-
公开(公告)号：CN104850845B
公开(公告)日：2017-12-26
申请号：CN201510290648.1
申请日：2015-05-30
Applicant: 大连理工大学
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：CN107273800A
公开(公告)日：2017-10-20
申请号：CN201710337015.0
申请日：2017-05-17
Applicant: 大连理工大学
CPC classification number: G06K9/00342 , G06K9/00718 , G06N3/0454
Abstract: 本发明属于计算机视觉动作识别领域，提出了一种基于注意机制的卷积递归神经网络的动作识别方法，用以解决在动作识别中无法有效的提取显著性区域的问题，提高了分类的准确性。本方法首先利用卷积神经网络自动地对动作视频进行特征提取；然后利用空间转换网络在特征图的基础上实现了注意机制，利用注意机制操作提取特征图中的显著区域，生成目标特征图；最后将目标特征图输入卷积递归神经网络中，产生最后的动作识别结果。实验证明所提方法在UCF-11和HMDB-51等基准动作视频测试集上取得了很好的效果，提高了动作识别的准确性。
-
公开(公告)号：CN104866898B
公开(公告)日：2017-09-08
申请号：CN201510267542.X
申请日：2015-05-22
Applicant: 大连理工大学
Abstract: 本发明属于计算机应用技术与生产制造的交叉领域，通过自然计算技术优化多目标柔性作业车间调度问题。提出了一种协同混合人工鱼群算法用于求解多目标柔性作业车间调度问题，其特征是设计了带有分布估计属性的觅食行为和人工鱼吸引行为对人工鱼群模型进行改进；将协同思想引入到模型中，通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同以增强算法局部搜索能力；针对多目标问题设计了改进的ε‑Pareto支配策略对个体的适用度值进行评价。本发明的效果和益处是能够克服人工鱼群算法在搜索过程中存在的后期收敛慢、局部寻优能力差等问题，并通过协同优化求得质量和分散性较好的非劣解集。
-
公开(公告)号：CN106022000A
公开(公告)日：2016-10-12
申请号：CN201610309077.6
申请日：2016-05-11
Applicant: 大连理工大学
IPC: G06F19/24
CPC classification number: G06F19/24
Abstract: 本发明公开了一种基于压缩和聚类的批量蛋白质同源性搜索方法，属于计算机应用技术与生物技术的交叉领域。该方法充分利用了蛋白质数据库序列和查询序列中存在的序列相似信息，首先对查询序列和蛋白质数据库通过冗余分析和冗余移除过程进行压缩操作；进而对压缩后的蛋白质数据库进行相似子序列聚类，然后在聚类数据库基础上利用映射原理进行查找以发现潜在的结果，并根据找到的潜在结果集建立可执行数据库；最后在可执行数据库上进行同源性搜索，以获得最终的同源性序列。本发明的方法通过在构建的可执行数据库上进行同源性搜索，大大减少了重复序列比对和无间隙扩展的时间。
-
公开(公告)号：CN104866898A
公开(公告)日：2015-08-26
申请号：CN201510267542.X
申请日：2015-05-22
Applicant: 大连理工大学
Abstract: 本发明属于计算机应用技术与生产制造的交叉领域，通过自然计算技术优化多目标柔性作业车间调度问题。提出了一种协同混合人工鱼群算法用于求解多目标柔性作业车间调度问题，其特征是设计了带有分布估计属性的觅食行为和人工鱼吸引行为对人工鱼群模型进行改进；将协同思想引入到模型中，通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同以增强算法局部搜索能力；针对多目标问题设计了改进的ε-Pareto支配策略对个体的适用度值进行评价。本发明的效果和益处是能够克服人工鱼群算法在搜索过程中存在的后期收敛慢、局部寻优能力差等问题，并通过协同优化求得质量和分散性较好的非劣解集。
-
Patent Agency Ranking
公开(公告)号：CN120043529A
公开(公告)日：2025-05-27
申请号：CN202510116820.5
申请日：2025-01-24
Applicant: 大连理工大学
IPC: G01C21/20 , G01C21/00 , G06N3/0442 , G06N3/092 , G06N3/006
