基于树莓派的表情识别课堂评估教学辅助系统

    公开(公告)号:CN115648839A

    公开(公告)日:2023-01-31

    申请号:CN202211556401.6

    申请日:2022-12-06

    Abstract: 本发明公开了基于树莓派的表情识别课堂评估教学辅助系统,包括框架,所述框架的上表面固定连接有支架,所述支架远离框架的一端安装有可旋转的摄像头,所述框架的两侧面均固定连接有安装板,所述框架的内部设置有可滑动的黑板和可滑动的方形板,所述黑板和方形板相互靠近的一面均固定连接有齿板,此基于树莓派的表情识别课堂评估教学辅助系统,通过摄像头、安装板、显示屏、排线机构、方形板和线路板之间的配合,首使每个学生和老师均可通过网页查看自己的课程评估报告和听课状况,同时在摄像头的作用下也能够及时的了解学生在课堂上是否玩手机、上网和睡觉等,实现了能够及时的对课堂进行检测,且能够评估课堂学习质量的目的。

    道路网络中基于RRN-Tree的移动对象CKNN查询方法

    公开(公告)号:CN103544291B

    公开(公告)日:2016-05-18

    申请号:CN201310520592.5

    申请日:2013-10-29

    Abstract: 道路网络中基于RRN-Tree的移动对象CKNN查询方法,涉及一种数据查询方法。为了解决现有采用索引结构对道路网络段进行索引,将道路网络建模为有向/无向图,基于内存数据结构处理最近邻查询请求,但是当道路网络数据量较大、路段较多时,查询效率急剧降低;并且,基于图的建模方式,无法反映出移动对象在十字路口的转向关系,无法解决具有十字路口转向和U型转弯约束的复杂道路网络最近邻查询的问题。它提出RRN-Tree索引结构,对道路网络及兴趣点对象进行索引,同时在索引结构中为路径上的交叉点建立邻接链表,存储十字路口处各路段之间的连接关系,从而完成复杂约束条件下道路网络CKNN查询。用于道路网络CKNN查询。

    一种基于深度迁移学习模型的蘑菇识别方法

    公开(公告)号:CN111611924B

    公开(公告)日:2022-03-25

    申请号:CN202010437569.X

    申请日:2020-05-21

    Abstract: 本发明公开了一种基于深度迁移学习模型的蘑菇识别方法,将基于深度学习的迁移学习与蘑菇识别相融合,通过迁移学习经典模型后,挑选精确率最高模型并对其进行模型调整,提取图像数据中的向量特征得到识别结果。本发明保留图像背景等环境因素实验得到95.1%的精确率,同时通过混合矩阵图像说明了对于每类蘑菇识别率均达到了较高的水平,可以说明迁移学习对不同复杂环境处理,模型鲁棒性强的优势。本发明对提取特征进行不同维度的数据降维处理,同时引入多种机器学习方法进行分类。从训练模型时间参数与验证集精确率参数对结果进行对比分析,保证了实验对比的多样性与图像识别的可靠性。

    一种基于对抗网络的冗余去除主动学习方法

    公开(公告)号:CN112488147A

    公开(公告)日:2021-03-12

    申请号:CN202011203052.0

    申请日:2020-11-02

    Abstract: 本发明涉及一种基于对抗网络的冗余去除主动学习方法。包括如下步骤:1:把标记数据和未标记数据输入到表示生成器中,表示生成器为每个样本生成特征表示;2:鉴别器在损失预测模块的指导下预测未标记样本的状态值;3:把未标记样本依据预测值的降序排列为[x1,x2,x3,…],然后把此序列输入到冗余去除模块进行样本选择,最终得到需要标记的样本组合,在每次迭代结束后,对任务模型和整个主动学习模型进行更新训练。本发明在主动学习模型中设置了对抗学习机制,使生成特征表示的生成器与状态鉴别器进行对抗训练。本发明还设计了冗余去除模块,其以判别器预测的状态值为基础,依据特征距离去除冗余样本,以减少人工标记成本。

