591398B

    公开(公告)日:2023-05-23

    申请号:CN202110965400.6

    申请日:2021-08-23

    Abstract: 本发明公开了一种基于深度强化学习的智能作业分批方法、装置及电子设备,涉及工业互联网技术领域。本发明实例包括以下步骤:获取每个作业的静态特征和动态特征,所述作业的静态特征包括作业交货期、作业的规格和工艺要求,所述作业的动态特征包括接收时刻;将所述各作业的静态特征和动态特征输入作业分批模块,作业分批模块利用马尔可夫决策过程将待组批作业集合中具有相似特征的作业组合为同一个批次,使最终组成的批次总数尽量少,且每个批次中的作业特征差异值尽量小。本发明可以充分利用工业互联网中大量的未标记数据学习稳定分批策略,并能处理有多维度特征的输入数据,给出稳定的、高效的作业分批解决方案,适用于作业量较大的应用场景中。

    一种非接触式血压检测模型训练方法、血压检测方法及装置

    公开(公告)号:CN114818910B

    公开(公告)日:2023-04-28

    申请号:CN202210427438.2

    申请日:2022-04-22

    Abstract: 本发明提供一种非接触式血压检测模型训练方法、血压检测方法及装置,基于毫米波雷达的无线信号非接触式感知周期性脉搏,采用两阶段训练血压检测模型,引入基于长序列监督信息的预训练过程,通过迁移学习的方式将第一编码器训练后得到的参数直接应用至第二编码器,增强模型对血压相关特征的感知能力。引入卷积自注意力模型的多级注意力机制获取全局特征和局部上下文相关特征,能够显著提升血压特征的提取能力。通过对反射的调频连续波进行短时傅里叶变换对三维空间内各个子区域的反射波进行分割处理,并基于自相关系数的最大化波束形成处理算法进行动脉脉搏信号的感知,精准感知到腕动脉所在位置,稳定而准确地感知与恢复出手腕动脉的脉搏波信号。

    散乱数据插值模型训练方法、插值方法及装置

    公开(公告)号:CN115983370A

    公开(公告)日:2023-04-18

    申请号:CN202211490956.5

    申请日:2022-11-25

    Abstract: 本发明提供一种散乱数据插值模型训练方法、插值方法及装置,包括:获取训练样本集,每个样本包括散乱数据及其对应的真实数据;获取初始网络模型,该模型包括数据预处理模块、编码器和解码器;将各散乱数据输入数据预处理模块网格化得到数字矩阵;为数字矩阵构建掩码矩阵;对数字矩阵进行掩码嵌入和位置编码;将多个数字矩阵封装为张量,提取可见元素构成特征序列输入编码器;编码器对可见元素特征序列进行特征提取,与待插值元素拼接后输入解码器,解码器综合局部与全局信息生成预测数据,利用预测数据和真实数据间的损失更新优化初始网络模型,最终得到散乱数据插值模型。本发明提供的模型能够用于散乱数据插值,并达到较高的准确度。

    一种面向低时延视频服务的5G和MEC耦合方法及装置

    公开(公告)号:CN115884413A

    公开(公告)日:2023-03-31

    申请号:CN202211221892.9

    申请日:2022-10-08

    Abstract: 本申请提供一种面向低时延视频服务的5G和MEC耦合方法及装置,方法包括:根据应用层上下文信息确定目标图像帧的下一帧大小预测结果;对5G接入网状态信息进行实时链路动态性估计,确定5G接入网的无线链路质量估计结果;将下一帧大小预测结果和无线链路质量估计结果融合至无线资源需求规则;基于激励和加速机制控制5G接入网和边缘服务器之间按照无线资源需求规则进行实时数据交互以自适应调整针对视频服务的无线资源分配。本申请能够精确定制视频服务的无线资源需求,能够针对视频服务进行无线资源自适应调整并保障资源分配的可靠性,进而能够确保如视频分析及视频处理类等视频服务的时延敏感性。

