公开(公告)号：CN117979028A

公开(公告)日：2024-05-03

申请号：CN202410224968.6

申请日：2024-02-29

Applicant: 电子科技大学

Inventor： 赖俊宇 ,  甘炼强 ,  鞠京泽 ,  李滚 ,  陈昱航

IPC: H04N19/62 ,  H04N19/192 ,  H04N19/11 ,  H04N19/14

Abstract: 该发明公开了一种基于浅深空间频率信息的视频预测方法，明属于计算机视觉和机器学习技术领域。首先设计三维频率损失(3DFL)指标对预测视频质量进行评估；然后提出浅深特征提取网络(SDFNet)以同时提取视频帧的浅层和深层特征；最后设计频域自适应模块(FATranslator),针对不同频率信息使用不同卷积核进行特征提取。通过提取并整合深层空间特征与传统模型中经常被忽视的浅层空间特征,该方法显著提高了预测视频的清晰度和时间一致性。实验结果表明,与多个基准模型相比,本发明所提方法能生成物体边缘和运动更加清晰的预测视频。

公开(公告)号：CN117789843A

公开(公告)日：2024-03-29

申请号：CN202311849225.X

申请日：2023-12-28

Applicant: 电子科技大学

Inventor： 赖俊宇 ,  鞠京泽 ,  陈昱航 ,  李滚 ,  甘炼强

IPC: G16C20/10

Abstract: 本发明公开了一种基于生成对抗网络的生物发酵理化数据仿真生成方法，涉及生物发酵过程理化参数仿真生成领域。该方法获取生物发酵过程中多种类型的理化参数，并将其构建为二维矩阵，使用逆距离加权法修复缺失和异常值，将修复后的数据映射到统一值域，并叠加为三维特征矩阵，作为生成对抗网络模型的输入。生成对抗网络的生成器和判别器均使用空间通道注意力模型，生成器生成的多种类型的理化参数数据会与原修复后的数据融合，将融合后的数据再进行训练。与现有数据仿真技术相比，该方法生成的生物发酵理化数据在完整性、时间和空间相关性等质量指标上更优，可为生物发酵模型训练提供高质量的仿真数据集。

公开(公告)号：CN118400774A

公开(公告)日：2024-07-26

申请号：CN202410506513.3

申请日：2024-04-25

Applicant: 电子科技大学

Inventor： 刘华烁 ,  赖俊宇 ,  甘炼强 ,  徐国尧 ,  李昱航 ,  李滚

IPC: H04W28/084 ,  H04W28/082 ,  H04B7/185

Abstract: 该发明公开了一种低轨卫星网络边缘计算卸载与资源分配联合优化方法，属于卫星通信网络与边缘计算技术领域。本发明将"分而治之"的思想引入到强化学习算法当中，提出了一种分层多智能体强化学习(Hierarchical Multi‑Agent DRL，HMADRL)算法。该算法将复杂的JCORA问题分解为两层子问题。上层子问题是全局性的计算卸载优化问题，下层子问题是卫星本地的资源分配优化问题。本发明巧妙地将JCORA问题拆分成两个层级的子问题,有效解决了传统深度强化学习在应对混合动作空间时所面临的挑战。通过这种层次化的分解手段，本发明能够更加精准地驾驭问题的复杂性，并实现更高效的JCORA优化,显著提升了低轨卫星网络边缘计算性能，展现出较传统方法更高的效率和精确度。

公开(公告)号：CN117041129A

公开(公告)日：2023-11-10

申请号：CN202311071886.4

申请日：2023-08-24

Applicant: 电子科技大学

Inventor： 赖俊宇 ,  刘华烁 ,  徐国尧 ,  朱俊宏 ,  甘炼强

IPC: H04L45/02 ,  H04L45/00 ,  H04B7/185 ,  G06N3/092

Abstract: 该发明公开了一种基于多智能体强化学习的低轨卫星网络流路由方法，属于计算机网络与通信技术领域。本发明综合利用了“强化学习”和“基于数据流的路由”技术。能够有效减少针对低轨卫星宽带网络数据包进行深度神经网络模型推理的次数，显著减少深度神经网络模型推断所花费的累积时间。并能够有效改善和提升大规模低轨卫星宽带网络的路由性能，从而更好地满足其网络性能需求。

公开(公告)号：CN118214881A

公开(公告)日：2024-06-18

申请号：CN202410504745.5

申请日：2024-04-25

Applicant: 电子科技大学

Inventor： 甘炼强 ,  赖俊宇 ,  刘华烁 ,  鞠京泽 ,  李昱航 ,  李滚

IPC: H04N19/50 ,  H04N19/11 ,  H04N19/172 ,  H04N19/44

Abstract: 本发明公开了一种基于时空聚合运动感知的视频预测方法。该方法受动物视觉系统中的方向选择性神经元启发,将复杂运动信息分解为垂直和水平两个分量进行独立处理,实现动态信息的有效提取。其中,方向选择性感知单元采用多层感知器结构实现。由于将运动信息进行降维分解会丢失一定时空关联性，提出了时空聚合门控单元以提高时空关联性。在此基础上,该方法建立了多尺度特征融合网络,包含空间编码器、时序转换模块和空间解码器,实现对多尺度时空特征的提取。通过在人工数据集和真实数据集上的测试,证明了该方法可以有效降低运动模糊,提高视频预测的准确性和连贯性。

公开(公告)号：CN118052849A

公开(公告)日：2024-05-17

申请号：CN202410160829.1

申请日：2024-02-05

Applicant: 电子科技大学

Inventor： 赖俊宇 ,  甘炼强 ,  鞠京泽 ,  李滚 ,  陈昱航

IPC: G06T7/246 ,  G06V20/40 ,  G06V10/44 ,  G06V10/52 ,  G06V10/62 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于运动方向感知的视频预测方法，属于计算机视觉、机器学习和深度学习技术领域。该方法受动物视觉系统中的方向选择性神经元启发,将视频中物体的复杂运动信息分解为垂直和水平两个分量进行独立处理,实现视频物体动态信息的有效提取。其中,方向选择性感知单元采用多层感知器结构实现。在此基础上,该方法建立了多尺度特征融合神经网络,包含空间编码器、运动方向感知转换器和空间解码器,实现对多尺度时空特征的提取和预测。通过在人工数据集和真实数据集上的测试,证明了该方法可以有效降低运动模糊,提高视频预测的准确性和连贯性。