-
公开(公告)号：CN116229532A
公开(公告)日：2023-06-06
申请号：CN202211573347.6
申请日：2022-12-08
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V10/82 , G06N3/08 , G06V10/80 , G06N3/0464
Abstract: 本发明请求保护一种基于极坐标变换的平面内旋转不变人脸检测方法，属于图像处理技术领域，所述方法包括以下步骤：步骤1.以MobileNetV1为基础模型，为了缓解平面内旋转产生的漏检和训练困难问题，本发明设计了一个改进的特征生成网络。步骤2.为了赋予卷积网络具有旋转不变特性，本发明提出了一个极坐标变换模块，使得变换后的人脸区域具有旋转不变特性。步骤3.为了减少人脸图像在极坐标变换过程中特征信息丢失的情况，我们引入了基于迭代方式的多尺度特征融合模块，来修复极坐标变换模块输出的特征。
-
公开(公告)号：CN111222534A
公开(公告)日：2020-06-02
申请号：CN201911121603.6
申请日：2019-11-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，属于计算机视觉领域。A1：对训练集图像进行预处理；A2：构建传统SSD模型；A3：基于双向特征融合和更平衡L1损失函数修改传统SSD算法模型并构建BFSSD模型；A4：对BFSSD算法模型进行训练；A5：对BFSSD算法模型的性能进行测试。本发明解决了传统SSD算法在训练过程中存在的正负样本和多任务不平衡问题，对于小目标检测具有良好的鲁棒性。
-
公开(公告)号：CN109617555A
公开(公告)日：2019-04-12
申请号：CN201811477071.5
申请日：2018-12-05
Applicant: 重庆邮电大学
Abstract: 本发明提出一种基于空间耦合的稀疏叠加码设计方案，具体的，先采用独热编码方式对输入的实值信号进行调制转换，使得信号以仅含0,1元素的二进制形式表示。之后与本发明提出的一种两端高采样率的耦合带对角空间耦合矩阵进行对应块的线性结合，形成相应的码字，接着将形成的码字输入AWGN信道，码字添加均值为0，方差为σ2的高斯白噪声，在高斯信道上传输完成后，接收器接收到带噪码字。将输出的带噪码字经过简化后的AMP译码算法，进行码字的迭代估计运算，以字典A以及得到的码字等后验信息获得消息向量的估计值。将得到的估计值与每一个实值信号对应大小的部分中最大的一位置1，其余位置0，即可得到原信号的重构值。为评价重构性能，采用SER以及MSE进行仿真对比试验，仿真工具采用MATLAB。
-
公开(公告)号：CN109584320A
公开(公告)日：2019-04-05
申请号：CN201811477109.9
申请日：2018-12-05
Applicant: 重庆邮电大学
IPC: G06T9/00
Abstract: 本发明提出一种投影矩阵优化方法。是在传统投影矩阵优化问题研究基础上，从理论上看，单位矩阵的特殊性很大，且对硬件设备要求极高；在实际应用中，逼近等角紧框架就能达到较好的性能。所以本发明的研究是在逼近理想单位矩阵以及构建的等角紧框架之间寻求一种平衡，以减小Gram矩阵的非对角线元素来降低观测矩阵与稀疏矩阵之间的相干系数。除此之外，考虑到稀疏表示过程中可能存在的误差会影响压缩感知过程的性能，故考虑将稀疏表示误差作为一项正则项加入传统表达式，并对其进行理论推导，求出优化表达式的解，提出一个矩阵优化算法。本发明提出的优化方法，不仅降低观测矩阵和稀疏基之间的相干性，并且设计得到的优化系统在考虑了稀疏表示误差之后，性能更稳定。
-
公开(公告)号：CN107590497A
公开(公告)日：2018-01-16
申请号：CN201710855035.7
申请日：2017-09-20
Applicant: 重庆邮电大学
Abstract: 本发明提出采用深度卷积神经网络的脱机手写汉字方法，具体地，先采用空间变换网络对HWDB1.1数据库的手写汉字进行旋转、平移和缩放。使得原本任意位置，比例和方向的汉字图片得到纠正。之后将纠正的手写数据集输入到卷积神经网络进行识别分类。其中对原图片进行旋转、平移和缩放的扭曲参数增量是由一个卷积神经网络或神经网络不断通过反向传播调整计算而来。扭曲参数的增量和扭曲参数用合成的方式进行更新参数。最后我们在TensorFlow深度学习框架平台上搭建了本发明的手写汉字识别的网络框架。并与单纯的采用卷积神经网络识别手写汉字网络框架作对比，经过大量数据集的训练，测试的结果表明手写汉字识别率得到显著提高。
-
Patent Agency Ranking
公开(公告)号：CN106685428A
公开(公告)日：2017-05-17
申请号：CN201611270234.3
申请日：2016-12-30
Applicant: 重庆邮电大学
