-
公开(公告)号:CN116797966A
公开(公告)日:2023-09-22
申请号:CN202310516184.6
申请日:2023-05-09
Applicant: 大连理工大学
IPC: G06V20/40 , G06V40/10 , G06V10/40 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/08 , G06N3/048 , G06N3/047
Abstract: 本发明属于人工智能与视频行人重识别领域,公开一种基于注意力时空图网络的视频行人重识别方法,提出一种多粒度注意力时空图网络方法,旨在不破坏行人身体结构的同时关注前景信息,减少背景干扰,融合多粒度时态信息,同时抑制异常帧的特征表达。步骤如下:提取行人原始帧级特征;提取各帧级行人关键区域信息;提取全局分支特征;多粒度空间注意力图网络更新帧级特征;多粒度时间注意力图网络获取行人视频序列级特征;损失函数训练网络。通过使用本发明可减少破坏身体结构,降低背景噪声的干扰,并抑制异常帧信息表达,显著提升视频行人重识别的性能。本发明作为一种基于注意力时空图网络的视频行人重识别方法,可广泛应用于视频行人重识别领域。
-
公开(公告)号:CN115936058A
公开(公告)日:2023-04-07
申请号:CN202211578473.0
申请日:2022-12-09
Applicant: 大连理工大学
IPC: G06N3/042 , G06N3/0442 , G06N3/048 , G06N3/096
Abstract: 本发明公开一种基于图注意力网络的多智能体迁移强化学习方法。本发明计算智能体与环境交互的轨迹特征,根据智能体轨迹特征的相似程度构建智能体知识迁移关系图;在关系图上应用硬注意力机制切断无关的迁移关系,进一步应用软注意力机制选择注意权重最大的智能体作为知识迁移对象。在判断知识迁移时间的方式上,设计一个二分类神经网络,通过向网络输入智能体和知识迁移对象的动作及价值,输出本次知识迁移是否执行;通过设计基于动作价值方差的损失函数指导分类网络训练,实现自适应学习与判断知识迁移时间;该方式充分的减少了不必要的知识迁移,增加了知识有效迁移的效率,促使智能体在任务上得到收敛速度更快、表现更好的解决方案。
-
公开(公告)号:CN115730521A
公开(公告)日:2023-03-03
申请号:CN202211490168.6
申请日:2022-11-25
Applicant: 大连理工大学
IPC: G06F30/27 , G06F18/23213 , G06N3/126 , G06F111/06 , G06F111/08
Abstract: 本发明公开一种基于超多任务进化优化算法的多足机器人智能设计方法。本发明构建了大量任务,每种任务对应于一个具体的机器人形态。在设定的机器人工作环境中,每个任务都致力于为某一具体的形态进化出最合适的控制策略。为了使该数量巨大的任务之间能够充分的进行信息交流与知识迁移,本发明基于群体极化假设,根据已知任务特征对任务进行分组,并将优化过程分为两个阶段:组团聚和组分散。本发明具有自适应选择交叉算子的能力,以支持在组分散阶段通过组间通信进行任务探索。帮助表现不佳的任务在组团聚阶段从其他成员那里收集信息,并根据任务的特点自适应地修改信息吸收策略,最终获得最适合选定情景的机器人形态与机器人控制方式。
-
公开(公告)号:CN111738940B
公开(公告)日:2022-04-12
申请号:CN202010491147.0
申请日:2020-06-02
Applicant: 大连理工大学
IPC: G06T5/00
Abstract: 本发明提供一种基于自注意力机制模范生成对抗网络的人脸图像眼部补全方法,属于机器学习领域。首先选取一张属于同一身份的人的不同姿态的脸部照片作为参考,将对应的参考图像、参考图像的眼部、缺失图像、缺失图像的眼部以及10维的噪声向量输入到我们所构建的模型的生成器网络中,生成器网络由一定数量的卷积层、残差块、反卷积层构成,最终生成器输出一张经过补全的人脸图像。再将生成的补全图像经过鉴别器网络进行判别真假。本发明能够提高生成的人脸的眼部图像的质量,同时生成的眼部部位并不是直接简单复制参考图像的,并且生成的眼部部位没有陷入模式崩溃的问题,都是相对应各自身份的。
-
