-
公开(公告)号：CN116882453A
公开(公告)日：2023-10-13
申请号：CN202310679059.7
申请日：2023-06-09
Applicant: 桂林理工大学
IPC: G06N3/0464 , G06N3/048 , G06F18/23213
Abstract: 本发明公开了一种基于深度学习的问卷真实性认定方法，本发明从用户填写问卷的总时间，每道题的用时，每道题修改答案的次数以及用户做出的连续相同答复的题目数量数据中提取问卷特征，将问卷分为4个贫困等级并用one‑hot编码，将编码结果作为问卷类别标签。使用提取的特征和类别标签训练搭建好的神经网络模型。当需对问卷真实性做出判断时，提取用户填写问卷的总时间，每道题的用时，每道题修改答案的次数以及用户做出的连续相同答复的题目数量数据的特征，经过神经网络模型预测后得出问卷真实性类别。并将结果用于问卷真实性的辅助认定。
-
公开(公告)号：CN115190269A
公开(公告)日：2022-10-14
申请号：CN202210677028.3
申请日：2022-06-15
Applicant: 桂林理工大学
Abstract: 本发明公开了一种逃生通道占用监测方法。可以动态实时的自动监控逃生通道内的情况，防止发生安全通道被占用而导致的人员无法逃生等问题。具体按照以下步骤实施：步骤一、通过摄像头获取视频数据信息，步骤二、对视频数据简单的预处理，步骤三、检测逃生通道是否被占用，步骤四、如果发生占用则发送报警信息。解决了传统逃生通道占用监测方法需要人工检测，效率低等问题。
-
公开(公告)号：CN116881710A
公开(公告)日：2023-10-13
申请号：CN202310677241.9
申请日：2023-06-08
Applicant: 桂林理工大学
IPC: G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/0895
Abstract: 一种半监督图不平衡学习方法，用于处理不平衡的图神经网络数据。具体步骤包括获取数据、搭建分类网络、确定分类边界、选定边界样本并分配伪标签，以及迭代训练分类器。分类网络使用两层GCN网络进行图数据嵌入，并使用线性分类器输出分类概率。根据样本距离和分类器预测，将不同标签样本加入边界样本集。根据样本趋近于边界的程度，计算分类概率并分配伪标签。先训练有偏分类器，后每50轮选取伪标签构建平衡训练数据集，使用交叉熵损失更新分类器参数。最后，采用ADAM优化器训练，停止条件为一千次迭代没有更优结果。该方法有效处理半监督图不平衡学习问题，适用于各种图数据处理场景。
-
Patent Agency Ranking
公开(公告)号：CN116861959A
公开(公告)日：2023-10-10
申请号：CN202310685575.0
申请日：2023-06-09
Applicant: 桂林理工大学
IPC: G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于图拓扑的过采样方法。在该方法中为了能更好的解决图神经网络的数据特性带来的训练困难问题，本发明采用图拓扑的方法来解决，并利用图变分自编码器来解决过采样问题，首先获取不平衡的图数据，并搭建并训练图变分自编码器。然后，利用图变分自编码器的编码器和解码器的权重，构建生成对抗网络模型，并对其进行训练。在训练过程中，使用少数类标签和噪声作为网络输入，生成对应标签的少数类节点以及过采样节点的边。本发明能够有效的为不平衡图数据生成高质量的少数类节点，使不平衡图成为平衡图，并帮助分类器提高不平衡场景下的分类性能。
-
-
公开(公告)号：CN116668144A
公开(公告)日：2023-08-29
申请号：CN202310679574.5
申请日：2023-06-09
Applicant: 桂林理工大学
Abstract: 本发明公开了一种用于获取并加密绑定安卓设备信息的方法，其特征在于，通过提取用户安卓设备的多个静态硬件信息，包括硬件厂商、设备序列号、基带版本、MAC地址、SDK版本号以及移动设备识别码（MEID），并使用MD5加密算法对这些数据进行加密，加密后的数据将同其它数据上传至服务器。该方法通过加密用户设备信息保护了用户的隐私，同时又能够标识用户设备。
-
公开(公告)号：CN116612029A
公开(公告)日：2023-08-18
申请号：CN202310580960.9
申请日：2023-05-22
Applicant: 桂林理工大学
IPC: G06T5/00 , H04N23/951 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种基于时空特征融合和双向循环神经网络的视频去模糊方法，包括以下步骤S1：对模糊视频分成基本序列单元；S2：建视频去模糊模型包括前向单元、反向单元和时空特征融合重建模块；S3：计算输入的模糊视频和其对应清晰视频图像L1损失，反向传播训练去模糊模型；S4：输入模糊的视频到训练好的去模糊模型中，输出并保存生成的重建清晰视频。本发明提供一种基于循环神经网路框架构，对视频帧之间的时间序列特征进行双向建模；时空特征融合重建模块捕获相邻帧和当前帧的时间依赖关系，融合有效信息对当前帧进行重建。通过该方法，可以提高模型对相邻帧信息的利用效率，增强对输入视频特征表达和重构能力，提高视频的清晰度。
-
公开(公告)号：CN115035066A
公开(公告)日：2022-09-09
申请号：CN202210677029.8
申请日：2022-06-15
Applicant: 桂林理工大学
IPC: G06T7/00 , G06T7/60 , G06V10/26 , G06V10/28 , G06V10/30 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的链条形变检测方法，本发明首先利用安装在平台上的高清摄像头组，采集足够数量的链条图像训练集，训练一个基于深度卷积神经网络的语义分割模型。其次，当需要检测链条形变时，将实时拍摄的链条影像输入到训练好的语义分割模型中，分割出链条部分。最后，利用中心扩张算法来测量链条的尺寸信息。本发明可以有效检测出发生形变的某一节链条，对其进行定位，并记录其形变的大小。本发明具有准确度高，响应速度快的特点。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.012 seconds)
