-
公开(公告)号：CN110310221B
公开(公告)日：2022-09-20
申请号：CN201910515527.0
申请日：2019-06-14
Applicant: 大连理工大学
Abstract: 本发明提供一种基于生成对抗网络的多域图像风格迁移方法，属于计算机视觉领域，用来实现图像到多种不同艺术风格的转换。本发明设计了一个专家风格网络，通过一组双向重构损失，来抽取不同目标域的输入图像中包含各自域独特信息的风格特征编码。同时设计了一个迁移网络，结合自适应实例标准化，将抽取到的风格特征编码与内容编码器提取到的跨域共享的语义内容重新组合，生成新的图像，从而实现图像从源域到多个目标域的风格迁移。实验表明模型能够有效地将任意照片的内容与众多艺术品的风格相结合，产生新的图像。
-
公开(公告)号：CN114913328A
公开(公告)日：2022-08-16
申请号：CN202210537471.0
申请日：2022-05-18
Applicant: 大连理工大学
Abstract: 本发明属于人工智能与计算机视觉领域，公开了一种基于贝叶斯深度多任务学习的语义分割与深度预测方法。该方法将语义分割与深度预测任务视为多任务，利用深度学习方法解决多模态问题，通过预训练处理的主干网络生成包含多个尺度的原始共享特征，并利用提出的贝叶斯多通道交流单元与任务共享单元实现尺度与任务特征之间的交流；最后通过设计的贝叶斯多模态蒸馏机制输出语义分割与深度预测的结果。本发明方法核心在于设计了多尺度与多任务交流机制，并引入贝叶斯深度学习设计了贝叶斯门控机制，并显著提高语义分割与深度预测任务的精度。本发明作为一种基于贝叶斯深度多任务学习的语义分割与深度预测方法，可广泛应用于自动驾驶以及智能机器人领域。
-
公开(公告)号：CN112822191A
公开(公告)日：2021-05-18
申请号：CN202110010432.0
申请日：2021-01-06
Applicant: 大连理工大学
Abstract: 一种网络化协同系统中多维数据安全性检测的方法，其属于物联网信息安全技术领域。该方法基于异常的数据进行安全性检测，利用LSTM算法进行数据预测和时序特征提取，基于智能节点的状态建立知识图谱，在逻辑上建立数据间的联系。同时，将各状态的权重矩阵写入知识图谱中作为一种属性，以使神经网络能够快速地动态更新权重，提高判断精度和速度；通过对比预测值与实际值之间的差异，结合多元高斯分布模型，从数学角度建立数据间的联系，综合判断数据点的异常状态。该方法对节点数据的描述更加细致；较传统方法更能适应物联网的复杂网络环境。并且对物联网架构、传输协议等无依赖，具有较强的泛化能力，网络化协同系统均可使用。
-
公开(公告)号：CN112364757A
公开(公告)日：2021-02-12
申请号：CN202011242807.8
申请日：2020-11-09
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉领域，涉及视频中的人体动作识别，用于定位和分类视频中人体行为动作，具体为一种基于时空注意力机制的人体动作识别方法。本发明所提供的基于空间变换网络的注意力机制，获取与人体运动相关的区域，从而捕获动作之间的细节变化；本发明所提供的局部区域与全局特征进行融合的方法，加强了人体动作的表示；本发明所提供的全局特征描述符，将来自空间信息、时间信息以及时空交互信息进行聚合来区分人体行为动作，提高识别效果。
-
公开(公告)号：CN110264750A
公开(公告)日：2019-09-20
申请号：CN201910516016.0
申请日：2019-06-14
Applicant: 大连理工大学
Abstract: 一种基于多任务深度Q网络的Q值迁移的多交叉口信号灯协同控制方法，属于人工智能与智能交通的交叉领域。本方法首先将多交叉口建模为一个多Agent系统，在多交叉口上训练一个适合每个交叉口信号灯控制的多任务网络，然后把它在多交叉口上学到的知识用在目标问题上，多任务网络将比单个网络拥有更多的知识，对单个交叉口提取特征的能力更强，最后通过协同算法对目标域中各个交叉口的信号灯进行协同控制。本发明方法在一定程度上能够平衡各路口的交通流量，提高区域交通中道路的利用率，减少车辆的排队长度，缓解交通拥堵。该方法对交通网络具有较好的可扩展性。
-
Patent Agency Ranking
公开(公告)号：CN108829677A
公开(公告)日：2018-11-16
申请号：CN201810602775.4
申请日：2018-06-05
