-
公开(公告)号：CN104580212A
公开(公告)日：2015-04-29
申请号：CN201510008776.2
申请日：2015-01-08
Applicant: 华侨大学
Abstract: 一种基于UDP传输实现监控功能的应用层协议，该协议使用UDP作为传输层协议，实现基于IP网络的监控应用功能。其包括客户端状态机和服务器状态机。客户端发起监控呼叫请求并使用监控状态机处理后续信令。摄像头报警后服务器发起报警监控呼叫请求并启用报警监控呼叫状态机处理后续信令。客户端最后结束本次呼叫。由于UDP协议可以完成互联网接入功能。因此本发明协议的应用更加广泛，客户端可以在移动的情况下在任意地点任意时间进行实时地监控。
-
公开(公告)号：CN112150484B
公开(公告)日：2024-04-19
申请号：CN202011038459.2
申请日：2020-09-28
Applicant: 华侨大学
IPC: G06T7/11 , G06T7/90 , G06V10/762
Abstract: 本发明公开了一种超像素的狄利克雷混合模型图像分割方法、装置及设备，方法包括：读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；提取每个超像素块的邻域信息；对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；将归一化处理后的超像素块作为输入，利用k‑means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。本发明能提高图像分割的速度。
-
公开(公告)号：CN110717431B
公开(公告)日：2023-03-24
申请号：CN201910927585.4
申请日：2019-09-27
Applicant: 华侨大学
IPC: G06V20/10 , G06V10/25 , G06V10/82 , G06F16/332 , G06F16/58 , G06F16/583 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种结合多视角注意力机制的细粒度视觉问答方法，充分考虑到问题具体语义的导向作用，提出一种多视角注意力模型，能够有效选择出与当前任务目标(问题)相关的多个显著目标区域，从多个视角学习获取图像和问题文本中与答案有关的区域信息，提取出问题语义引导下的图像中的区域显著性特征，具有更细粒度的特征表达，并对图像中存在多个重要语义表达区域的情况表现，具有较强的刻画能力，增加了多视角注意力模型的有效性和全面性，从而有效加强图像区域显著特征和问题特征的语义关联性，以提升视觉问答的语义理解的准确性和全面性。采用本发明所述的方法进行视觉问答任务，步骤简单、效率高、准确率高，完全可以用于商业，市场前景较佳。
-
公开(公告)号：CN111860547A
公开(公告)日：2020-10-30
申请号：CN202010794337.X
申请日：2020-08-10
Applicant: 华侨大学
Abstract: 本发明提供一种基于稀疏表示的图像分割方法、装置、设备及存储介质，方法包括：收集一定数量的图像及其分割标记，然后用狄利克雷混合模型对其进行无监督分割，并调整其参数，获得每张图像最优参数，组成最优参数列表，然后将每张图像转换为灰度图，提取它们的灰度直方图特征，训练生成一个稀疏表示字典，提取待分割的图像的灰度直方图特征，计算它的稀疏系数，根据得到的稀疏系数，从稀疏表示字典获取与其最接近的图像，从最优参数列表中获取近似图像的最优参数，并用最优参数进行赋值，利用赋值好的参数对待分割图像进行无监督图像分割，得到分割结果。本发明狄利克雷混合模型的优化参数不需要人工调整，而是经过稀疏表示预测后自动生成。
-
公开(公告)号：CN106203480B
公开(公告)日：2019-06-04
申请号：CN201610498802.9
申请日：2016-06-29
Applicant: 华侨大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于缺损数据的非线性特征提取和分类方法，包括以下步骤:采用缺损数据的距离估计方法来构造数据点的局部邻域集和局部邻域集对应的缺失标记集；构造基于所述局部邻域集和其对应的缺失标记集的核范数正则化模型，并使用自适应定点迭代算法求解该模型来提取局部坐标；对齐所述局部坐标，获得全局坐标。本发明的方法在面对缺损数据时，可以有效地构造邻域集、提取局部坐标以及恢复全局坐标，最终实现缺损数据的非线性特征提取和分类。
-
Patent Agency Ranking
公开(公告)号：CN104809527B
公开(公告)日：2018-05-25
