-
公开(公告)号：CN117667360B
公开(公告)日：2024-04-16
申请号：CN202410130270.8
申请日：2024-01-31
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种面向大模型任务的计算与通信融合的智能算网调度方法，属于数据处理技术领域，具体包括：建立调度优化目标函数；设计深度强化学习环境，将调度优化目标函数设计为奖励函数，并构成马尔科夫过程；对当前大模型任务提取状态特征；深度强化学习的智能体根据时序特征和状态特征做出调度策略；由奖励函数计算预测奖励值；大模型任务在计算节点上执行结束后，得到完整的马尔可夫过程存入经验池；构造分层经验池，对多头注意力层和预测网络进行联合训练，以及，根据预测反馈计算预测奖励构成新的马尔可夫过程对多头注意力层和Q网络进行联合训练。通过本发明的方案，提高了对大模型任务的调度效率、精准度和适应性。
-
公开(公告)号：CN118395391B
公开(公告)日：2024-11-22
申请号：CN202410859541.3
申请日：2024-06-28
Applicant: 湘江实验室
IPC: G06F18/25 , G06F18/213
Abstract: 本申请涉及数据融合技术领域，提供了一种多模态数据融合方法及设备。该方法包括：获取多种模态的模态数据；利用模态对应的特征提取模块对模态数据进行特征提取得到模态特征；利用桥梁令牌对所有模态特征进行拼接获取拼接特征；利用特征融合模块对每个拼接特征进行融合得到融合特征；基于所有参数构建损失函数；基于模态的模态数据的数量，计算模态的单模态性能值，并基于所有单模态性能值获取模态的参数更新公式；根据损失函数和所有模态的参数更新公式，对所有特征提取模块和特征融合模块进行优化；利用所有优化后的特征提取模块和优化后的特征融合模块对模态数据进行融合得到最终融合特征。本申请的方法能够提高多模态数据融合的效率。
-
公开(公告)号：CN118521496B
公开(公告)日：2024-09-27
申请号：CN202410974894.8
申请日：2024-07-19
Applicant: 湘江实验室
IPC: G06T5/60 , G06T5/70 , G06T5/73 , G06N3/0455 , G06N3/0464 , G06N3/0475
Abstract: 本申请适用于图像去雾技术领域，提供了一种基于扩散模型的图像去雾方法、装置、设备及介质，方法包括：将有雾图像输入基于深度学习的图像去雾模型进行去雾处理，得到传输图；将传输图输入物理去雾模型进行去雾处理，得到伪去雾图像；将伪去雾图像输入扩散模型进行去雾处理，得到去雾图像；扩散模型利用改进的Unet降噪网络进行降噪，改进的Unet降噪网络在降噪过程中利用传输图进行指导；改进的Unet降噪模型包括下采样模块、传输模块和上采样模块，下采样模块用于提取输入图像的特征图，传输模块用于利用特征图和传输图得到指导图，上采样模块用于利用指导图和残差连接操作对特征图进行重构得到去雾图像。本申请能提升图像去雾效果。
-
公开(公告)号：CN118521496A
公开(公告)日：2024-08-20
申请号：CN202410974894.8
申请日：2024-07-19
Applicant: 湘江实验室
IPC: G06T5/60 , G06T5/70 , G06T5/73 , G06N3/0455 , G06N3/0464 , G06N3/0475
Abstract: 本申请适用于图像去雾技术领域，提供了一种基于扩散模型的图像去雾方法、装置、设备及介质，方法包括：将有雾图像输入基于深度学习的图像去雾模型进行去雾处理，得到传输图；将传输图输入物理去雾模型进行去雾处理，得到伪去雾图像；将伪去雾图像输入扩散模型进行去雾处理，得到去雾图像；扩散模型利用改进的Unet降噪网络进行降噪，改进的Unet降噪网络在降噪过程中利用传输图进行指导；改进的Unet降噪模型包括下采样模块、传输模块和上采样模块，下采样模块用于提取输入图像的特征图，传输模块用于利用特征图和传输图得到指导图，上采样模块用于利用指导图和残差连接操作对特征图进行重构得到去雾图像。本申请能提升图像去雾效果。
-
公开(公告)号：CN117456736B
公开(公告)日：2024-03-12
申请号：CN202311782907.3
申请日：2023-12-22
Applicant: 湘江实验室
IPC: G08G1/01 , G08G1/065 , G06N3/0464 , G06F16/9537 , G06F18/25
Abstract: 本发明实施例中提供了一种基于多尺度时空动态交互网络的交通流量预测方法，属于交通控制系统技术领域，具体包括：步骤1，获取城市路网中的历史交通流数据并进行数据预处理；步骤2，获取不同时间尺度下的静态依赖关系，以及，模拟时间维度和空间维度的信息在目标交通路网结构上传播对应的特性，得到时间参数和空间参数；步骤3，得到每个时间尺度下的时空特征；步骤4，将每个时间尺度下的时空特征聚合并利用Huber损失函数构建交通流预测模型；步骤5，利用训练集数据进行预设轮次的梯度下降，更新模型参数，直到模型收敛，得到目标预测模型对目标交通路网的交通流量进行预测。通过本发明的方案，提高了预测效率、精准度和适应性。
