-
公开(公告)号：CN114529939B
公开(公告)日：2024-08-06
申请号：CN202210047848.4
申请日：2022-01-17
Applicant: 华南理工大学
IPC: G06V40/10 , G06V10/762 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于毫米波雷达点云聚类和深度学习的行人识别方法，包括：1)对毫米波雷达采集的原始点云数据进行点云聚类的预处理；2)使用预处理的点云数据训练由空间特征提取模块、注意力模块、时间特征提取模块组成的深度学习网络模型，再输入待测数据，得到行人识别的结果；其中，使用PointNet++网络作为空间特征提取模块，批次提取每帧点云的空间特征；使用注意力模块衡量每一帧提取到的空间特征并对空间特征向量加权；使用两个堆叠的长短期记忆网络作为时间特征提取模块。本发明使用毫米波雷达采集的点云数据，在深度学习网络中提取点云的空间特征和时间特征并加入注意力模块，更好地提取不同特征通道之间更深层次的关系特征，提高识别准确度。
-
公开(公告)号：CN118115807A
公开(公告)日：2024-05-31
申请号：CN202410292889.9
申请日：2024-03-14
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N20/20 , G06N3/048 , G06N3/082 , G06T7/00
Abstract: 本发明公开了一种多模态磁共振成像数据分析系统，包括：数据导入模块，用于采集多模态磁共振成像数据，并对数据进行预处理；智能识别训练模块，基于优化算法利用数据导入模块预处理后的数据训练机器学习模型和深度学习模型，再利用集成学习将训练好的机器学习模型和深度学习模型融合，构建所需的集成学习分类模型；智能识别预测模块，基于集成学习分类模型对待测的多模态磁共振成像数据进行疾病预测；预测结果解释模块，用于依据预测结果进行特征重要性解释以及特征交互测试。本发明将机器学习技术与不同模态磁共振成像数据结合，充分捕获不同模态磁共振成像间的异构与互补特性，从而提高模型的预测性能和可解释性。
-
公开(公告)号：CN118070152A
公开(公告)日：2024-05-24
申请号：CN202410264944.3
申请日：2024-03-08
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向图深度学习模型的模型级解释图生成方法，该方法拓展了遗传算法框架以实现多样化解释图的生成，该拓展是针对简单遗传算法的种群初始化、染色体编码、适应度函数和遗传算子等模块的重新设计，以实现在全局图模式空间中对一组最佳图模式的迭代搜索；并结合小生境技术以保证生成模型级解释图的多样性，这有效鼓励种群充分探索解释图空间的同时优化多个图模式，以促进发现一组不同的高质量解释图。本发明通过探索图分类预测机的分类预测行为相关的潜在分布来揭示一组判别性且多样的图模式，帮助用户理解哪些关键节点及其连接模式如何影响模型的决策，以适应具有复杂规范和模式定义的广泛图数据并生成忠实且全面的解释。
-
公开(公告)号：CN114219757B
公开(公告)日：2024-05-10
申请号：CN202111311347.4
申请日：2021-11-08
Applicant: 华南理工大学
IPC: G06T7/00 , G06T7/73 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于改进Mask R‑CNN的车辆智能定损方法，包括：S1、对车辆损伤图片进行损伤类型标注和零部件标注后，制作成coco格式的标注数据集，并划分有训练集和测试集；S2、构建多检测模型，为改进的Mask R‑CNN；其中改进包括将特征提取网络部分的3*3卷积更换为DCNv2、将插值上采样方法更换为CARAFE采样方法、在RPN网络后面增加一个零部件分类的分支及将检测头部中用于边框回归的全连接头部更换为卷积头部；S3、将训练集送入多检测模型训练，得到权重文件；S4、基于权重文件对损伤车辆图片进行检测，得到最终的定损图片。本发明在使用一个模型的基础上可以同步输出损伤类型和零部件类型，十分高效和简洁，且通过改进提升模型的准确率和召回率。
-
公开(公告)号：CN117950803A
公开(公告)日：2024-04-30
申请号：CN202410127702.X
申请日：2024-01-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种算网协同感知的数据中心容器调度仿真系统，包括：数据中心模块，用于加载仿真参数，据此对数据中心主机、工作负载建模；网络仿真模块，用于构建动态数据中心网络，利用网络仿真工具创建数据中心网络拓扑、监测网络延迟、模拟网络流量传输；容器调度模块，用于依据容器调度和迁移策略，将容器部署到主机或迁移到新的主机；离散事件驱动模块，利用离散事件仿真库对数据中心容器调度中的离散事件建模，并控制仿真流程的执行与结束；数据收集与分析模块，用于收集仿真流程中的指标数据，生成分析报告和可视化结果。本发明提供异构算力调度和动态网络环境仿真，帮助研究人员深入分析容器调度问题，优化资源利用率、改善性能。
