-
公开(公告)号：CN112686039A
公开(公告)日：2021-04-20
申请号：CN202011598553.3
申请日：2020-12-29
Applicant: 东莞理工学院
IPC: G06F40/289 , G06F40/253 , G06N20/00
Abstract: 本发明公开了一种基于机器学习的文本特征提取方法，包括以下步骤，步骤一，系统初始化；步骤二，数据输入；步骤三，词性标注；步骤四，训练机器学习分块模型；步骤五，文本分块；步骤六，文本输出；所述步骤一中，SVO分块文本提取器的一侧外壁上设置有显示器，所述步骤二1)中，外部设备的数据可通过交互网络模块输入SVO分块文本提取器，所述步骤五2)中，SVO分块文本是语义上相关的标记组，该发明在非结构化文本中识别多个词性标记，并使用机器学习块模型从多个词性标记中确定多个SVO分块文本，机器学习分块模型在一个标注了主语‑动词‑宾语(SVO)的训练数据上进行训练，本发明降低了文本特征提取的时间成本，并且无须手动开发和更新规则。
-
公开(公告)号：CN115100740B
公开(公告)日：2024-04-05
申请号：CN202210675830.9
申请日：2022-06-15
IPC: G06V40/20 , G06V20/40 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/56 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种人体动作识别和意图理解方法、终端设备及存储介质，方法包括：建立基于非局部特征学习的视频序列时空信息的表示方法；设计能够实现多模态视频序列中层语义特征提取的卷积神经网络，利用注意力机制和跨模态特征交互学习策略对语义特征进行一致互补融合学习；在单动作识别模型基础上，进行动作多特征融合识别。本发明设计了多模态底层时空信息表示、动作判别性特征学习、动作序列识别和意图理解方法，可丰富人工智能领域中对人体行为理解的算法体系，可模块后的集成到现有的智能监控、人机交互等行业领域。
-
公开(公告)号：CN118862976A
公开(公告)日：2024-10-29
申请号：CN202410888494.5
申请日：2024-07-04
Applicant: 东莞理工学院
IPC: G06N3/049 , G06N3/0464 , G06N3/08 , G06N3/082 , G06N3/084
Abstract: 本发明涉及脉冲神经网络技术领域，具体地说，涉及一种脉冲神经网络的训练方法。其包括：对标准卷积神经网络进行剪裁，得到剪裁后的卷积神经网络；对剪裁后的卷积神经网络进行训练，获得具有较高精度的卷积神经网络，得到权重并保存；基于DNN‑to‑SNN转换方法，将具有较高精度的卷积神经网络转换为脉冲神经网络；基于通道的归一化方法对权重进行归一化；运行脉冲神经网络，基于时间步动态设定神经元阈值。本发明不仅解决了转换精度存在损失的问题，还解决了脉冲传输速率低、发射率低的问题。
-
公开(公告)号：CN117809365A
公开(公告)日：2024-04-02
申请号：CN202311680248.2
申请日：2023-12-08
Applicant: 东莞理工学院
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/049 , G06N3/09
Abstract: 本发明公开了一种基于脉冲神经网络的人体动作识别方法，具体包括以下步骤：步骤一、数据采集；步骤二、流积分；步骤三、模型搭建；步骤四、模型训练；步骤五、识别输出；本发明涉及人体动作识别技术领域。该基于脉冲神经网络的人体动作识别方法，通过利用动态视觉相机只拍摄运动物体的轨迹的特性，有效避免背景环境噪音的干扰，减少人体动作的关键数据丢失同时也保障了设计的脉冲神经网络模型能够充分利用有效数据，提升模型的鲁棒性和泛化能力，使用平方积分发放神经元，增大脉冲发放的概率，使用自连接有状态的突触机制，兼顾了模型的生物学的可解释性以及合理性，可用于人体体态姿势发生变化时的精准动作识别。
-
公开(公告)号：CN109771953A
公开(公告)日：2019-05-21
申请号：CN201910008635.9
申请日：2019-01-04
Applicant: 东莞理工学院
Abstract: 本发明涉及一种基于即时信息显示技术的3D格斗游戏系统，由Unity3D引擎、C#、NUGI插件搭建游戏基本架构，包括注册登录系统模块，个人信息系统模块，新手村系统模块，背包系统模块，商城系统模块，任务系统模块，技能系统模块，副本与战斗系统模块，各个模块内分别设有即时信息显示单元，本发明将即时信息技术与三维游戏结合，设计出一款全新的3D格斗游戏，玩家可在虚拟游戏内获得逼真的体验，提高玩家的新鲜感与刺激感，让人们在快节奏生活的当下压力得到释放。
-
Patent Agency Ranking
公开(公告)号：CN117152788B
