-
公开(公告)号：CN110275959B
公开(公告)日：2023-04-28
申请号：CN201910431538.0
申请日：2019-05-22
Applicant: 广东工业大学
IPC: G06F16/36 , G06F16/28 , G06F40/30 , G06F40/211 , G06F40/289
Abstract: 本发明涉及一种面向大规模知识库的快速学习方法，所述方法包括以下步骤：S1：知识提取：从异源异构的数据中进行知识数据的提取，知识数据为事实三元组，包括：实体和关系；S2：知识表示：构建TransH模型，利用TransH模型，把知识数据中的所有实体和关系嵌入到低维向量空间中，从而实现知识数据的知识表示；S3：知识融合：通过RLCD模型对经S2知识表示之后的知识数据进行融合，并将融合后的知识数据存入知识图谱；S4：知识推理：从知识图谱中提取S3融合后的知识数据进行推理，并将推理后的知识数据存入知识图谱；获得更新的知识和结论；本发明可实现知识库的快速学习。
-
公开(公告)号：CN115861071A
公开(公告)日：2023-03-28
申请号：CN202211633825.8
申请日：2022-12-19
Applicant: 广东工业大学 , 广东能哥知识科技有限公司
IPC: G06T3/40 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于变分自动编码器的光谱超分辨方法，包括：将目标RGB图像输入光谱超分辨网络的第一卷积层，得到目标RGB图像对应的多张包含浅层特征的特征图；将特征图输入光谱超分辨网络的注意力机制模块，对特征图进行特征映射；将经过特征映射的特征图输入光谱超分辨网络的第二卷积层，重建得到与目标RGB图像对应的目标高光谱图像；光谱超分辨网络根据第一高光谱图像，与变分自动编码器提取的第一RGB图像训练得到，第一高光谱图像由未经训练的光谱超分辨网络对训练RGB图像重建得到，本发明通过普通相机获取目标RGB图像，图像获取难度低，且通过光谱超分辨网络重建高光谱图像，成像时间短，可广泛应用于光谱超分辨领域。
-
公开(公告)号：CN115858929A
公开(公告)日：2023-03-28
申请号：CN202211580842.X
申请日：2022-12-09
Applicant: 广东工业大学 , 广东能哥知识科技有限公司
IPC: G06F16/9535 , G06F18/22 , G06F40/30 , G06F8/36 , G06F18/214
Abstract: 本发明提供的一种基于深度学习的工业服务组件推荐方法，包括以下步骤：从边缘节点中获取历史服务组件序列以及单个服务组件的描述信息；将预处理后的数据编码得到对应的向量表示，并生成向量表示进行掩码处理后的掩码序列；预测与向量表示相邻的序列，将预测结果与掩码序列进行结合得到语义向量；根据语义向量构建得到服务调度序列和单个服务组件的语义库，获取目标服务请求，通过与语义库中的向量进行匹配得到目标语义向量，并根据目标语义向量在语义库中的序列进行匹配得到目标组件调度序列；方法能够达到全局的动态更新推荐效果，并解决了在集中式环境中服务组件推荐技术无法应用于边缘节点的计算资源局限问题可广泛应用于计算机技术领域。
-
公开(公告)号：CN115834710A
公开(公告)日：2023-03-21
申请号：CN202211580843.4
申请日：2022-12-09
Applicant: 广东工业大学 , 广东能哥知识科技有限公司
IPC: H04L67/60 , H04L67/12 , G06F9/48 , G06F18/22 , G06F18/214 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/092
Abstract: 本发明提供的一种深度强化学习的云服务并发请求调度方法及系统，方法包括以下步骤：获取物理设备的服务请求，根据所述服务请求对应的调度序列以及所述服务请求的关键字确定输入序列；将所述输入序列输入至调度模型，通过所述调度模型输出得到输出序列；根据所述输出序列将所述服务请求分配至对应的服务，执行所述服务请求；本申请技术方案使用的深度学习模型，相对于以往基于迭代的方法具有更高的时间效率，能够更快速的得到调度序列，使用了强化学习的方法；方案使得模型训练无需大量带有标注的数据集，减少了人工标注所需要的时间成本，且模型可以根据问题的不同快速修改，提高模型的可扩展性，可广泛应用于计算机技术领域。
-
公开(公告)号：CN115795395A
公开(公告)日：2023-03-14
申请号：CN202211526039.8
申请日：2022-12-01
Applicant: 广东工业大学 , 广东能哥知识科技有限公司
Abstract: 本发明公开了一种基于多源遥感数据的无监督特征选择方法及系统，方法包括：基于对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵；通过主成分分析方法对数据矩阵进行特征提取，得到主成分矩阵；根据主成分分析矩阵，训练目标深度原型分析网络，得到目标数据原型的系数矩阵；对系数矩阵进行分解，得到目标权重矩阵；基于目标权重矩阵，筛选得到关键原始特征。本发明通过将主成分分析法得到的主成分矩阵作为目标深度原型网络的辅助信息，进而通过训练目标深度原型分析网络，得到目标数据原型的系数矩阵，通过分解系数矩阵，能够得到权重矩阵并从中筛选出与原型个体相关度最高的关键原始特征，可广泛应用于遥感图像处理技术领域。
