-
公开(公告)号：CN104850845A
公开(公告)日：2015-08-19
申请号：CN201510290648.1
申请日：2015-05-30
Applicant: 大连理工大学
CPC classification number: G06K9/00818 , G06K9/6256
Abstract: 本发明属于智能交通标志识别技术领域，涉及一种基于非对称卷积神经网络的交通标志识别方法，用以解决交通标志识别问题中识别速度较慢，且鲁棒性不强的问题。本发明的方法采用两个不同结构的卷积神经网络并行地进行特征映射和提取，最后将特征进行合并，再经过全连接层和最后的分类器，完成整个分类过程。两个不同结构的卷积神经网络分别采用了随机池化操作和maxout单元，确保了图像特征的多样性，提高了识别精度并加快了网络运算速度。本发明对传统卷积神经网络进行了结构上的改进，使用两个不同结构的卷积神经网络代替了传统的卷积神经网络结构，该方法确保了图像特征的多样性，提高了识别精度并加快了网络运算速度。
-
公开(公告)号：CN119863823A
公开(公告)日：2025-04-22
申请号：CN202510061803.6
申请日：2025-01-15
Applicant: 大连理工大学
IPC: G06V40/10 , G06V10/143 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于超图驱动软语义动态学习的可见光‑红外行人重识别方法，步骤如下：将行人图像划分为训练集和测试集，并进行数据增强；利用自注意力机制提取行人层次化软语义特征；利用门控机制进行通道和空间方向的跨阶段特征融合；计算模态对齐损失，缩小可见光与红外特征的差异；利用超图神经网络动态地探索所提取的软语义之间的关系；使用联合损失训练网络直至收敛；测试集行人重识别。通过使用本发明不仅有效地捕捉并动态地融合层次化的软语义特征，提取模态不变的特征，弥合可见光与红外模态之间的差距，还能自适应地探索语义之间的高阶关系，有效地学习模态不变语义，减少模态间的差异，显著提高可见光‑红外行人重识别的效果。
-
公开(公告)号：CN118012607A
公开(公告)日：2024-05-10
申请号：CN202410094795.0
申请日：2024-01-23
Applicant: 大连理工大学
IPC: G06F9/50 , G06F18/23213 , G06N3/006 , G06N3/094
Abstract: 本发明属于人工智能应用技术领域，涉及一种基于生成对抗网络的大规模边缘服务器部署方法。针对已有方法在大规模空间上部署时不能很好地兼顾多个优化指标的问题，提出了一种基于生成对抗网络的边缘服务器部署方法，旨在在复杂场景下实现边缘服务器的均衡部署。步骤如下：建模边缘服务器和路边单元的网络拓扑结构；构建车联网场景下边缘服务器部署模型；建模边缘服务器部署的平均时延、工作负载均衡和部署成本；执行基于生成对抗网络的大规模多目标优化算法优化种群；依据非支配排序和聚类得到边缘服务器部署方案。本发明作为一种基于生成对抗网络的大规模多目标优化的边缘服务器部署方法，可广泛应用于边缘服务器部署领域。
-
公开(公告)号：CN117490961A
公开(公告)日：2024-02-02
申请号：CN202311466305.7
申请日：2023-11-07
Applicant: 大连理工大学
IPC: G01M7/08
Abstract: 本发明属于电磁学及航天分离技术领域，涉及一种基于电磁驱动的火箭分离钢索冲击响应测试平台。该测试平台由电磁驱动模块、钢索冲击测试模块和数据分析模块组成。电磁驱动模块中的脉冲电源使导轨产生稳定磁场并提供回路电源为驱动件提供速度，钢索冲击测试模块受到驱动件冲击实现上端插销与插座分离，通过高速相机、光电传感器、对整个运动过程进行记录，将获得的运动特征对钢索手冲击的整个过程进行响应分析。与现有基于空气炮的绳索分离方式相比，具有便于控制、稳定性能优越、成本低、体积小，可重复利用等特点。基于上述优点，有望形成新一代火箭钢索分离测试技术，促进电磁驱动装置在航空航天领域中的广泛应用。
-
公开(公告)号：CN116524596A
公开(公告)日：2023-08-01
申请号：CN202310507915.0
申请日：2023-05-08
Applicant: 大连理工大学
IPC: G06V40/20 , G06V20/40 , G06V10/40 , G06V10/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉与视频动作识别领域，公开了一种基于动作粒度分组结构的体育视频动作识别方法，提出了一种基于动作粒度的层次化分组结构，设计了一种轻量级的多尺度时空建模与信息融合机制。步骤如下：视频抽帧，分段随机帧采样，视频帧预处理，选取骨干网络，在骨干网络中插入动作粒度分组模块实现多尺度时空特征聚合，使用全连接层和softmax层进行类别预测，使用交叉熵损失对动作类别进行训练，训练及验证。通过使用本发明可有效的提取多粒度动作信息，适用于包含多层次类别的体育视频动作识别，并显著提高体育视频动作识别的精度。本发明作为一种基于动作粒度分组结构的体育视频动作识别方法，可广泛应用于体育视频动作识别领域。
