-
公开(公告)号：CN118193388A
公开(公告)日：2024-06-14
申请号：CN202410355412.0
申请日：2024-03-27
Applicant: 华南理工大学
IPC: G06F11/36 , G06F16/2452 , G06F16/2455 , G06F16/22 , G06F16/27
Abstract: 本发明公开了一种算子级别的分布式数据库性能测试方法，包括：根据数据集的类型和指定的规模生成所需的数据集，得到性能测试所需的数据集；对要测试的算子构建算子级别的查询计划，得到初始的查询计划；对得到的数据集进行数据分片，将基于行的存储格式存放的初始数据表改造成基于列存储的数据表方便后续处理，将列存储的数据组织成向量的形式，形成向量化的数据；将初始查询计划改造成分布式的执行计划，读取向量化的数据进行查询，收集性能测试指标。本发明能够详细捕获数据库在不同配置参数下的性能差异，为数据库性能调优提供了重要的参考依据。
-
公开(公告)号：CN115082147B
公开(公告)日：2024-04-19
申请号：CN202210668287.X
申请日：2022-06-14
Applicant: 华南理工大学
IPC: G06Q30/0601 , G06F18/23213 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于超图神经网络的序列推荐方法及装置，其中方法包括：根据数据集构建超图；通过超图卷积学习动态短时用户/商品嵌入向量；将动态/静态用户、动态/静态商品相结合，获得用户与商品交互嵌入向量；通过把用户‑商品交互序列输入transfomer模块中，根据滑动窗口的不同，学习出不同时间粒度用户嵌入向量；将不同时间粒度的动态用户嵌入向量进行融合；使用最终动态用户嵌入向量和静态/动态融合的商品嵌入向量进行偏好预测，得到推荐顺序。本发明综合考虑了用户与商品交互的多时间粒度下的信息，使用户向量中包含用户与用户之间的相关性信息，保证特征的有效性，降低主模型上训练的时间复杂度，可广泛应用于序列推荐技术领域。
-
公开(公告)号：CN117635147A
公开(公告)日：2024-03-01
申请号：CN202311477457.7
申请日：2023-11-08
Applicant: 华南理工大学 , 珠海大横琴股份有限公司 , 广东南方通信建设有限公司
Abstract: 本发明公开了一种基于区块链的仓单供应链金融管理方法，包括如下步骤：仓库管理员获取有关货物的出入库信息；联合机器视觉处理对货物数量及种类进行核验，并将结果加密后经节点确认上传至区块链平台；仓单质押方进入区块链平台进行仓单质押申请操作；仓库管理员结合机器视觉识别冻结货物权益状态，并将结果加密后经节点确认上传至区块链平台；放款方接受质押仓单，并将结果加密后经节点确认上传至区块链平台；仓库管理员确认货物权益变更，并将结果加密后经节点确认上传至区块链平台；放款方通过视觉监控实时查看货物数量和权益状态。本发明通过对仓单质押解押过程的全上链处理，以及全过程实时监控和机器视觉识别，保证了交易的真实性和有效性。
-
公开(公告)号：CN111898685B
公开(公告)日：2023-10-27
申请号：CN202010769229.7
申请日：2020-08-03
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于长尾分布数据集的目标检测方法，涉及目标检测技术领域，包括以下步骤：预先将图片占比小于千分之一类别定义为小样本类别，其中包括小样本类别产生的神经网络损失进行加权，实现小样本类别产生的神经网络损失要大于大样本类别产生的神经网络损失；标定平衡不同类别在神经网络中损失权重，确定小样本类别对于目标检测网络的影响系数。本发明在目标检测神经网络训练中对小样本类别进行神经网络损失加权的算法，在一定程度上缓解了样本数目过少的类别对目标检测网络的影响过小的问题，平衡了在不同样本比例类别之间的差异，提高了小样本类别被目标检测网络感知的能力。
-
公开(公告)号：CN116051740A
公开(公告)日：2023-05-02
申请号：CN202310005467.4
申请日：2023-01-04
Applicant: 华南理工大学
IPC: G06T17/00 , G06T7/194 , G06V10/75 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于神经辐射场的室外无界场景三维重建方法及系统，包括获取待重建场景的RGB图像集，计算每一张图像对应的相机参数及稀疏点云；对所有图像根据内容进行图像分割，生成掩膜图，实现前景与背景的分离，得到每张图像中前景区域的深度范围和背景区域的深度范围；基于重建需求将掩膜图分为前景图像集、背景图像集与全图像集；输入待重建场景的前景图像集、背景图像集、全图像集及相机参数，基于神经辐射场技术重建场景的神经辐射场隐式模型，可分别获得前景物体模型、背景环境模型以及全场景模型，最后由体渲染技术实现隐式三维模型的可视化。本发明相较于其他神经辐射场三维重建技术，本方法在室外场景模型的清晰度更高。
-
Patent Agency Ranking
公开(公告)号：CN113052759B