Abstract: 一种基于多智能体强化学习和上下文感知的多自动导引车路径规划方法，属于机器学习与智能物流的交叉领域。本发提出的上下文感知信息充分利用AGV在训练过程中对环境的理解，通过自身的长时记忆针对当前AGV的观测信息产生用于辅助其它智能体决策的上下文感知信息。在进行多智能体通信强化学习时，利用AGV的局部特征信息来产生多样化的通信信息，之后结合AGV自身的局部特征信息，得到最终的决策动作概率分布结果。基于集中式训练、分布式执行的训练范式，多AGV系统能够很好的学习到一个高效、直接的路径规划解决方案，有效的提高了AGV在地图上的路径规划效率及准确率，同时也降低了AGV之间的碰撞冲突。
-
公开(公告)号：CN119851176A
公开(公告)日：2025-04-18
申请号：CN202411922559.X
申请日：2024-12-25
Applicant: 大连理工大学
IPC: G06V20/40 , G06V10/80 , G06V10/82 , G06V10/74 , G06V20/70 , G06V10/764 , G06N3/0464 , G06N3/088
Abstract: 本发明属于人工智能与视频异常检测领域，公开一种基于哈希映射的无监督场景相关视频异常检测方法，步骤如下：视频预处理；训练场景分类器；提取并融合前景RGB特征与光流特征，场景分类；哈希映射编码器编码特征，计算前景对象哈希值；计算相同对象相邻时间步哈希值间距离作为损失训练网络；构建正常模式数据库；测试集异常检测。通过使用本发明不仅有效的提高模型对运动幅度和方向等细节特征的感知能力，增强模型对正常与异常的区分能力，还能实现前景对象与其所处场景的有效绑定，提升模型的场景感知能力，显著提高无监督视频异常检测的检测能力。本发明作为一种基于哈希映射的无监督场景相关视频异常检测方法，可广泛用于视频异常检测领域。
-
公开(公告)号：CN114187655B
公开(公告)日：2024-08-13
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 , G06N3/088 , G06V10/82
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：CN117975127A
公开(公告)日：2024-05-03
申请号：CN202410104319.2
申请日：2024-01-25
Applicant: 大连理工大学
IPC: G06V10/764 , G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于深度学习的双模态乳腺超声互补特征注意力多分类方法。本发明针对单模态乳腺超声信息量少，多模态融合困难的问题，提出了一种基于双模态超声互补特征融合结构，设计了一种多尺度注意力融合机制。步骤如下：提取同时获取的B模态肿瘤位置信息和弹性模态的肿瘤周边组织刚性变化信息和通道维度信息，使用弱化注意力广泛关注空间特征，结合多尺度通道注意力融合，最终以类别注意力的形式施加在特征提取下采样的最末端，避免梯度爆炸问题。本发明从数据维度和特征维度解决了传统乳腺超声分类中类别混淆带来的分类准确度低的问题；充分利用两个模态的互补特征提升了分类可信度，给专业医生对病人的治疗决策提供辅助。
-
公开(公告)号：CN113254872B
公开(公告)日：2023-12-19
申请号：CN202110599226.8
申请日：2021-05-31
Applicant: 大连理工大学
IPC: G06F17/16 , A63F13/822 , G06N3/0464 , G06N3/042 , G06N3/08 , G06F18/22 , G06F18/25 , G06N20/00
Abstract: 本发明提供了一种基于智能体通信机制的复杂游戏场景下的策略选择方法，属于人工智能与群体决策交叉领域，即基于复杂游戏场景，利用多智能体强化学习算法来控制游戏智能体进行策略选择。本发明首先将复杂游戏场景建模为图网络，利用游戏智能体的空间信息和特征信息计算它们之间的交互关系，同时过滤掉冗余的游戏智能体；然后利用改进的图卷积进行特征信息的融合，进而实现游戏智能体之间的通信。本发明在一定程度上能够增大游戏智能体的感知范围，避免了游戏智能体之间无意义的交互，使其能够选择合适的策略，从而提升了其在复杂游戏(56)对比文件Jiao, P et al.A DecentralizedPartially Observable Markov DecisionModel with Action Duration for GoalRecognition in Real Time Strategy Games.《DISCRETE DYNAMICS IN NATURE ANDSOCIETY》.2017,第2017卷第1-15页.陈鹏;王子磊.融合深度学习与搜索的实时策略游戏微操方法.计算机工程.2019,第46卷(第06期),第50-59页.
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.028 seconds)