公开(公告)号:CN112286203B
公开(公告)日:2021-10-15
申请号:CN202011257321.1
申请日:2020-11-11
Applicant: 大连理工大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于蚁群算法的多智能体强化学习路径规划方法。此方法结合了多智能体深度强化学习方法和蚁群算法的思想,来解决多智能体的路径规划问题。具体包括:采用基于Q学习的改进DQN深度强化学习方法及蚁群“信息素”协同机制,利用智能体集群历史信息对神经网络进行训练更新,最终得到智能体集群中各智能体的最优路径规划策略。本发明采用了网络参数共享机制、优先经验回放机制并且改进了神经网络的架构,解决了传统多智能体路径规划方法自适应能力差的缺陷,提升了路径规划的效率,提高了路径规划的稳定性,最终为多智能体系统规划出更高效便捷的行进路径。
-
公开(公告)号:CN113254872A
公开(公告)日:2021-08-13
申请号:CN202110599226.8
申请日:2021-05-31
Applicant: 大连理工大学
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场景下的表现。
-
公开(公告)号:CN112347908A
公开(公告)日:2021-02-09
申请号:CN202011219934.6
申请日:2020-11-04
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉图像分类领域,涉及一种基于空间分组注意力模型的外科手术器械图像识别方法。本方法先针对常见的外科手术采集对应的手术器械图像构建原始数据集,并进行图像增强操作;然后将得到的图像送入神经网络,通过神经网络中嵌入的轻量级空间分组注意力模块来挖掘手术器械图像在特征空间和通道的关联性,对某些特定区域的特征进行增强或抑制,从而达到更好的分类效果,实现对该手术所使用的手术器械的精准分类。
-
公开(公告)号:CN107273800B
公开(公告)日:2020-08-14
申请号:CN201710337015.0
申请日:2017-05-17
Applicant: 大连理工大学
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:CN109559530B
公开(公告)日:2020-07-14
申请号:CN201910011893.2
申请日:2019-01-07
Applicant: 大连理工大学
Abstract: 本发明提供一种基于Q值迁移深度强化学习的多交叉口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。本方法首先将一个区域的多交叉口交通网络建模为多Agent系统,各个Agent在学习策略过程中同时考虑最近时刻的相邻Agent动作的影响,使得多个Agent能协同地进行多交叉口的信号灯控制。每个Agent通过一个深度Q网络自适应控制一个交叉口,网络输入为各自对应路口的原始状态信息的离散交通状态编码。在其学习过程中将最近时刻相邻Agent的最优动作Q值迁移到网络的损失函数中。本方法能够提升区域路网的交通流量,提高道路的利用率,减少车辆的排队长度,缓解交通拥堵。该方法对各交叉口结构无限制。
-
公开(公告)号:CN110535687A
公开(公告)日:2019-12-03
申请号:CN201910691990.0
申请日:2019-07-30
Applicant: 大连理工大学
Abstract: 一种基于车联网环境下轻量级区块链的协同缓存方法,属于车联网领域。轻量级区块链架构应用于车联网环境,底层车辆层承担轻量级节点角色,向中间层汇报行车数据、向中间层请求车联网数据并对数据进行校验;中间路侧节点层承担全节点角色,保存区块链数据、为底层车辆提供请求数据服务、向云服务器汇报车联网数据,且利用多路侧节点协同缓存区块链数据;顶层云服务层承担全节点角色,保存区块链数据、为中间路侧节点层提供服务、参与中间路侧节点层协同缓存初始化过程。该方法解决了数据安全问题并提供了轻便的数据校验方式,通过多路侧节点之间的协同缓存实现路侧节点存储资源的最大化利用,降低了路侧节点与车辆通信的延迟。
-
-
-
-
-
-
-
-
-