-
公开(公告)号：CN119516518A
公开(公告)日：2025-02-25
申请号：CN202411459430.X
申请日：2024-10-18
Applicant: 重庆邮电大学
IPC: G06V20/59 , G06V40/16 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/70 , G06V10/771 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N5/01 , G06N20/20 , G06N3/048
Abstract: 本发明涉及一种基于集成学习的驾驶员情感识别方法，属于计算机视觉和人工智能领域。该方法包括图像预处理和集成深度学习架构两个阶段。图像预处理阶段对输入图像进行大小调整、归一化和数据增强，以消除噪声并提高模型泛化能力。集成深度学习架构阶段使用宽残差网络、VGG网络和DenseNet网络提取图像特征，并通过主成分分析PCA对特征进行降维。降维后的特征输入随机森林进行分类预测，以提高识别准确率。本发明通过集成多种深度学习网络的特征，并结合随机森林的优势，有效地提高了驾驶员情感识别的准确率和鲁棒性，为高级驾驶辅助系统等应用场景提供技术支持。
-
公开(公告)号：CN119418070A
公开(公告)日：2025-02-11
申请号：CN202411459427.8
申请日：2024-10-18
Applicant: 重庆邮电大学
IPC: G06V10/46 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/75 , G06V10/25 , G06V10/28 , G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N5/04 , G16H50/20 , G06N3/048
Abstract: 本发明涉及一种基于足底表面数据的内部骨骼关键点预测方法，属于计算机视觉领域。该方法包括：获取病人足部的X光图像，并标定图像中足部骨骼的关键点；基于获取X光图像时的相机视角，获取同一病人足部的深度图，并对X光图像和深度图的边缘轮廓进行配准，使X光图像中标定的关键点与深度图特征相关联；将经过配准操作后的深度图输入改进的YOLOv8‑pose模型中对该模型进行训练，从而使该模型能够根据足部深度图进行足部骨骼关键点的预测。本发明能够以更快速、更低成本以及无损害的方式对足底骨骼关键点进行提取，这些关键点可用于对扁平足、高弓足等骨骼发育类疾病的判断，具有重要的临床诊断价值。
-
公开(公告)号：CN119415968A
公开(公告)日：2025-02-11
申请号：CN202411459433.3
申请日：2024-10-18
Applicant: 重庆邮电大学
IPC: G06F18/22 , G06F18/25 , G06V40/20 , G06V20/52 , G06V20/40 , G06V10/25 , G06V10/62 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , H04W4/029 , H04W4/33 , H04W4/02 , H04W64/00 , G06N3/0464 , G06N3/045 , G06N3/048 , G06F123/02
Abstract: 本发明涉及一种多源信息融合的行人身份信息识别方法，属于计算机视觉技术领域。该方法首先为每位患者佩戴UWB手环，将患者的真实身份信息与其佩戴的UWB手环标号进行绑定，然后同时进行视频拍摄和UWB定位坐标获取；再通过视频图像采用目标检测算法Yolov5模型获取每位患者的行人检测框中点坐标，通过目标跟踪算法DeepSort追踪行人检测框；接着，将UWB/IMU定位坐标与行人检测框中点坐标进行时间戳对齐和坐标系对齐；然后，然后通过匈牙利算法将两模态的坐标点进行初始匹配，再识别出误匹配，最终将UWB手环上患者的真实信息准确地给与图像中检测到的行人，为下游的行为分析任务提供可靠的行人身份信息。
-
公开(公告)号：CN119415094A
公开(公告)日：2025-02-11
申请号：CN202411459398.5
申请日：2024-10-18
Applicant: 重庆邮电大学
IPC: G06F8/38 , G06F8/33 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N5/04 , G06F40/284 , G06F40/30 , G06F16/353 , G06N3/048
Abstract: 本发明涉及一种基于潜在扩散模型的用户界面布局生成方法，属于图像生成领域。本发明基于BERT模型从界面需求描述文本中提取组件和约束，利用图卷积网络模块预测完整约束关系和边框生成完整图，基于潜在扩散模型生成用户界面布局。一方面在用户界面生成中引入潜在扩散模型，能细致地捕捉UI元素之间的复杂关系和细节，从而生成更精确和符合交互规范的用户界面。另一方面在用户界面生成中引入图卷积网络，能有效预测组件之间的完整约束关系，对用户界面元素之间的复杂依赖和交互进行有效捕捉和建模；通过图结构对元素之间的位置、对齐和功能等多维约束，生成更加协调和符合设计规范的布局；提高了生成界面的美观性和实用性，提升用户体验。
-
公开(公告)号：CN118570370A
公开(公告)日：2024-08-30
申请号：CN202410602042.6
申请日：2024-05-15
Applicant: 重庆邮电大学