申请号：CN201510236530.0
申请日：2015-05-11
Applicant: 华侨大学
Abstract: 一种手机打车的订单自动选择方法，1)若已接订单列表尚未存在订单，则进入步骤2)，若已接订单列表存在订单，则进入步骤3)；2)判断司机能否在规定的时间内完成从当前地点至新订单接客地点的路程，并判断新订单效率值是否为正，若均满足，则将新订单加入订单列表，若否，则拒绝新订单；3)先根据接客开始时间判断新订单处于订单列表的位置，而后针对不同位置，分别进行时间冲突判断及对应的订单效率值判断，若均满足，则将新订单加入订单列表，若否，则拒绝订单。本发明能使司机利益最大化的同时还避免了司机对订单做出判断时存在的安全隐患，另一方面可以合理地调度的士资源，缓解“打车难”“空载多”的问题。
-
公开(公告)号：CN107426532A
公开(公告)日：2017-12-01
申请号：CN201710352192.6
申请日：2017-05-18
Applicant: 华侨大学
IPC: H04N7/18
Abstract: 本发明公开一种基于已知轨道的多摄像头合作接力监控方法，该方法应用于多条轨道连接构成的轨道网中，轨道网中随机分布多个移动节点，且各移动节点可在任一条轨道和任一顶点上移动，每个移动节点只能监控其所处边及顶点处的目标，所述轨道网构成的网络拓扑结构图，每条轨道对应网络拓扑结构图一条边，轨道连接点对应网络拓扑结构图的顶点。该方法降低了移动监控成本，提高了监控范围和安全性，应用范围广。
-
公开(公告)号：CN106413085A
公开(公告)日：2017-02-15
申请号：CN201610812507.6
申请日：2016-09-09
Applicant: 华侨大学
CPC classification number: H04W64/003 , H04W4/023
Abstract: 一种基于分布式选举的移动锚点定位方法，包括如下步骤：1)移动用户判断其能接收到的固定锚点的锚点信息数量，若大于三个，则根据其到固定锚点的距离进行定位并成为候选锚点，若否，则进入步骤2)；2)移动用户通过分布式选举选出的周围的候选锚点作为移动锚点，获取至少三个锚点信息，计算其到移动锚点或固定锚点的距离进行定位。本发明利用选举出来的已定位用户作为移动锚点，增加其它移动用户的定位参考信息，大大提高其定位率；避免了使用所有已定位用户作为移动锚点而引起的网络通信量较大的问题。
-
公开(公告)号：CN106096718A
公开(公告)日：2016-11-09
申请号：CN201610395724.X
申请日：2016-06-06
Applicant: 华侨大学
IPC: G06N3/00
CPC classification number: G06N3/006
Abstract: 本发明公开了一种归一化粒子群随机优化算法(PSO)以及6种归一化加权协同过滤推荐方法。本发明公开的归一化PSO随机优化算法通过吸引子和空间缩放，确定单个粒子的最优位置和群体的最优位置。用于求解最优化问题时，其解满足归一化约束，吸引子是算法的稳定点，算法在围绕该点做螺旋运动，故使用吸引子作为缩放中心使得算法避免粒子越界和早熟的缺点，更容易寻找到全局最优点。本发明公开的6种归一化加权协同过滤推荐方法通过对用户或项目进行归一化加权，并以平均绝对误差(MAE)最小为优化目标和适应度函数，使用归一化PSO随机优化算法求解用户和项目的最优归一化权值，从而达到减少预测评分误差，提高预测评分精度的目的。
-
公开(公告)号：CN105897774A
公开(公告)日：2016-08-24
申请号：CN201610479747.9
申请日：2016-06-27
Applicant: 华侨大学
IPC: H04L29/06
CPC classification number: H04L63/1408
Abstract: 本发明公开了一种基于机器学习的网络用户安全状态评估方法，包括：基于确定的风险传播源u和其传播时间t，建立网络风险的微观传播模型；基于所述传播源，对所述微观传播模型进行多轮的模拟传播；传播结束后，提取指定的特征属性及其对应的特征值形成特征向量；将提取到的特征向量输入到分类器中进行分类训练，生成可以判定新输入特征向量类属的分类规则；实际传播事件发生t时间后，提取网络中所有未被监控用户对应的特征向量；将提取到的特征向量输入训练好的分类器进行分类，获得所有未被监控用户安全状态的估计值。本发明方法通过部分用户的安全状态信息来估计网络中其他用户的安全状态，从而迅速有效地对高风险用户进行处理，阻止风险的传播。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.023 seconds)
