-
公开(公告)号：CN117994607A
公开(公告)日：2024-05-07
申请号：CN202410130601.8
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种视觉自注意力模型的训练方法，通过在视觉自注意力模型的主干网络中添加通道注意力机制；训练视觉自注意力模型，包括：获取多个训练样本；将当前训练样本中的输入样本输入至视觉自注意力模型中，确定多个特征向量；为多个特征向量拼接分类头向量以及可学习位置向量，得到待输入特征向量；将待输入特征向量输入至视觉编码器，得到待融合特征信息；基于多层感知机对待融合特征信息进行处理，得到预测结果；基于当前训练样本重复执行确定预测结果的次数达到预设次数阈值，将下一训练样本作为当前训练样本，直至视觉自注意力模型的准确率达到预设准确率阈值，提升了视觉自注意力模型对训练样本的学习能力，抑制模型的过拟合现象。
-
公开(公告)号：CN115694877A
公开(公告)日：2023-02-03
申请号：CN202211046374.8
申请日：2022-08-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04L9/40 , H04L41/08 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于联邦偏好学习的空间众包任务分配方法，本发明首先对存储在各平台中心的当地数据进行偏好建模。然后，本发明利用联邦学习框架，通过各平台中心的本地模型参数传递去更新中心服务器的模型参数，从而获取全局的工人偏好。最后，在考虑工人偏好的情况下，本发明将任务分配转化为二部图最大匹配问题，利用一种基于KM的双边top‑k相交的方法对所建图的边集进行过滤，并使用再分配的方法对剩余任务进行二次分配，从而实现了在加速匹配算法的同时保证了分配任务总数。能够有效地获得高任务成功率和分配任务总数，并实现了多平台工人数据非集中情况下对任务偏好感知的工人任务分配，即在一定程度上保护了工人的隐私。
-
公开(公告)号：CN115187119A
公开(公告)日：2022-10-14
申请号：CN202210879142.4
申请日：2022-07-25
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于工人忠诚度的空间众包任务分配方法，包括建立忠诚度预测模型使用了三路Prophet算法预测工人的绩效数据，又使用熵权法进行加权得到每个工人的忠诚度，接着使用不同长度的历史数据预测得到工人的短期和长期忠诚度，最后通过全连接层动态输出得到每个工人的忠诚度，随后，根据忠诚度分数和任务奖励的最佳权值匹配算法和结合度递减算法的少数优先分配算法，提高了空间众包中任务分配的效率和有效性，并极大地提升了高忠诚度工人在空间众包问题中的体验，从而达到激励和鼓励工人的目的。
-
公开(公告)号：CN112885079A
公开(公告)日：2021-06-01
申请号：CN202110030043.4
申请日：2021-01-11
Applicant: 成都语动未来科技有限公司 , 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于全局注意力和状态共享的车辆轨迹预测方法，该解决方法包括使用具有全局注意力机制和状态共享的编解码器LSTM模型的GAS‑LED轨迹预测模型；在GAS‑LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS‑LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；在车道级别的轨迹预测任务中，重点关注车辆所在的车道，GAS‑LED轨迹预测模型一对横向变道和纵向行驶距离输出相应预测结果；将当前车辆及其周围车辆的历史信息作为GAS‑LED轨迹预测模型二的输入，然后将两个GAS‑LED轨迹预测模型并行使用，以获得更多方便预测的输出结果。通过上述方案，本发明达到了高精度预测的目的，具有很高的实用价值和推广价值。
-
公开(公告)号：CN118037555A
公开(公告)日：2024-05-14
申请号：CN202410133124.0
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种联合非局部自相似性与张量链分解的图像填充方法，获取待恢复图像，将待恢复图像划分为多个预设大小的图像块；其中，待恢复图像包含部分缺失像素；对每个图像块，分别确定图像块对应的多个相似图像块，将图像块和相似图像块确定为一个图像块组；基于待恢复图像张量对应的张量链秩，构建张量链秩最小化函数，基于各图像块组张量对应的tucker秩，构建Tucker秩最小化函数；基于张量链秩最小化函数和Tucker秩最小化函数，构建图像填充优化函数；求解图像填充优化函数，得到与待恢复图像对应的恢复图像张量，以基于恢复图像张量确定目标恢复图像，减少了恢复图像的伪影现象，提高了图像的恢复性能。
-
Patent Agency Ranking
公开(公告)号：CN117922612A
公开(公告)日：2024-04-26
申请号：CN202410097215.3
申请日：2024-01-24