    一种基于元学习的个性化联邦学习方法

    公开(公告)号:CN115481560A

    公开(公告)日:2022-12-16

    申请号:CN202110660559.7

    申请日:2021-06-15

    Abstract: 一种基于元学习的个性化联邦学习方法涉及联邦学习方法技术领域,解决了协同训练灵活性低、算法复杂的问题,步骤一、云服务器确认客户端数量、设置基础网络和元网络的超参数、初始化全局模型参数;步骤二、客户端下载全局模型参数,根据超参数和本地数据集训练本地模型;步骤三、上传本地模型参数,云服务器利用全局模型聚合方法计算全局模型参数;步骤四、返回步骤二直至客户端得到稳定的本地模型参数;步骤五、客户端从云服务器下载全局模型参数和全部本地模型参数,交替训练元网络和基础网络,云服务器保存本地模型参数并计算以更新全局模型参数;步骤六、重复步骤五直至本地模型达到要求的准确率或收敛。本发明协同训练的过程灵活性、算法简单。

    人体脉搏波感知方法、心率监测方法及血压监测装置

    公开(公告)号:CN114642409B

    公开(公告)日:2022-10-18

    申请号:CN202210057209.6

    申请日:2022-01-19

    Abstract: 本申请提供人体脉搏波感知方法、心率监测方法及血压监测装置,其中的人体脉搏波感知方法包括:基于目标人体监测点反射的毫米波的信号强度获取目标人体监测点的血液容量变化信息;计算所述血液容量变化信息关于时间的二阶导数,得到用于表征所述目标人体监测点血管体积变化的加速度信号;对所述加速度信号进行滤波以获得所述目标人体在当前监测时间内的能够提取到脉搏重搏波的细粒度脉搏波信号。本申请能够在实现非接触式人体脉搏波感知的基础上,有效提高对人体脉搏波的感知能力,进而能够有效提高人体心率与血压数据的监测准确性。

    一种微服务动态伸缩及迁移方法和装置

    公开(公告)号:CN112988398B

    公开(公告)日:2022-08-26

    申请号:CN202110452672.6

    申请日:2021-04-26

    Abstract: 本发明实施例提供了一种微服务动态伸缩及迁移方法和装置,涉及云计算技术领域,收集每个微服务的运行状态信息;如果平均调用延迟满足预设条件,将微服务标记为待优化微服务;如果平均资源利用率大于第一预设阈值或者小于第二预设阈值,将微服务标记为待优化微服务;获取待优化服务对应的目标资源利用率、当前资源利用率、容忍度、当前副本数以及调整窗口;并当目标资源利用率、当前资源利用率和容忍度满足调整条件时,计算待优化服务对应的目标副本数;将与待优化微服务之间亲和度最高的其他微服务作为待优化微服务的迁移服务;利用目标副本数进行扩容,或者,利用目标副本数进行缩容;利用迁移服务进行迁移操作。能够提高微服务的可靠性。

    优化视频传输用户体验质量的流量控制方法、装置和系统

    公开(公告)号:CN114024906B

    公开(公告)日:2022-06-17

    申请号:CN202111193250.8

    申请日:2021-10-13

    Abstract: 本发明提供一种优化视频传输用户体验质量的流量控制方法、装置和系统,所述方法包括:获得网络传输数据包的丢包率、延时间隔和当前时刻码率,并利用基于固定映射规则的算法预测下一时刻的目标码率;将包含所述丢包率、延时间隔和预测的下一时刻的目标码率的训练数据输入基于神经网络的拥塞控制模型,输出码率系数,基于码率系数与当前时刻的码率获得下一时刻码率预测值,对所述拥塞控制模型进行训练;获得网络传输数据包的丢包率、延时间隔和当前时刻码率,将获得的丢包率和延时间隔输入经训练的拥塞控制模型,基于输出的码率系数与当前时刻的码率获得下一时刻码率预测值,并将获得的下一时刻码率预测值应用于下一时刻数据包的传输。

Patent Agency Ranking