公开(公告)日：2024-10-01
申请号：CN202310512443.8
申请日：2023-05-08
Applicant: 东莞理工学院
IPC: G06V40/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 本发明涉及骨架行为识别技术领域，涉及一种基于知识蒸馏与多任务自监督学习的骨架行为识别方法，包括：1)在数据预处理阶段，对采集到的骨架序列通过关节点级的身体分割，分为两个部分；2)在网络预训练阶段，设计出一种多任务自监督对比学习框架，多个任务通过编码网络分别提取特征表示信息，输入到跨任务双向知识蒸馏中，通过损失函数来调节样本间的相似度信息；同时保存权重参数；3)在网络微调阶段，根据权重参数对编码网络初始化，结合初始化的编码网络和微调分类网络，构建出动作识别模型；4)将待识别的骨架动作序列输入到训练完成的动作识别模型中，由微调分类网络输出分类预测结果。本发明能较佳地进行骨架行为识别。
-
公开(公告)号：CN118447569A
公开(公告)日：2024-08-06
申请号：CN202410510905.7
申请日：2024-04-26
Applicant: 东莞理工学院
IPC: G06V40/20 , G06N3/0464 , G06N3/0895 , G06T7/70 , G06F17/16 , G06T17/00
Abstract: 本发明涉及人体运动预测技术领域，具体地说，涉及一种基于弱监督的自适应增强交互图卷积3D人体运动预测方法。其包括使用算法来捕捉并完成三维骨架序列建模；通过弱监督学习的方法生成不同动作拼接形成数据集；加载拼接形成形成的数据集，做自适应调整；将自适应调整后的数据集增强交互与减枝；对训练后的数据集做提取特征操作，加强特征训练；得到最终的结果并通过3D骨架DeepCap可视化。本发明优化了数据预处理流程，减少了模型的计算复杂度，还实现了动作之间流畅自然的过渡，提高预测准确率。
-
公开(公告)号：CN117152788A
公开(公告)日：2023-12-01
申请号：CN202310512443.8
申请日：2023-05-08
Applicant: 东莞理工学院
IPC: G06V40/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 本发明涉及骨架行为识别技术领域，涉及一种基于知识蒸馏与多任务自监督学习的骨架行为识别方法，包括：1)在数据预处理阶段，对采集到的骨架序列通过关节点级的身体分割，分为两个部分；2)在网络预训练阶段，设计出一种多任务自监督对比学习框架，多个任务通过编码网络分别提取特征表示信息，输入到跨任务双向知识蒸馏中，通过损失函数来调节样本间的相似度信息；同时保存权重参数；3)在网络微调阶段，根据权重参数对编码网络初始化，结合初始化的编码网络和微调分类网络，构建出动作识别模型；4)将待识别的骨架动作序列输入到训练完成的动作识别模型中，由微调分类网络输出分类预测结果。本发明能较佳地进行骨架行为识别。
-
公开(公告)号：CN116976426A
公开(公告)日：2023-10-31
申请号：CN202310868509.7
申请日：2023-07-14
Applicant: 东莞理工学院
IPC: G06N3/0895 , G06N3/0442 , G06N3/045 , G06T7/285 , G06T7/207 , A61B5/11
Abstract: 本申请公开了一种基于弱监督与LSTM的3D运动预测方法及装置，其方法包括：获取被测对象的原始运动数据；对原始运动数据进行预处理，获得被测对象的原始运动时间序列；对原始运动时间序列进行弱监督学习，获得被测对象的历史运动时间序列；将历史运动时间序列输入预先训练的LSTM神经网络模型，获得被测对象的预测运动时间序列。本发明具有优点：(1)使用部分过渡动作序列进行3D运动预测，可有效降低数据获取的难度；(2)利用长短期记忆网络捕捉人体运动序列的时空依赖关系，提高了3D人体运动的预测精度；(3)所需计算资源与传统的基于全监督学习的3D运动预测方法相比更低，可以在多种场景下应用。
-
公开(公告)号：CN115100740A
公开(公告)日：2022-09-23
申请号：CN202210675830.9
申请日：2022-06-15
Abstract: 本发明提供了一种人体动作识别和意图理解方法、终端设备及存储介质，方法包括：建立基于非局部特征学习的视频序列时空信息的表示方法；设计能够实现多模态视频序列中层语义特征提取的卷积神经网络，利用注意力机制和跨模态特征交互学习策略对语义特征进行一致互补融合学习；在单动作识别模型基础上，进行动作多特征融合识别。本发明设计了多模态底层时空信息表示、动作判别性特征学习、动作序列识别和意图理解方法，可丰富人工智能领域中对人体行为理解的算法体系，可模块后的集成到现有的智能监控、人机交互等行业领域。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
