-
公开(公告)号：CN119888085A
公开(公告)日：2025-04-25
申请号：CN202510038915.X
申请日：2025-01-10
Applicant: 复旦大学
IPC: G06T17/00 , G06N3/0442 , G06N3/0464 , G06N3/042 , G06N3/088 , G06N3/092 , G06N3/084
Abstract: 本发明提供一种基于在线进化学习的实时三维重建方法，涉及三维重建方法技术领域。该基于在线进化学习的实时三维重建方法，具体包括以下步骤，S1.在线进化学习，S101.伪标签生成，采用伪标签生成算法为未标注数据生成可靠标签；S102.自适应模型更新，根据实时反馈动态调整模型参数；S103.环境资源感知与优化；S104.持续优化与进化；S105.终端输出，实时三维重建输出；S2.自适应三维重建，S3.动静协同与异构模型融合。可在无监督学习和强化学习框架下进行自适应重建，使其能够在动态环境中自动优化重建模型，减少对标注数据的依赖，并根据算力和网络状况实时调整重建算法的复杂度和精度，以确保系统在不同资源条件下的高效运行。
-
公开(公告)号：CN119740023A
公开(公告)日：2025-04-01
申请号：CN202411594597.7
申请日：2024-11-09
Applicant: 复旦大学
IPC: G06F18/214 , G06F18/2431 , G06N3/006 , G06N3/092
Abstract: 本发明提供一种基于在线进化的多智能体架构，涉及多智能体系统技术领域，该基于在线进化的多智能体架构将控制智能体决策后在真实世界中执行动作获得的实际奖励与虚拟世界预测的虚拟奖励比较，根据比较结果决定是否需要更新感知智能体，利用虚拟世界中的生成式模型的专家知识来辅助控制智能体的决策，通过将这些生成信息与虚拟世界中的现有信息融合以缩小决策范围，实现了感知、控制与生成的协同，架构将控制智能体在物理环境中执行动作后获得的反馈信息作为新增数据加入到感知智能体的相应数据集中，并通过它们的协同优化来调整感知智能体的模型，使智能体在适应不断变化的环境条件的同时也保证可扩展性、可解释性和收敛效率。
-
公开(公告)号：CN116248735A
公开(公告)日：2023-06-09
申请号：CN202310239051.9
申请日：2023-03-13
Applicant: 复旦大学 , 重庆长安汽车股份有限公司
IPC: H04L67/125 , H04L67/1021 , H04L67/1008 , H04L67/141 , G06F9/54
Abstract: 本发明涉及车载智能计算领域，具体地说，涉及一种基于车载终端实现算力共享交互的方法，其包括如下步骤：通过启动车载终端，向服务端请求算法版本的更新，等待服务端任务的下发；接收任务消息，通过消息队列的方式维护多条任务消息，调度端可根据设备的cpu、内存使用量等信息下发同等量级的任务；处理所述任务。通过不断像服务端报告车载终端信息得到反馈对应任务的方式，极大的降低了车载终端的计算资源的过剩状况，而且通过车载终端信息，可以轮转连接到就近的服务终端，可以较快的接收和执行服务端下发的算法任务，提供车辆更智能化、方便的体验。
-
公开(公告)号：CN113191216B
公开(公告)日：2023-02-10
申请号：CN202110391846.2
申请日：2021-04-13
Applicant: 复旦大学
IPC: G06V40/20 , G06V40/10 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及基于姿态识别和C3D网络的多人实时动作识别方法和系统，方法包括通过摄像头采集原始视频；采用OpenPose算法对原始视频进行人体姿态估计，生成人体姿态模型视频；对人体姿态模型视频中的动作起始帧进行判断；对初始数据的每一帧图片进行裁剪；将输入数据输入训练好的C3D网络模型，输出得到动作识别结果。与现有技术相比，本发明具有识别速度快，检测精度高等优点。
-
公开(公告)号：CN114377376A
公开(公告)日：2022-04-22
申请号：CN202111550012.8
申请日：2021-12-17
Applicant: 复旦大学
IPC: A63F13/212 , A63F13/55 , G06K9/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于脑机接口的游戏交互系统，包括游戏控制模块和游戏反馈模块，游戏控制模块，采用基于运动想象的脑机接口，采集玩家想象控制自身肢体或肌肉的动作，或玩家想象控制游戏角色的动作时产生的脑电信号，对脑电信号进行预处理以及特征提取，最后通过卷积神经网络进行训练得到控制模型，通过控制模型识别玩家控制游戏角色的脑电信号，并输出控制指令给游戏本体；游戏反馈模块，采集游戏场景中的反馈事件传递给输入式脑机接口，输入式脑机接口根据反馈事件进行解码，向大脑输入非侵入式脑刺激，使得玩家感知到视觉和听觉之外的刺激。与现有技术相比，本发明具有丰富游戏的操控性，减少误触，优化玩家的全感知沉浸式游戏体验等优点。