-
Patent Agency Ranking
公开(公告)号：CN117456736A
公开(公告)日：2024-01-26
申请号：CN202311782907.3
申请日：2023-12-22
Applicant: 湘江实验室
IPC: G08G1/01 , G08G1/065 , G06N3/0464 , G06F16/9537 , G06F18/25
Abstract: 本发明实施例中提供了一种基于多尺度时空动态交互网络的交通流量预测方法，属于交通控制系统技术领域，具体包括：步骤1，获取城市路网中的历史交通流数据并进行数据预处理；步骤2，获取不同时间尺度下的静态依赖关系，以及，模拟时间维度和空间维度的信息在目标交通路网结构上传播对应的特性，得到时间参数和空间参数；步骤3，得到每个时间尺度下的时空特征；步骤4，将每个时间尺度下的时空特征聚合并利用Huber损失函数构建交通流预测模型；步骤5，利用训练集数据进行预设轮次的梯度下降，更新模型参数，直到模型收敛，得到目标预测模型对目标交通路网的交通流量进行预测。通过本发明的方案，提高了预测效率、精准度和适应性。
-
公开(公告)号：CN118097782B
公开(公告)日：2024-10-29
申请号：CN202410228612.X
申请日：2024-02-29
Applicant: 湘江实验室
Abstract: 本申请适用于行为识别技术领域，提供了一种基于多模态的员工行为识别方法、装置、设备及介质。该方法包括：获取当前RGB图像、当前姿势信息，以及T个时刻的定位信息；利用图像特征提取模型对当前RGB图像进行特征提取得到图像特征；根据当前姿势信息利用姿势信息处理模型获取姿势邻接矩阵；利用定位特征提取模型对定位信息进行特征提取得到定位特征；对三个模型进行优化；利用优化后的模型分别获取待识别员工的最终图像特征、最终姿势邻接矩阵和最终定位特征；将最终图像特征、最终定位特征和最终姿势邻接矩阵融合得到融合特征；利用目标检测算法对融合特征进行识别，得到行为识别结果。本申请的方法能够提高行为识别结果的精确度。
-
公开(公告)号：CN118395391A
公开(公告)日：2024-07-26
申请号：CN202410859541.3
申请日：2024-06-28
Applicant: 湘江实验室
IPC: G06F18/25 , G06F18/213
Abstract: 本申请涉及数据融合技术领域，提供了一种多模态数据融合方法及设备。该方法包括：获取多种模态的模态数据；利用模态对应的特征提取模块对模态数据进行特征提取得到模态特征；利用桥梁令牌对所有模态特征进行拼接获取拼接特征；利用特征融合模块对每个拼接特征进行融合得到融合特征；基于所有参数构建损失函数；基于模态的模态数据的数量，计算模态的单模态性能值，并基于所有单模态性能值获取模态的参数更新公式；根据损失函数和所有模态的参数更新公式，对所有特征提取模块和特征融合模块进行优化；利用所有优化后的特征提取模块和优化后的特征融合模块对模态数据进行融合得到最终融合特征。本申请的方法能够提高多模态数据融合的效率。
-
公开(公告)号：CN118097782A
公开(公告)日：2024-05-28
申请号：CN202410228612.X
申请日：2024-02-29
Applicant: 湘江实验室
Abstract: 本申请适用于行为识别技术领域，提供了一种基于多模态的员工行为识别方法、装置、设备及介质。该方法包括：获取当前RGB图像、当前姿势信息，以及T个时刻的定位信息；利用图像特征提取模型对当前RGB图像进行特征提取得到图像特征；根据当前姿势信息利用姿势信息处理模型获取姿势邻接矩阵；利用定位特征提取模型对定位信息进行特征提取得到定位特征；对三个模型进行优化；利用优化后的模型分别获取待识别员工的最终图像特征、最终姿势邻接矩阵和最终定位特征；将最终图像特征、最终定位特征和最终姿势邻接矩阵融合得到融合特征；利用目标检测算法对融合特征进行识别，得到行为识别结果。本申请的方法能够提高行为识别结果的精确度。
-
公开(公告)号：CN117667360A
公开(公告)日：2024-03-08
申请号：CN202410130270.8
申请日：2024-01-31
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种面向大模型任务的计算与通信融合的智能算网调度方法，属于数据处理技术领域，具体包括：建立调度优化目标函数；设计深度强化学习环境，将调度优化目标函数设计为奖励函数，并构成马尔科夫过程；对当前大模型任务提取状态特征；深度强化学习的智能体根据时序特征和状态特征做出调度策略；由奖励函数计算预测奖励值；大模型任务在计算节点上执行结束后，得到完整的马尔可夫过程存入经验池；构造分层经验池，对多头注意力层和预测网络进行联合训练，以及，根据预测反馈计算预测奖励构成新的马尔可夫过程对多头注意力层和Q网络进行联合训练。通过本发明的方案，提高了对大模型任务的调度效率、精准度和适应性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