-
Patent Agency Ranking
公开(公告)号：CN114359717B
公开(公告)日：2023-04-25
申请号：CN202111552869.3
申请日：2021-12-17
Applicant: 华南理工大学
IPC: G06V20/10 , G06V10/26 , G06V10/46 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多视角相关性深度学习的车辆损伤识别方法，包括1)获取带标签的远、近景车辆损伤图片；2)使用孪生的深度卷积神经网络对远、近景车辆损伤图片进行图像特征提取；3)使用区域建议网络处理图像特征，获取区域建议框，并将区域建议框所对应的图像特征都转化为相同大小；4)构建关系模型提取区域建议框之间的关系特征，并与对应的区域建议框图像特征进行融合；5)对区域建议框的融合特征进行处理，得到车辆损伤识别结果。本发明首次使用孪生的深度卷积神经网络提取远、近景车辆损伤图片的图像特征，并首次将关系模型用于提取远景车辆损伤图片中零件区域和近景车辆损伤图片中损伤区域间的关系信息，提高了车损识别精度。
-
公开(公告)号：CN113886101B
公开(公告)日：2023-04-21
申请号：CN202111133335.7
申请日：2021-09-27
Applicant: 华南理工大学
IPC: G06F9/54 , G06F16/27 , G06F16/2458 , G06Q40/04 , G06F21/60
Abstract: 本发明公开了一种基于区块链技术的大数据共享并存证的方法，包括：从外部数据源收集大数据；对收集的大数据信息，进行实时在线分析，检测信息的共享需求和存证需求；对需要共享的数据，添加信息及描述；根据需要共享的数据的实时性需求进行数据分发；对需要存证上传的原始数据添加相关信息及描述，将数据存入分布式数据存储系统，并进行区块链存证；对需要存证校验的原始数据查询存证信息，下载存证数据并进行对比。本发明对共享的大数据进行订阅分发、分布式存储和基于区块链的存证，提供高效的、不可篡改的数据共享。
-
公开(公告)号：CN113052825B
公开(公告)日：2023-04-21
申请号：CN202110333748.3
申请日：2021-03-29
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于GPU并行加速的实时三维变形测量方法，包括以下步骤：1)通过立体标定获得投影矩阵；2)拍摄物体变形前后的图像；3)选择兴趣区域和兴趣点；4)传输投影矩阵、图像和兴趣点到GPU；5)计算兴趣点变形前的三维坐标；6)计算兴趣点在变形中各个时刻的三维变形；7)将三维变形数据传输回CPU。该方法通过将变形前左相机图像作为所有匹配中的参考图像，从而兴趣点对应的Hessian矩阵等IC‑GN预计算的数据得以复用；基于CUDA异构计算平台开发的GPU加速变形测量程序可以发挥GPU硬件设备的计算性能，针对GPU程序的访存等优化技术使得三维变形测量的计算速度大大提高，满足了实时三维变形测量的需求。
-
公开(公告)号：CN113313232B
公开(公告)日：2023-02-14
申请号：CN202110545947.0
申请日：2021-05-19
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于预训练和图神经网络的功能脑网络分类方法，包括步骤：1)获取fMRI数据，并进行预处理；2)对fMRI数据进行大脑区域划分并提取特征，以图的形式构建功能脑网络；3)将无标签的的功能脑网络输入节点编码层训练；4)通过节点信息聚合网络训练；5)将步骤3)和4)的输出通过边关系预测网络训练；6)将带标签的功能脑网络数据输入步骤3)训练后的节点编码层训练；7)在步骤4)训练后的节点信息聚合网络中进行训练；8)通过功能脑网络分类模型，进行训练和分类。本发明利用大量无标签脑网络数据，通过对图神经网络的预训练，使完成预训练的网络只需在少量标签数据上训练即可适应下游的功能脑网络分类任务。
-
公开(公告)号：CN112566255B
公开(公告)日：2022-11-18
申请号：CN202011353715.7
申请日：2020-11-26
Applicant: 华南理工大学
Abstract: 本发明公开了一种加权哈夫曼树、主用户信道分配方法和次级用户信道感知方法。加权哈夫曼树是在哈夫曼树的基础上，为所有结点及分支新增了一种权重属性，为所有分支新增了一种占用状态的属性，基于加权哈夫曼树，对主用户信道分配和次级用户的信道感知进行联合优化。对于交织型访问模式下的认知通信系统，本发明能够在给定带宽损失的约束条件下，最小化次级用户的平均感知次数，提升次级用户的信道感知效率。
-
-
-
-
-
-
-
-
-
Search Results
153
records
(took 0.027 seconds)
