-
公开(公告)号：CN119254644A
公开(公告)日：2025-01-03
申请号：CN202411399815.1
申请日：2024-10-09
Applicant: 新疆大学
IPC: H04L41/147 , H04L41/16 , H04L41/0894 , H04L47/83 , H04L47/70 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种面向网络业务平台的业务量数据预测方法和装置，方法包括：基于编码器DSTCN提取多变量时间序列特征；引入Self‑attention，对编码器DSTCN输出的多变量时间序列特征进行提取、并融合时间步特征和变量特征，对编码器DSTCN输出的对网络业务平台业务量数据集提取的时间步特征与变量特征增加权重；使用BIGRU网络模型构建解码器BIGRU，融合Self‑attention输出特征获得预测结果；以网络业务平台业务量数据集作为模型输入，利用粒子群优化PSO对模型进行模型训练及参数调优，确定最优的编码器和解码器层数，以获得网络业务平台业务量预测结果。装置包括：处理器和存储器。
-
公开(公告)号：CN119206861A
公开(公告)日：2024-12-27
申请号：CN202411247978.8
申请日：2024-09-06
Applicant: 新疆大学
IPC: G06V40/20 , G06V20/40 , G06V10/40 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0455 , G06N3/0442 , G06V10/766
Abstract: 本发明涉及一种姿态特征和回归任务辅助的细粒度学生课堂行为识别方法，属于计算机视觉领域。本发明首先定义了26种学生细粒度课堂行为，针对学生课堂行为动作细腻、不同学生的行为存在关联性的特点，提取了关节角度、姿态等5种特征，采用Transformers架构自动分析不同学生的行为之间的关联性，并以姿态回归任务作为辅助，构建了学生课堂行为识别深度学习模型。通过输入学生视频多维度特征，实现对视频中每个学生所发生的一种或多种行为的识别。本发明提出的学生细粒度课堂行为识别方法对于智慧教育研究领域具有重要意义，并且，所构建的行为识别模型在本发明的数据集上和公开行为识别数据集上都取得了与基线模型相近或者更高的识别精度。
-
公开(公告)号：CN119418267A
公开(公告)日：2025-02-11
申请号：CN202411437004.6
申请日：2024-10-15
Applicant: 新疆大学
Abstract: 本发明公开了一种用于多场景下杂草检测方法及装置，方法包括：采集并标记不同场景下的杂草数据，并构建数据集，继而进行数据集评估；将重参数化大卷积核特征提取‑融合模块、空间金字塔池化网络、DySample上采样器与通用高效层聚合网络相结合，建立起重参数化特征提取检测网络；基于重参数化特征提取检测网络对多场景下杂草进行检测。装置包括：处理器和存储器。本发明既能提高杂草检测的性能，又能降低模型大小，对于智慧农业中杂草检测边缘设备的实地部署检测效果显著。
-
公开(公告)号：CN119251813A
公开(公告)日：2025-01-03
申请号：CN202411275428.7
申请日：2024-09-12
Applicant: 新疆大学
IPC: G06V20/60 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明涉及一种基于多层上下文特征筛选的棉花叶部病害识别方法及系统，属于计算机视觉领域。基于ConvNeXt的棉花叶部病害识别方法，构建了棉花叶部病害数据集，建立了可以识别棉花轮纹斑病、褐斑病、角斑病、黄萎病、枯萎病、炭疽病、白粉病并返回预警信息及防治措施的系统。本发明提出的方法以ConvNeXt网络为骨干网络，增加了特征增强模块，提高了棉花叶片不同区域特征之间的对比度，并在此基础上，引入了多层上下文信息引导的特征筛选的特征筛选注意力机制，实现了更有效的特征筛选，实验表明，本发明提出的网络模型相比原ConvNeXt网络的识别准确率提升了4.1%。
-
公开(公告)号：CN115187312A
公开(公告)日：2022-10-14
申请号：CN202210931243.1
申请日：2022-08-04
Applicant: 新疆大学
Abstract: 本发明涉及一种基于深度学习的客户流失预测方法及系统，属于人工智能领域。通过用户在电商平台使用的相关用户日志，抽取相关属性，构建用户行为特征信息。根据用户流失原因构建了多个维度的用户行为特征，使用皮尔逊系数与卡方检验法确定最终用户特征。针对用户兴趣变化和用户全局行为习惯对流失预测不同的影响，提出了用户动静态融合策略。搭建XGB‑LGCNN预测模型，利用分类器模型进行用户流失预测。解决了传统机器学习方法在预测用户流失概率时效率低、不准确的问题。能够准确判断用户流失的概率，提高流失判断精度，降低人工盲目验证及统计的成本。
-
Patent Agency Ranking
公开(公告)号：CN119397471A
公开(公告)日：2025-02-07
申请号：CN202411443956.9
