-
公开(公告)号：CN112464852A
公开(公告)日：2021-03-09
申请号：CN202011425952.X
申请日：2020-12-09
Applicant: 重庆大学
IPC: G06K9/00 , G06K9/20 , G06K9/32 , G06K9/62 , G06N3/04 , G06T5/00 , G06T7/11 , G06T7/13 , G06T7/136 , G06T7/187 , G06T7/40
Abstract: 本发明涉及信息识别领域，特别涉及一种车辆行驶证图片自适应矫正与识别方法。本发明通过对行驶证进行拍摄，对拍摄得到的图片使用深度神经网络定位红章，基于红章位置状态对行驶证正页进行矫正和提取，并基于霍夫变换采用多种自定义算法对行驶证正页进行处理，使用Tesseract‑OCR引擎对行驶证信息进行识别。该方法节省了人力，能够快速且准确地利用计算机自动化完成对行驶证的信息进行识别，能够排除噪声、图片不清晰、拍摄摄像头色差大、行驶证正页黑色竖直设置的防伪线以及色彩对信息识别的影响，并且不用考虑行驶证拍摄背景，具有极佳的准确性和高鲁棒性。
-
公开(公告)号：CN112346974A
公开(公告)日：2021-02-09
申请号：CN202011234649.1
申请日：2020-11-07
Applicant: 重庆大学
Abstract: 本发明涉及基于深度特征嵌入的跨移动应用程序即时缺陷预测方法，包括如下步骤：S101构建源移动应用程序和目标移动应用程序的即时缺陷数据集；S102对两个移动应用程序的数据进行预处理；S103利用跨三元组的深度特征嵌入方法学习高层次的特征表示；S104使用逻辑回归分类器构建预测模型；S105预测目标移动应用程序中的代码提交实例是否会引入缺陷。本发明方法从特征学习的角度出发，利用一个基于三元组损失的深度特征嵌入方法将两个移动应用程序的缺陷数据映射到一个高层次的空间，在这个空间中具有相同标签的实例尽可能靠近，而标签不同的实例尽可能远离，从而提高目标移动应用程序的即时缺陷预测效果。
-
公开(公告)号：CN112328912A
公开(公告)日：2021-02-05
申请号：CN202011210800.8
申请日：2020-11-03
Applicant: 重庆大学
IPC: G06F16/9537 , G06F16/9536 , G06N3/04 , G06N3/08 , G06F17/16 , G06F17/18 , G06Q10/04 , G06Q10/06 , G06Q50/30
Abstract: 本发明涉及通信技术领域，具体涉及一种利用地点感知的QoS预测方法。本发明以用户、服务以及他们的地点信息为特征作为预测模型的输入，预测模型将输入特征映射成为高维稠密向量，并利用特征重用的方式实现对QoS值的预测。该方法在网络深度较深的情况下缓解了梯度消失和特征丢失的问题，相比现有技术，在稀疏数据的情况下，能够更加准确的预测出用户调用服务的QoS值。
-
公开(公告)号：CN111984820A
公开(公告)日：2020-11-24
申请号：CN201911313856.3
申请日：2019-12-19
Applicant: 重庆大学
IPC: G06F16/738 , G06N3/08
Abstract: 本发明公开了一种基于双自注意力胶囊网络的视频摘要方法，包括以下步骤：S1：将视频摘要问题视为一个视频帧序列的标记问题；S2：对于给定的视频，提取每个视频帧的初始特征向量；S3：利用双注意力模型对初始特征向量进行特征细化；S4：利用双流胶囊网络来对细化特征进行融合，并对视频的每个帧进行标记；S5：使用相应目标函数，以深度学习的方式来训练上述的模型；S6：根据S5训练好的模型，来生成最终的摘要。有益效果：能够有效地捕捉短期和长期依赖关系而不受视频时长的限制，且该方法能够并行处理，降低运行时长，最终得到的摘要视频是无冗余的、完整的。
-
公开(公告)号：CN106055483B
公开(公告)日：2019-03-22
申请号：CN201610395760.6
申请日：2016-06-06
Applicant: 重庆大学
Abstract: 本发明涉及基于欠采样操作的代价敏感神经网络的警告分类方法，包括S1使用FindBugs工具对目标软件一系列版本的jar文件进行分析，得到目标软件的静态警告；S2对S1获得的静态警告进行标注；S3采用BP神经网络，使用欠采样的方式改变样本集中样本的分布得到新的样本集，采用新的样本集中的样本训练分类器，然后使用该分类器对样本集中的所有样本进行预测分类，将样本集中的所有样本预测为有效警告或误报警告。本发明方法在有效警告查全率Recall方面平均提高了44.07％，还能快速达到较高而平稳的查全率，同时较传统神经网络方法能达到更低的分类代价。