IPC: H03M7/30
CPC classification number: H03M7/3062
Abstract: 本发明请求保护一种基于混沌的结构化压缩感知循环观测矩阵的构造方法，属于信号处理技术领域。该构造方法是为了解决传统循环矩阵不易硬件实现和普适性较差的问题，结合了混沌系统和结构化随机观测矩阵的构造方法，具体的方法：首先对Logistic映射产生混沌序列的方法进行改进，构造稀疏混沌序列，进而使用稀疏混沌序列构造混沌循环矩阵，再使用随机算子对混沌循环矩阵进行随机化处理，最后从随机化处理后的混沌循环矩阵中选取很少的行构成一个子矩阵，该子矩阵就是本发明构造的基于混沌的结构化循环观测矩阵。本发明构造的矩阵具有很高的实用性，兼具良好的结构特性和稀疏性。
-
公开(公告)号：CN103944676A
公开(公告)日：2014-07-23
申请号：CN201410142424.1
申请日：2014-04-10
Applicant: 重庆邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于深空通信环境的MLT码编译码方法，包括：步骤1)，在发送端，将待发送的数据信息进行分割，形成k个原始数据包；步骤2)，发送端对原始数据包进行MLT码编码，根据信道状态，生成K个编码包。如果收到反馈，则根据反馈信息补充编码包；步骤3)，编码包通过信道编码后由深空信道发送至接收端；步骤4)，在接收端，经过信道译码后恢复编码包；步骤5)，在接收端对正确译码的编码包进行MLT码译码，恢复全部k个原始数据包。如果译码失败，则反馈失败信息，返回第2步，直至译码成功。本发明降低了编译码复杂度，有效降低编码冗余，针对性解决了深空通信环境中时延巨大以及发送功率和存储空间受限的问题。
-
公开(公告)号：CN103152312A
公开(公告)日：2013-06-12
申请号：CN201310099552.8
申请日：2013-03-26
Applicant: 重庆邮电大学
IPC: H04L27/26
CPC classification number: H04L27/2613
Abstract: 本发明涉及一种功率可调的部分叠加训练序列光OFDM系统时间同步系统及方法，涉及光通信技术领域。本发明针对当前光OFDM系统同步性能低，对传输数据干扰大的缺陷，提出了一种新的叠加训练序列时间同步方法，充分利用循环前缀信息进行同步信息的获取。在循环前缀长度L确定的情况下，将训练序列线性叠加在OFDM符号的后L个采样点及循环前缀上，克服了叠加长序列时对数据的干扰。本方法时间同步正确率高，对OFDM数据干扰小，而且叠加训练序列功率分配因子的选取更加灵活。
-
公开(公告)号：CN118890283A
公开(公告)日：2024-11-01
申请号：CN202410793048.6
申请日：2024-06-19
Applicant: 重庆邮电大学
Abstract: 本发明提供一种基于多属性融合的IPv6AS级网络关键节点识别方法，属于复杂网络分析领域。针对当前IPv6AS级网络关键节点识别研究不足，以及现有分析方法评价角度单一和时间复杂度过高问题，提出了一种基于多属性融合的IPv6AS级网络关键节点识别方法，该方法兼顾了k‑shell中心性、一阶邻居节点重要性以及自治域商业关系对节点的共同影响，从全局、局部以及经济角度全面评估节点重要性。为了验证该方法的有效性，采用最大连通子图的比例、网络连通分量以及网络平均效率与移除关键节点数量的依赖关系作为评价标准，在6个来自不同国家或地区的真实网络上与其他分析方法进行比较。实验结果表明，此方法能更细粒度地区分节点重要性，通过删除少量关键节点，即可破坏大部分网络，从而更有效和准确地评估网络关键节点。此外，该方法的时间复杂度仅为O(n2)，适用于大型复杂网络。
-
公开(公告)号：CN118779574A
公开(公告)日：2024-10-15
申请号：CN202410749152.5
申请日：2024-06-12
Applicant: 重庆邮电大学
IPC: G06F17/16 , G06F18/22 , G06F18/23 , G06F30/20 , G06N3/0455
Abstract: 本发明提供一种基于节点相似性和非负矩阵分解的社区检测方法，该方法从其他方面考虑节点相似性，提出一种新的节点相似性指标并利用非负矩阵分解进行社区检测。该方法主要结合社区检测自身的特点，对传统的聚类系数指标进行改进来表征节点间的相似性，从而丰富社区检测的输入矩阵，然后将模块度指标用于每一次划分过程中，通过不断迭代使得模块度达到最大，具体的方法包括将非负矩阵分解方法和模块度指标相结合共同构建目标函数，并且通过迭代更新规则来获取每个参数的更新公式，最后进行迭代训练，直达模型收敛，从而进一步提高社区检测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.026 seconds)