IPC: G06T17/00 , G06V10/25 , G06V10/26 , G06V20/70 , G06V10/56 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种局部实体关系编码的场景图生成方法，属于计算机视觉领域。该方法包括：构建场景图生成任务；对给定图像进行特征提取，包括RGB特征提取和深度特征提取；并通过目标检测器得到给定图像的实体关系建议；结合实体关系建议将RGB特征和深度特征进行跨模态融合，得到融合特征信息；将融合特征信息作为局部实体关系编码器的附加输入标记以进行谓词关系预测。本发明通过关注局部实体特征来学习更丰富的实体表示以及谓词表示，从而实现对局部交互信息的获取和补全，同时减少模型参数，提升运行效率。
-
Patent Agency Ranking
公开(公告)号：CN118075265A
公开(公告)日：2024-05-24
申请号：CN202410292071.7
申请日：2024-03-14
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于数字孪生的车联网任务卸载方法，属于车联网技术领域。该方法包括：S1、建立基于数字孪生的车辆边缘计算模型，其包含车辆、边缘服务器RSU以及两者对应的数字孪生体，其中车辆的数字孪生体中至少包括具有任务优先级参数的任务属性；S2、基于车辆边缘计算模型构建任务卸载计算模型，其中，任务卸载计算主要包括本地计算、卸载至RUS计算以及卸载至协同车辆计算，卸载决策的计算时延至少考虑是否存在相同决策的缓存内容；S3、将任务卸载决策问题建模为马尔科夫决策过程，并基于双深度Q的卸载算法进行求解。在计算卸载部分提出了基于双深度Q的卸载算法以及基于任务优先级的分配方案，以达到最小化任务处理时延。
-
公开(公告)号：CN116055324B
公开(公告)日：2024-05-07
申请号：CN202211722211.7
申请日：2022-12-30
Applicant: 重庆邮电大学
IPC: H04L41/0823 , H04L41/0894 , H04L41/046 , H04L41/142 , H04L41/14 , H04L41/16 , H04L41/12
Abstract: 本发明涉及一种用于数据中心网络自优化的数字孪生方法，属于数字孪生领域，包括以下步骤：S1：构建孪生网络系统，包括物理数据中心网络层和数字孪生网络层，所述物理数据中心网络层由网元、服务器、链路组成；所述数字孪生网络层包括控制器、数据存储模块、强化学习模块、孪生网络模块、路径计算模块和流表管理模块；S2：数字孪生网络层采集物理数据中心网络层的数据，建立基础模型和功能模型，所述基础模型是由网元模型和链路模型连接组合构建拓扑模型，所述功能模型用于对基础模型作出网络优化策略；S3：对数字孪生网络层的强化学习算法进行训练；S4：部署训练好的数字孪生网络层，实现数据中心网络的自我优化。
-
公开(公告)号：CN117809109A
公开(公告)日：2024-04-02
申请号：CN202311862187.1
申请日：2023-12-29
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V40/20 , G06V20/40 , G06V10/46 , G06V10/80 , G06V10/82 , G06N3/0464 , G06V10/62
Abstract: 本发明涉及一种基于多尺度时间特征的行为识别方法，属于计算机视觉领域，包括以下步骤：S1：逐帧采集被测试者在测试时间段内的视频图像；S2：提取视频图像连续帧中的人体25个骨骼关键点，排除非必要骨骼点信息，并提取出关节点和骨骼的位置信息和速度信息作为输入数据；S3：通过早期融合双分支网络，将关节点和骨骼的位置信息，以及关节点和骨骼的速度信息分别通过两个分支输入，每个分支通过三个主干网络模块进行特征融合；S4：将早期融合数据馈送到包含六个主干网络模块的主流进行判别处理；S5：最后进行特征融合分类，得到行为分类结果。
-
公开(公告)号：CN117808049A
公开(公告)日：2024-04-02
申请号：CN202311850217.7
申请日：2023-12-29
Applicant: 重庆邮电大学
IPC: G06N3/0464 , G06N3/08 , G06N5/04 , G06F9/50
Abstract: 本发明涉及一种面向边缘智能的DNN边端协同推理方法，属于边缘计算领域，包括：离线配置阶段：边缘服务器端根据设备计算量、内存大小、网络条件和自身计算量，对DNN模型进行选取分割部署，并将分割的前部分部署到设备上；动态划分阶段：设备根据自身动态的计算量，动态的选择退出点，并把中间结果传输边缘服务器处，边缘服务器找到卸载点处，将中间结果作为输入，进行剩余模型推理工作，最后返回推理结果给设备进行响应；最后每隔一段时间边缘服务器进行模型更新，将新模型分割并进行模型部署。
-
公开(公告)号：CN117807247A
公开(公告)日：2024-04-02
申请号：CN202311850212.4
申请日：2023-12-29
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/335 , G06F18/2415 , G06F18/213 , G06N5/04 , G06F16/332
Abstract: 本发明涉及情景感知的建筑人机交互方法，属于人工智能、人机交互领域。该方法包括以下步骤：S1:数据获取：收集当前交互场景下的情景数据，包括用户数据、环境数据和智能设备数据；S2:位置与设备数据筛选：获取用户的位置坐标，根据位置筛选与用户相关的智能设备数据，并实时更新用户位置信息；S3：视觉信息抽取：从用户视角抽取交互场景中的实体和关系，形成以用户为中心的场景图；S4：交互方式预测：构建交互图谱，并使用知识图谱推理出用户可能接受的交互方式；S5：满意度感知：实时获取用户生理数据，分析情感状态，判断用户满意度；S6：反馈优化：将交互方式和满意度反馈给S4，实现实时更新和优化。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.029 seconds)