-
Patent Agency Ranking
公开(公告)号：CN110084812B
公开(公告)日：2023-02-10
申请号：CN201910388784.2
申请日：2019-05-10
Applicant: 广东工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种太赫兹图像缺陷检测方法、装置、系统及计算机可读存储介质，包括建立太赫兹图像缺陷检测模型；获取待检测太赫兹图像；采用太赫兹图像缺陷检测模型对待检测太赫兹图像进行视觉特征提取，得到整体视觉特征和局部显著图特征；依据注意力机制对整体视觉特征和局部显著图特征进行分析，得到加权特征；对加权特征进行识别分析，得到与待检测太赫兹图像对应的缺陷类别。本发明中在得到与待检测太赫兹图像对应的整体视觉特征和局部显著图特征后，通过注意力机制将局部显著图特征作用到整体视觉特征中，所得到的加权特征不仅包括待检测太赫兹图像的整体视觉特征，还加强了待检测太赫兹图像局部重要特征，从而提高了缺陷识别的精确度。
-
公开(公告)号：CN109522106B
公开(公告)日：2023-01-17
申请号：CN201811231253.4
申请日：2018-10-22
Applicant: 广东工业大学
Abstract: 本发明公开一种基于协同计算的风险价值模拟动态任务调度方法，在由核心节点、管理节点、计算节点所组成的三层并行计算框架下，在计算节点对Monte Carlo模拟过程进行任务划分，建立任务队列；通过计算设备对应的Pthread线程进行计算任务抢夺分支；最后由计算节点对模拟过程计算结果进行先并行局部排序，再归并排序，减轻管理进程负载。本发明主要采用分治法思想，针对CPU与MIC不同计算设备进行动态任务调度，实现计算过程的动态负载均衡，以达到计算效率最大化。
-
公开(公告)号：CN115114934A
公开(公告)日：2022-09-27
申请号：CN202210835252.0
申请日：2022-07-15
Applicant: 广东工业大学 , 广东能哥知识科技有限公司
Abstract: 本发明公开了一种标签融合的联合抽取方法，包括：上下文特征提取；捕获字符特征；字符特征用CRF捕获预测的第一实体标签；组成BLA单元对识别的实体标签进行建模提取标签特征；将上下文特征与标签特征进行拼接来预测一阶段实体关系；构造图卷积的邻接矩阵，结合上下文特征得到图卷积特征；将图卷积特征与上下文特征相加得到标签特征，共同输入到BLA单元中进行建模作为综合词特征；综合词特征与标签特征进行拼接输入到BLA单元得到动态标签特征；用CRF预测二阶段实体标签；将第一和第二阶段实体标签进行融合；将融合标签输入到BLA单元中得到动态标签特征，结合动态标签特征得出关系预测。本发明实体关系抽取的表现更佳、精准性更高。
-
公开(公告)号：CN114897982A
公开(公告)日：2022-08-12
申请号：CN202210508817.4
申请日：2022-05-11
Applicant: 广东工业大学
Abstract: 本发明提供一种弱纹理物体的位姿估计方法及系统，所述方法包括：将原始RGB图像送入包含多重注意力机制模块的2D检测器，获取目标物体的类别、边界框和掩码信息；将原始深度图像经过转换得到图像的三维点云数据；通过最远点采样算法计算目标物体掩码边界的4个像素点，进而确定各物体的掩码对角线信息；将目标物体按照边界框最长边乘以系数进行裁剪之后的图像和掩码信息输入3D旋转估计网络，与码本进行匹配，得到目标物体的旋转估计；然后将旋转估计和掩码信息输入到3D平移估计网络，通过投影距离估计技术，获得目标物体的平移估计；最后将得到的图像的三维点云数据和目标物体的旋转估计以及平移估计输入至ICP位姿细化网络得到目标物体最终的6D位姿。
-
公开(公告)号：CN113034408B
公开(公告)日：2022-08-12
申请号：CN202110482836.X
申请日：2021-04-30
Applicant: 广东工业大学
Abstract: 本发明公开了一种红外热成像系统深度学习图像去噪方法及装置，所述方法包括：获取红外热成像系统采集的目标物图像并进行下采样处理，分割成子图像；对每个子图像进行图像块提取以及重组像素，得到预处理后的子图像；构建噪声图，并将噪声图作为额外通道添加到所述预处理后的子图像中作为输入图像；将输入图像作为训练好的深度学习模型中，输出噪声的估计值；从所述目标物图像中去除噪声的估计值，得到去噪后的图像。本方法，可以充分利用图像丰富的结构特征和相似性，更好地利用图像块特征中的上下文信息并充分提取图像特征，在红外图像本身特征值较少情况下实现了较好的效果，非常有利于红外热成像及深度学习技术的应用研究。
-
-
-
-
-
-
-
-
-
Search Results
687
records
(took 0.05 seconds)