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉与自然语言处理的交叉技术领域，提出了一种基于多模态注意力的图像标题自动生成方法，用以解决传统的基于神经网络的方法在预测单词过程中视觉特征和语言特征的对齐问题以及忽略句子特征的问题，提高了模型的收敛速度与图像标题的质量。本方法首先利用卷积神经网络自动地对图像区域进行特征提取；然后利用带视觉注意力的LSTM实现了句子特征的提取；最后设计了一种带多模态注意力(视觉注意力和隐变量注意力)的LSTM产生最终的图像标题。实验证明所提方法在MS COCO等基准数据集上取得了很好的结果。
-
公开(公告)号：CN104537393A
公开(公告)日：2015-04-22
申请号：CN201510002850.X
申请日：2015-01-04
Applicant: 大连理工大学
IPC: G06K9/66
CPC classification number: G06K9/00818 , G06K9/6256
Abstract: 本发明属于计算机应用技术领域机器学习理论及应用子领域，关注于智能交通技术中的交通标志识别问题。其特征是使用一种多分辨率卷积神经网络交通标志识别方法，用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题，使用不同分辨率的二维图像作为输入，并行运算两个相同结构的卷积神经网络进行特征映射和提取，而后基于网络训练的权值阈值进行精确分类和识别。本发明通过使用两个具有不同分辨率分支的CNN代替了基本的CNN结构，高分辨图像输入可映射出全局和轮廓的特征，低分辨率的图像可映射出局部和细节特征，保证了识别的分辨率，提高了模型训练速度。
-
公开(公告)号：CN119941512A
公开(公告)日：2025-05-06
申请号：CN202510136164.5
申请日：2025-02-07
Applicant: 大连理工大学
IPC: G06T3/4053 , G06T3/4038 , G06N3/08 , G06N3/0464 , G06N3/048
Abstract: 本发明属于人工智能与超分辨率技术领域，公开了一种基于多记忆流汇聚的复杂曝光场景在线视频超分辨率方法。包括以下步骤：数据预处理；异常曝光检测及修正；动静解耦对齐；自适应记忆融合；高分辨率图像重建；损失函数计算。本发明可以自适应修正复杂场景中的异常曝光以避免记忆流中断，同时精准对齐过往长期记忆以构建多记忆流，进而有效提取记忆流之间的互补信息以解决记忆消散问题，大幅提升复杂曝光场景在线视频超分辨率性能。通过使用本方法可以有效的检测及修正异常曝光，同时精准汇聚过往长期记忆，避免记忆流中断和消散问题，显著提升复杂曝光场景中在线视频超分辨率性能。
-
公开(公告)号：CN119474537A
公开(公告)日：2025-02-18
申请号：CN202411566920.X
申请日：2024-11-05
Applicant: 大连理工大学
IPC: G06F16/9535 , G06F16/958 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明属于推荐技术领域，特别涉及一种基于深度学习增强的Web API推荐方法，是一种基于BERT的面向混合应用的Web API推荐增强多任务融合模型(EMTFM‑BERT)。该方法将多模型融合和多任务学习与BERT预训练模型及其微调技术相结合。所提出的解决方案分为三个关键阶段：第一，构建推荐模型；第二，使用从服务提供商收集的Web API和混合应用的使用数据训练模型；第三，处理开发者或用户提交的自然语言输入。基于这些输入，系统生成一组推荐的Web API，并提出符合指定需求的相关标签或类别。
-
公开(公告)号：CN118396131A
公开(公告)日：2024-07-26
申请号：CN202410487199.9
申请日：2024-04-23
Applicant: 大连理工大学
Abstract: 本发明属于强化学习与自动驾驶领域，涉及一种基于风险估计的强化学习自动驾驶安全可解释决策方法。本发明包括以下步骤：基于Gym库搭建仿真环境并设置状态和动作空间；根据约束马尔可夫决策过程建模以处理安全约束；设置奖励函数；构建独立的风险估计模块和预期奖励估计模块；使用一个动态权衡参数结合两个网络以选择符合安全约束的最优动作；对联合后的决策网络进行训练，得到训练好的安全自动驾驶决策网络；对驾驶过程中某一状态下的环境特征计算风险显著性度量，实现风险可解释；在验证环境中进行应用。相较于现有方法，本发明从风险角度解决了传统强化学习自动驾驶方法不可解释的问题，利用动态权衡参数实现了安全最优动作的选择。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.027 seconds)