-
Patent Agency Ranking
公开(公告)号：CN112365048B
公开(公告)日：2022-09-20
申请号：CN202011243637.5
申请日：2020-11-09
Applicant: 大连理工大学
Abstract: 本发明属于人工智能领域，更具体地，涉及一种基于对手行为预测的无人车侦察方法，用以实现无人车集群在复杂环境中的侦察能够更智能地应对各种事件的发生，解决复杂环境中无人车侦察时，在遇到对手的情况下通过预测模型预测对手行为从而躲避抓捕的问题。本发明通过流算法和多臂赌博机算法为无人车在众多的对手候选模型中挑选最适应当前状况的对手候选模型，利用所选择的对手候选模型进行对手行为预测；同时该算法考虑到内存的限制，在任何时刻只处理候选模型集合的一小部分，实时动态地选择候选模型子集。
-
公开(公告)号：CN113299084B
公开(公告)日：2022-04-12
申请号：CN202110600132.8
申请日：2021-05-31
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于多视角编码迁移强化学习的区域信号灯协同控制方法，属于机器学习与智能交通的交叉领域。方法包括一种多视角状态编码器以及一种迁移强化学习框架。提出的多视角状态编码器将路口的一维，二维状态以及邻域路口传来的状态信息进行整合编码，将结果作为路口智能体的实际输入。在提出的迁移强化学习框架中，首先独立地训练若干个专注于拟合能力的专家智能体；然后利用迁移来的专家智能体联合指导训练一个专注于泛化能力的种子智能体；最后将种子智能体的参数迁移到各个路口上进行自适应训练，并计算这些智能体与专家智能体的效果差异决定是否进行迭代训练。最终的智能体同时具有更好的决策能力和泛化性能，有效地缓解了交通拥堵。
-
公开(公告)号：CN114187655A
公开(公告)日：2022-03-15
申请号：CN202111430274.0
申请日：2021-11-29
Applicant: 大连理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/774 , G06V10/762 , G06V10/74 , G06T7/66 , G06N3/08 , G06V10/82 , G06K9/62
Abstract: 本发明属于人工智能与行人重识别领域，公开了一种基于联合训练策略的无监督行人重识别方法。针对摄像机间域间隙较大的问题，提出了一种摄像机间不变性特征学习方法，旨在让模型学习到可以区分不同摄像机下的不变性特征的能力。包括以下步骤：行人图像特征提取；聚类并分配伪标签；计算行人质心和摄像机质心；挖掘边缘特征和摄像机间不变性特征；行人实例特征和摄像机质心的更新；利用对比损失更新模型的参数。通过使用本发明可以有效的减少标签噪声，降低了摄像机间域间隙，并显著提高行人重识别的精度。本发明作为一种基于联合训练策略的无监督行人重识别方法，可广泛应用于行人重识别领域。
-
公开(公告)号：CN111738939B
公开(公告)日：2022-02-15
申请号：CN202010490188.8
申请日：2020-06-02
Applicant: 大连理工大学
IPC: G06T5/00
Abstract: 一种基于半训练生成器的复杂场景图像去雾方法，属于应用于复杂环境的图像去雾领域，包括训练过程和使用过程。训练过程中，首先，使用CycleGAN网络在任意图像去雾数据集上进行训练，每训练50次输出一个实时去雾图像并保存当前模型，训练到2000次结束；其次，重复上述过程十次；最后，在保存的效果图中选取去雾效果最好并且没有颜色信息的无雾灰度图像，将其对应的保存模型中的生成器G作为最终的草图模块。使用时，将任何场景的有雾图像输入草图模块中，均可输出去雾后的灰度图像。本发明应用范围不局限于训练的数据集，该方法具有极强的适应性、可视性和真实性，能够应用到任何场景中，且能够帮助智能系统在受到浓雾影响的环境中也能发挥一定的效能。
-
公开(公告)号：CN112822191B
公开(公告)日：2021-11-02
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。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.025 seconds)