公开(公告)日：2023-03-21
申请号：CN202110347033.3
申请日：2021-03-31
Applicant: 华南理工大学
IPC: G06T3/00 , G06T11/60 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于MASK和自动编码器的场景复杂文本图像编辑方法，包括以下步骤：通过数据获取模块获取mask数据集，基于mask数据集构建训练集；对训练集进行预处理，并将预处理后的训练集中随机选取图像作为网络输入；进行网络特征提取，即对预处理后的训练集图像进行初步特征提取，得到初步特征，将初步特征输入包含若干个残差模块的复合残差网络中进行处理，得到多层次特征；对图像进行重构，即将多层次特征进行拼接，并进行卷积层处理得到三通道图像；通过三通道图像进行残差模块的输出进行监督，进而优化网络参数；本发明在能够实现场景中复杂效果的文本编辑，对增强现实渲染，艺术设计具有十分显著的意义。
-
公开(公告)号：CN115358809A
公开(公告)日：2022-11-18
申请号：CN202210847446.2
申请日：2022-07-19
Applicant: 华南理工大学
Abstract: 本发明公开一种基于图对比学习的多意图推荐方法及装置，其中方法包括：获取数据集；根据数据集获取图结构数据；对原始二分图通过参数化的方式构建增强对比视图；将初始化的用户和商品特征分成K段特征块；每个隐因子对应解耦表征独立学习，基于原始图和增强图分别输出两种视图下的K个意图特征；每种潜在意图下的特征进行自适应的对比学习；将K段特征拼接形成用户和商品的特征向量，进行互信息最大化任务；将拼接后的特征向量再进行最后推荐预测监督任务，与两个无监督任务进行联合学习。本发明对对比视图的对比学习调整为自适应的对比学习，学习出更多元化的语义特征信息，增强模型的可解释性和鲁棒性，可广泛应用于机器学习技术领域。
-
公开(公告)号：CN112990972B
公开(公告)日：2022-11-18
申请号：CN202110296182.1
申请日：2021-03-19
Applicant: 华南理工大学
IPC: G06Q30/02 , G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明属于推荐系统技术领域，涉及一种基于异构图神经网络的推荐方法，包括：收集带有用户间社交关系、用户‑商品交互历史数据及商品类别信息的数据集，并过滤无效数据以及进行负采样；随机选取用户集合及相关商品集合，并进行多阶图采样与建图；结点特征提取：将构建的图输入到异构图神经网络中进行处理，得到结点的融合结点嵌入向量；对于不需要经过重校准步骤的商品结点而言，商品结点的融合结点嵌入向量即为商品融合嵌入向量；重校准：对用户融合结点嵌入向量进行重校准，得到用户最终表示嵌入向量；使用用户最终表示嵌入向量和商品融合嵌入向量进行偏好预测，并得到推荐顺序。本发明解决了数据稀疏和数据缺失的问题，具有推荐精准等优点。
-
公开(公告)号：CN114862496A
公开(公告)日：2022-08-05
申请号：CN202210354306.1
申请日：2022-04-06
Applicant: 华南理工大学
IPC: G06Q30/06 , G06F16/9535 , G06F16/9537 , G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于用户个性化建模的会话推荐方法、装置及介质，其中方法包括：获取会话推荐数据集；将数据增强后的会话数据集建模为序列结构，并输入到RNN网络中，获得初步会话向量化表示数据集；进行用户意图提取，得到表达用户多意图的会话向量化表示；提取会话向量化表示的全局信息和局部信息；融合提取的信息得到最终会话向量化表示；计算所述最终会话向量化表示与所述会话数据集中的所有物品计算余弦相似度，将相似度最高的物品作为推荐结果。本发明可以有效捕捉相似用户的消费模式，使得新的推荐算法可以更有效地预测用户的真实需求，从而给出更加准确的推荐结果，可广泛应用于人工智能、深度学习及推荐系统技术领域。
-
公开(公告)号：CN114757838A
公开(公告)日：2022-07-15
申请号：CN202210268828.X
申请日：2022-03-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种无监督领域自适应图像非盲解卷积方法、装置及介质，其中方法包括：确定源域数据和目标域数据；构建非盲解卷积模型；采用源域数据对非盲解卷积模型进行有监督训练，获得预训练模型；将获得的预训练模型作用到目标域数据上，并采用无监督自适应损失对预训练模型进行训练，获得迁移模型；判断迁移模型的解卷积精度是否满足预设条件，若满足则停止训练，否则继续训练；将迁移训练后的迁移模型作用于目标域数据，输出测试图像的解卷积结果。本发明在不需要访问源域数据和目标域数据中的清晰图像的同时，对预训练模型进行迁移，提高模型在目标域的非盲解卷积性能。本发明可广泛应用于图像非盲解卷积领域。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.03 seconds)