-
Patent Agency Ranking
公开(公告)号：CN108459955A
公开(公告)日：2018-08-28
申请号：CN201710903133.3
申请日：2017-09-29
Applicant: 重庆大学
CPC classification number: G06F11/3608 , G06K9/6227 , G06K9/6259
Abstract: 本发明涉及基于深度自编码网络的软件缺陷预测方法，包括如下步骤，S1通过版本控制工具收集待预测软件的源代码文件；S2所述S1得到的源代码文件由I个模块组成，从所述源代码文件中提取度量元值，所有度量元值构成一个集合X；S3对S2得到集合X进行预处理；S4通过采样的方式通过度量元值选取模块得到采样结果集；S5深度自编码网络构建预测模型；S6对待预测版本进行预测并输出预测结果。该方法简单有效，实验结果表明在数据维度较大，并且冗余特征较多的数据集中，效果非常明显。
-
公开(公告)号：CN106021115B
公开(公告)日：2018-07-10
申请号：CN201610395767.8
申请日：2016-06-06
Applicant: 重庆大学
IPC: G06F11/36
Abstract: 本发明涉及基于概率的无监督缺陷预测方法，包括如下步骤，S1获取度量元阈值，使用每个度量下源代码类的度量元值的中位数作为阈值；S2度量元值与阈值的差值概率化；S3聚类，计算所有度量元下每个文件的概率之和，具有相同值的类归为一类；S4标记，如果某类文件所对应的概率合大于等于L，则将该类文件标记为有缺陷，否则标记为无缺陷，从而将所有类标记为有缺陷和没有缺陷的两类。本发明方法使用概率表示类存在缺陷的可能性，不同度量元值得到的概率不同，保留类存在缺陷可能性大小的信息。在标记的过程中，根据数据集中缺陷的分布特点，选取合适的临界值进行标记。在避免信息丢失的同时，选择合适的标记临界值，提高了缺陷预测的性能。
-
公开(公告)号：CN104809066B
公开(公告)日：2017-08-25
申请号：CN201510218321.3
申请日：2015-04-30
Applicant: 重庆大学
IPC: G06F11/36
Abstract: 本发明涉及一种通过代码质量评估预测开源软件维护工作量的方法，首先获取所有表征开源软件代码质量的指标，然后引入方差膨胀因子去除关联度较大的指标，得到可用指标集合；对用指标集合中可用指标进行线性回归分析，得到开源软件的维护工作量与可用指标之间的函数关系式，利用该关系式即可预测开源软件的维护工作量。该方法中表征开源软件代码质量的指标容易获得，预测结果精准，适合大范围推广。
-
公开(公告)号：CN103971385B
公开(公告)日：2016-08-24
申请号：CN201410228074.0
申请日：2014-05-27
Applicant: 重庆大学
Abstract: 本发明涉及视频中运动物体的检测方法，该方法首先建立初始图像，初始图像有多个像素点，每个像素点对应一个单词本，每个单词本中含有多个单词；每个单词包括五个像素特征；然后获取视频，用视频第一帧图像中像素点的像素特征替换初始图像一个单词本中随机选取的一个单词的像素特征，该单词本中其他单词的像素特征赋特定值；然后从视频第2帧图像开始，将每帧图像中的对应的像素点对应地与初始图像中的像素点进行比较，求出相似度，当相似度满足要求则将该幅图像拷贝并将对应的像素点涂白，否则涂黑，每帧图像处理后都将初始图像更新，当视频所有帧图像都处理后，最后输出黑白色图像，其中白色部分即为视频中的运动物体。该方法运算速度快，检测结果的鲁棒性更高。
-
公开(公告)号：CN104699614A
公开(公告)日：2015-06-10
申请号：CN201510139774.7
申请日：2015-03-27
Applicant: 重庆大学
IPC: G06F11/36
Abstract: 本发明涉及一种软件缺陷组件预测的方法，该方法通过定义主题缺陷密度来兼顾源代码语义信息和历史缺陷信息，然后根据版本之间主题的关联信息进行缺陷组件预测，得到组件缺陷数目。本发明提供的方法简单有效，通过定义主题缺陷密度来兼顾源代码语义信息和历史缺陷信息，通过定义相似关系矩阵考虑不同版本间的主题关联信息，从而预测准确率高，可达77.8％，预测结果经过验证，预测精度也很高。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.027 seconds)