-
Patent Agency Ranking
公开(公告)号：CN113536959A
公开(公告)日：2021-10-22
申请号：CN202110700486.X
申请日：2021-06-23
Applicant: 复旦大学
Abstract: 本发明属于智能交通技术领域，具体为一种基于立体视觉的动态障碍物检测方法。本发明方法包括：从立体图像中获取深度信息，并生成原始点云数据；对点云数据进行降噪和下采样处理；对滤波后的点云数据进行聚类；对预聚类的结果进行障碍物轮廓提取；对目标进行2D检测，得到2D检测边界框，对点云聚类和3D跟踪结果进行校正；把障碍物轮廓提取得到的障碍物的矩形边框和2D目标检测得到的2D检测边界框融合，同时对动态障碍物的轨迹进行跟踪预测。本发明方法有效降低了成本，改善了检测精度，提高了跟踪的实时性和准确性。
-
公开(公告)号：CN1564499A
公开(公告)日：2005-01-12
申请号：CN200410017207.6
申请日：2004-03-25
Applicant: 复旦大学
Abstract: 本发明为码分多址(CDMA)低扩频下的基于自相关匹配的均衡方法和发送接收装置。其基本构成包括发送端的预滤波序列发生器、多序列低扩频器，接收端的自相关估计器、互相关估计器、线性均衡器、用户区分和预滤波去除以及瑞利慢衰落信道模块。通过首先在发送端叠加预滤波序列，使发送信号具有自相关特性，而在接收端训练均衡器系数，通过最小化输出信号的互相关和限制自相关的宽度来消除用户间干扰和码间干扰，最后级联实现用户区分和去除预滤波模块。计算机仿真和试验结果表明，该方法和装置能有效的改善第三代移动通信系统的高速数据传输性能。特别适合于低扩频下的CDMA系统。
-
公开(公告)号：CN112998710B
公开(公告)日：2025-04-29
申请号：CN202110271226.5
申请日：2021-03-12
Applicant: 复旦大学
Abstract: 本发明涉及一种驾驶员状态监测装置，包括监测盒子和导联脑电帽，其中，监测盒子包括壳体，摄像头、信号灯、显示屏和集成电路板，显示屏和摄像头均位于壳体的正面，集成电路板位于壳体的内部并且连接摄像头、信号灯和显示屏，集成电路板集成无线接收模块和主芯片；导联脑电帽包括防水织物带、监测电极和监测单元，防水织物带的两端设有连接单元，监测电极分布在防水织物带中间一侧，监测单元位于防水织物带中间的另一侧并且连接监测电极，监测单元集成无线发送模块、数模转换器和信号放大器。与现有技术相比，本发明可以同步监测驾驶员的脑电波信号，结合人脸识别技术可以对心理活动更加精确的预判，从而对驾驶员进行及时的提醒，监测效果更佳。
-
公开(公告)号：CN114898124B
公开(公告)日：2025-02-14
申请号：CN202210509390.X
申请日：2022-05-10
Applicant: 复旦大学
IPC: G06V10/70 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/042 , G06N3/096 , G06N3/086 , G06N3/0895
Abstract: 本发明属于机器学习技术领域，具体为一种多智能体在线进化学习的机器学习方法。本发明方法包括：在OEL场景中，在局部区域内，有多个智能体模型在实时获取感知数据，同时结合少量的有标注数据进行不断的学习与智能体模型更新；多个智能体模型通过交互学习实现知识迁移；每个智能体模型都在面临大量的无标注non‑i.i.d感知数据，结合多个智能体模型的自身能力对这些感知数据进行有效的联合处理；其中采用相互匹配(MM)算法，用于模型之间的知识共享和持续学习，以稳定模型的泛化能力，保证各智能体在OEL环境中获得更好的性能提升。本发明方法可以减少大量的数据标注需求，利用多模型的知识共享提高整个感知系统的性能。
-
公开(公告)号：CN119357903A
公开(公告)日：2025-01-24
申请号：CN202411921111.6
申请日：2024-12-25
Applicant: 复旦大学
IPC: G06F18/25 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/24 , G06F21/62
Abstract: 本发明涉及一种基于多源层次语义融合和跨层校准的域泛化方法及系统，涉及机器学习域泛化技术领域。所述方法包括：在每个源域上独立训练得到源域模型，提取和学习局部数据的语义特征；将各个源域模型的参数在不同的网络层级上进行加权平均，并引入语义相似性度量进行模型权重分配，聚合各个语义特征；利用注意力机制对聚合后的语义特征进行跨层级的对齐校准操作，对融合后的源域模型进行性能评估，并根据性能评估结果调整语义校准的强度。从多个源域中提取并融合关键的语义特征，可以增强模型的泛化性能；由于源域模型是在每个源域上独立训练的，且通过数据无关的方式进行语义聚合，避免了原始数据的直接共享，可以保护数据隐私。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.022 seconds)