    道路网络中基于RRN-Tree的移动对象CKNN查询方法

    公开(公告)号:CN103544291A

    公开(公告)日:2014-01-29

    申请号:CN201310520592.5

    申请日:2013-10-29

    CPC classification number: G06F17/30241 G06F17/3087

    Abstract: 道路网络中基于RRN-Tree的移动对象CKNN查询方法,涉及一种数据查询方法。为了解决现有采用索引结构对道路网络段进行索引,将道路网络建模为有向/无向图,基于内存数据结构处理最近邻查询请求,但是当道路网络数据量较大、路段较多时,查询效率急剧降低;并且,基于图的建模方式,无法反映出移动对象在十字路口的转向关系,无法解决具有十字路口转向和U型转弯约束的复杂道路网络最近邻查询的问题。它提出RRN-Tree索引结构,对道路网络及兴趣点对象进行索引,同时在索引结构中为路径上的交叉点建立邻接链表,存储十字路口处各路段之间的连接关系,从而完成复杂约束条件下道路网络CKNN查询。用于道路网络CKNN查询。

    基于深度学习的多源地理信息知识图谱自动构建方法

    公开(公告)号:CN115129894A

    公开(公告)日:2022-09-30

    申请号:CN202210790862.3

    申请日:2022-07-05

    Abstract: 本发明公开了一种基于深度学习的多源地理信息知识图谱自动构建方法,包括:设计地理知识图谱、地理实体、地理语料库的存储结构;通过网络百科全书和地理数据库构建地理知识图谱的数据来源。提取网络百科全书和/或地理数据库的信息存储至地理实体结构。如果网络百科全书和地理数据库的实体结构同时描述,但信息记录内容不完全一致,则认为地理数据库中的信息比较准确,采用地理数据库中的信息为准,对齐形成地理实体节点。模型预测地理节点和候选地理实体是否代表同一真实世界实体,并为预测提供置信度评分。最后,节点从正分类候选对中选择具有最高置信度的地理实体建立正确身份链接。本发明的优点是:提高信息的准确性,节省了人力成本。

    一种基于深度迁移学习模型的蘑菇识别方法

    公开(公告)号:CN111611924A

    公开(公告)日:2020-09-01

    申请号:CN202010437569.X

    申请日:2020-05-21

    Abstract: 本发明公开了一种基于深度迁移学习模型的蘑菇识别方法,将基于深度学习的迁移学习与蘑菇识别相融合,通过迁移学习经典模型后,挑选精确率最高模型并对其进行模型调整,提取图像数据中的向量特征得到识别结果。本发明保留图像背景等环境因素实验得到95.1%的精确率,同时通过混合矩阵图像说明了对于每类蘑菇识别率均达到了较高的水平,可以说明迁移学习对不同复杂环境处理,模型鲁棒性强的优势。本发明对提取特征进行不同维度的数据降维处理,同时引入多种机器学习方法进行分类。从训练模型时间参数与验证集精确率参数对结果进行对比分析,保证了实验对比的多样性与图像识别的可靠性。

    一种基于YOLOv8的复杂环境中鸟类小目标检测方法

    公开(公告)号:CN118799725A

    公开(公告)日:2024-10-18

    申请号:CN202410775898.3

    申请日:2024-06-17

    Abstract: 本发明涉及计算机视觉与生态监测技术领域,公开了一种基于YOLOv8的复杂环境中鸟类小目标检测方法,该方法通过在YOLOv8的卷积模块中引入感受野注意力(Receptive FieldAttention,RFA)和坐标注意力(CoordinateAttention,CA)机制,优化了注意力权重在感受野特征中的共享,并增强了对远距离信息的处理能力。此外,提出了具有长程依赖性和自适应能力的SPPF‑LSKA模块,有效减少湿地复杂背景对鸟类检测的干扰。进一步的,使用改进的BiFPN‑P2D结构连接P2特征层进行特征融合,增强了跨尺度特征的融合效果。在上采样阶段,引入内容感知特征重组模块,加强对小目标显著语义信息的关注。实验结果表明,本发明在湿地复杂环境中进行鸟类目标检测的有效性及其广泛的应用前景。

    地理信息知识图谱推荐系统及其推荐方法

    公开(公告)号:CN115186201A

    公开(公告)日:2022-10-14

    申请号:CN202210789862.1

    申请日:2022-07-05

    Abstract: 本发明公开了一种地理信息知识图谱推荐系统及其推荐方法,包括:在输入层中需要获得两种知识图谱:当前用户兴趣交互项目知识图谱和当前用户交互项目所处环境的地理知识图谱。为了从两个知识图谱中学习不同的信息,使用独热编码将两个知识图谱中的信息映射到两个不同的空间。图卷积模块学习得到两个数据的高维特征,在反事实学习模块中融合两个数据库的信息,实现了数据推荐工作。本发明的优点是:可以充分融合并利用地理知识图谱和用户‑项目知识图谱的有效知识,有效改善用户体验和服务质量。

Patent Agency Ranking