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于协同感知和自适应信息融合的互联自动驾驶决策方法，主要解决现有自动驾驶决策在复杂的道路结构和交通灯信息条件下适用性较低的问题。该方法考虑在世界坐标系统下的多车道交通环境，其中有互联自动驾驶车辆和人类驾驶车辆组成的混合交通流。每个CAV都可以通过车载传感器和离线高精度地图获得周围的多模态环境特征(如车道信息、HDV车辆信息和红绿交通灯信息)。在车对车通信的帮助下，CAV可以共享其信息，并在指定的时间步长t内做出决策。该方法的目标是为CAV生成速度决策和转向角度决策。有了这样的动作决策，自动驾驶车辆可以安全有效地按特定路线行驶，同时最大限度地提高乘客的舒适度以及减少其对周围HDV的影响。
-
公开(公告)号：CN117874071A
公开(公告)日：2024-04-12
申请号：CN202311829394.7
申请日：2023-12-28
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/2453 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F18/214
Abstract: 本发明公开了一种基于机器学习的数据库查询优化器代价模型，涉及数据库技术领域，该数据库查询优化器代价模型在跨越若干数据库的多个数据集上进行训练，其框架包括编码器模块、Tree‑LSTM模型和预测模块，其训练过程包括预训练阶段和微调阶段；预测模块基于残差连接构建，且包括五个线性层，其第一、四线性层组成适配器；在预训练阶段，提取节点特征，并对节点特征的算子类型、基数和代价进行编码，之后转换为向量；Tree‑LSTM模型将向量转化为隐藏状态；预测模块根据隐藏状态生成成本估算；在微调阶段，冻结预训练的Tree‑LSTM模型的参数，以及第二、三、五线性层，然后根据目标数据库的本地知识调整适配器的参数。本模型在面对不同数据库时能保持准确性并进行快速推理。
-
公开(公告)号：CN112885079B
公开(公告)日：2022-11-29
申请号：CN202110030043.4
申请日：2021-01-11
Applicant: 成都语动未来科技有限公司 , 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于全局注意力和状态共享的车辆轨迹预测方法，该解决方法包括使用具有全局注意力机制和状态共享的编解码器LSTM模型的GAS‑LED轨迹预测模型；在GAS‑LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS‑LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；在车道级别的轨迹预测任务中，重点关注车辆所在的车道，GAS‑LED轨迹预测模型一对横向变道和纵向行驶距离输出相应预测结果；将当前车辆及其周围车辆的历史信息作为GAS‑LED轨迹预测模型二的输入，然后将两个GAS‑LED轨迹预测模型并行使用，以获得更多方便预测的输出结果。通过上述方案，本发明达到了高精度预测的目的，具有很高的实用价值和推广价值。
-
公开(公告)号：CN113920129A
公开(公告)日：2022-01-11
申请号：CN202111089546.5
申请日：2021-09-16
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/11 , G06T5/20 , G06N3/04 , G06V10/80 , G06V10/774
Abstract: 本发明涉及一种基于多尺度和全局上下文信息的医学图像分割方法和装置，该方法包括：获取待处理医学图像；提取待处理医学图像中的图像特征，得到特征图；学习特征图的多尺度的全局上下文信息；引导多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。本发明在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本发明还在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。
-
公开(公告)号：CN117799637B
公开(公告)日：2025-05-09
申请号：CN202311710703.9
申请日：2023-12-13
Applicant: 电子科技大学长三角研究院(衢州)
IPC: B60W60/00 , B60W50/00 , G06N3/0455 , G06N3/0475 , G06N3/042 , G06N3/092 , G06N3/0499 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了一种基于模仿学习的可变驾驶风格的自动驾驶决策方法，本发明提出了一个支持增量学习的模仿学习模型，基础的模仿学习模型可以通过多种驾驶风格的专家数据进行训练，并在模仿专家驾驶行为方面实现超越专家的性能。通过增量学习，模型可以根据不断积累的数据不断改进性能，而无需每次重新训练整个模型。这将使自动驾驶车辆能够更及时地更新模型参数，以适应新的道路情境和交通条件。本发明能够根据不同的驾驶风格偏好快速微调基本的基于模仿学习自动驾驶决策模型，同时减少计算、存储和时间的大量开销。本发明基于注意力环境感知框架，以致力于使自动驾驶决策算法在多变的交通场景中关注更有用的关键信息。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.03 seconds)