申请日：2024-10-16
Applicant: 新疆大学
Abstract: 本发明公开了一种基于多模态表征融合的网络平台用户情感识别方法及装置，方法包括：单模态的高级语义表示通过一致性与差异性表征模块获得模态一致性表征与模态差异性表征；差异性滤波器通过门控的方式滤除模态差异性表征中负面的、冗余的噪声信息；互补性表征模块以滤波后的模态差异性为引导信息，通过多式联运和注意力机制生成多模态互补性表征；将平台用户信息作为一种额外的先验信息嵌入到融合层中；采用通用融合层结构自适应的融合模态一致性表征、模态差异性表征、模态互补性表征以及用户信息以生成全局语义表示；最后将全局语义表示通过分类器输出平台用户的情感状态，网络平台根据用户的情感状态促进平台用户体验的优化。装置包括：处理器和存储器。
-
公开(公告)号：CN119380267A
公开(公告)日：2025-01-28
申请号：CN202411399821.7
申请日：2024-10-09
Applicant: 新疆大学
IPC: G06V20/52 , G06V10/80 , G06V10/82 , G06V10/766 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/08
Abstract: 本发明公开了一种绿色注意力和联合特征融合的田间杂草检测方法及装置，方法包括：设计绿色注意力机制，用于增强杂草部分的关注度，并弱化非目标区域；设计自适应联合特征融合方式用于加权双向特征金字塔融合架构，将底层的杂草颜色、纹理特征和高层语义信息结合相起来，提取杂草的个性化特征；使用dyhead模块设计解耦头在尺度感知注意力、空间感知注意力与任务感知注意力三者上实现统一；使用特征内容感知重组聚集大感受野内的上下文信息，并根据实例内容动态生成自适应内核；使用动态任务对齐策略和分布焦点损失预测杂草的回归框和正样本匹配；对田间杂草进行检测。装置包括：处理器和存储器。本发明更适合真实田间的杂草条件，具有更高的检测精度。
-
公开(公告)号：CN119048463A
公开(公告)日：2024-11-29
申请号：CN202411140469.5
申请日：2024-08-20
Applicant: 新疆大学
IPC: G06T7/00 , G06T5/70 , G06T5/50 , G06V10/762
Abstract: 本发明公开了一种雾天宽视场视频图像变化检测方法及装置，方法包括：基于颜色衰减先验对单幅图像进行去雾，获取去雾后的清晰图像；通过反正切比算子和极值像素比算子对去雾后的清晰图像进行处理，分别得到两幅差异图；结合图像能量特征和拉普拉斯金字塔对获取的两幅差异图像进行自适应融合得到融合后的差异图并结合中值滤波进一步去噪；对去噪后的融合差异图像进行去均值归一化操作，压缩传感器噪声引起的变化与未变化像素之间的差异得到最终差异图；基于像素最邻近关系初始化聚类原型的EN‑K‑Means聚类算法对最终差异图进行聚类分析得到最终的二值图像。装置包括：处理器和存储器。本发明可以有效减少误报警情况发生。
-
公开(公告)号：CN118918881A
公开(公告)日：2024-11-08
申请号：CN202410893063.8
申请日：2024-07-04
Applicant: 新疆大学
Abstract: 本发明涉及一种具有复杂情感表现力的语音识别模型设计方法，属于人工智能技术领域。利用表情符号表示语音体现的情感，将语音转化为对应的文字和一个符合其情感的表情符号。首先构建一个基于表情符号的具有复杂情感表现力的语音识别数据集；在此基础上，将语音的文字和情感识别作为一个整体，构建一个同时生成语音文字及其情感序列的模型，该模型以Conformer模块作为骨干模块，增加了特征提取模块和语音文本融合模块，并将表情符号的生成扩散到全部词汇的生成过程中，最后利用标签平滑正则化强化训练效果，具有参数量少、能表示语音复杂情感、准确率比现有语音识别和情感识别模型分别高了1%和3%左右等优点。
-
公开(公告)号：CN118711111A
公开(公告)日：2024-09-27
申请号：CN202410935344.5
申请日：2024-07-12
Applicant: 新疆大学
IPC: G06V20/40 , G06V40/16 , G06V40/20 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于两种特征的课堂学生高投入片段提取方法，属于计算机视觉领域。构建了一个课堂学生高投入片段视频数据集，针对学生在高投入时刻的动作和表情的特点，能够自动提取一段视频中学生的高投入片段的机器学习模型。采用C3D网络提取视频动作特征，并对YOLOv5模型提取的人脸表情框采用预训练的ResNet模型提取人脸表情特征，最后将视觉动作特征和人脸表情特征融合送入高投入片段提取模块，该模块融合了基于锚点和基于边界的方法，计算量少，能够生成边界灵活的高投入片段。首次定义了课堂学生高投入片段提取任务，并基于构建的数据集和模型实现了学生在课堂上的高投入片段的提取，这对于教学评估和学生学习兴趣发现有重要意义。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.02 seconds)
