-
公开(公告)号：CN115438856A
公开(公告)日：2022-12-06
申请号：CN202211077931.2
申请日：2022-09-05
Applicant: 重庆邮电大学
Abstract: 本发明属于轨迹预测领域，涉及基于时空交互特征和终点信息的行人轨迹预测方法。该方法包括以下步骤：S1)将所用的数据进行预处理；S2)采用条件变分自编码器网络生成轨迹终点信息特征；S3)利用长短期记忆神经网络提取数据历史轨迹特征；S4)采用时空图注意力网络提取数据的行人交互特征；S5)将提取的特征融合后输入解码器输出预测轨迹。提出一种基于时空交互特征和终点信息的行人轨迹预测方法，该方法充分考虑行人轨迹运动时空规律，从不同角度提取特征信息，与传统的轨迹预测方法相比更加强大，具有更优的轨迹预测性能。
-
公开(公告)号：CN115459996B
公开(公告)日：2025-01-14
申请号：CN202211083386.8
申请日：2022-09-06
Applicant: 重庆邮电大学
IPC: H04L9/40 , G06F18/2415 , G06F18/2433 , G06F18/25 , G06F18/21 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/049 , G06N3/084 , G06N3/09
Abstract: 本发明属于入侵检测领域，涉及基于门控卷积和特征金字塔的网络入侵检测方法。该方法包括以下步骤：S1)将所用的数据进行预处理；S2)采用门控卷积神经网络按深度提取出网络数据不同程度的语义特征；S3)采用特征金字塔网络将模型深层的特征图进行融合；S4)对融合后的各模型深层特征图应用全连接神经网络进行分类判决；S5)采用FocalLoss损失函数对整体模型进行多监督训练。本发明能实现高性能的入侵检测，相比与其他方法，该发明在多分类入侵检测中的查准率、查全率以及综合指标F1‑score上取得的效果更佳，在提升入侵检测系统性能的同时实现对少数类样本F1‑score的巨大提升。
-
公开(公告)号：CN117272083A
公开(公告)日：2023-12-22
申请号：CN202210652901.3
申请日：2022-06-10
Applicant: 重庆邮电大学
IPC: G06F18/23213 , G06N20/20 , H04L9/40 , G06F18/214
Abstract: 本发明属于入侵检测领域，涉及基于流模型和集成学习的入侵检测方法。该方法包括以下步骤：S1)将所用的数据进行预处理；S2)对数据集中的少数类样本用AE‑Flow模型进行新样本的生成；S3)对数据集中的多数类样本用K‑means算法进行聚类欠采样；S4)将合并以上步骤中得到的数据样本，用OSS算法去除类别边界附近的多数类样本；S5)对得到的各类别样本数量平衡的数据应用集成学习分类器XGBoost进行分类。本发明能实现高性能的入侵检测，相比与其他方法，该发明在多分类入侵检测中的查准率、查全率以及综合指标F1‑score上取得的效果更佳，在提升入侵检测系统性能的同时实现对少数类样本F1‑score的巨大提升。
-
Patent Agency Ranking
公开(公告)号：CN116630932A
公开(公告)日：2023-08-22
申请号：CN202310423047.8
申请日：2023-04-20
Applicant: 重庆邮电大学
IPC: G06V20/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于道路目标检测领域，具体是一种基于改进YOLOV5的道路遮挡目标检测方法。该方法包括以下步骤：S1)构建道路目标数据集，并将数据集划分为训练集、验证集和测试集；S2)通过Mixup数据增强方法对道路目标训练集进行处理，丰富道路遮挡目标训练样本数；S3)构建改进的YOLOV5遮挡目标检测模型；S4)将步骤S2中的训练数据输入到步骤S3模型中进行训练；S5)将测试集的图像输入到步骤S4训练好的模型中进行检测，输出检测结果即图像中目标的边界框位置参数以及目标类别信息。本发明对于道路密集遮挡条件下的目标检测精度提升较高，可降低道路目标之间由于排列密集导致的漏检率。
-
公开(公告)号：CN116050478A
公开(公告)日：2023-05-02
申请号：CN202211570842.1
申请日：2022-12-08
Applicant: 重庆邮电大学
IPC: G06N3/047 , G06N3/0455 , G06N3/08
Abstract: 本发明属于时间序列分析领域，涉及基于对角掩码稀疏自注意力机制的缺失时间序列填补方法。该方法包括以下步骤：S1)将所用数据进行预处理；S2)采用对角掩码稀疏自注意力模块(DMPSA)提取时间序列的时间相关性及特征相关性；S3)将两个对角掩码稀疏自注意力模块(DMPSA)的输出进行加权组合；S4)采用插补和重构的联合优化训练方法训练基于对角掩码时间自注意力的时间序列插补模型。本方法根据时间序列数据前后值之间具有强关联性的特征，重点关注序列的时间相关性，相比于其他方法，捕获时间序列长期依赖性的效果更佳，对缺失时间数据的插补精度更高。
-
公开(公告)号：CN115497005A
公开(公告)日：2022-12-20
申请号：CN202211078264.X
申请日：2022-09-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种融合特征转移与注意力机制的YOLOV4遥感目标检测方法，包括：通过Mosaic数据增强方法预处理遥感图像数据；构建融合特征转移与注意力机制的YOLOV4遥感目标检测模型；将所述的遥感数据输入到所述的模型进行训练；获取待检测的遥感图像，将遥感图像预处理至统一大小；将处理后的遥感图像输入到训练好的目标检测模型进行检测，输出检测结果即待检测图像中遥感目标的边界框位置以及目标类别。本发明通过改进YOLOV4，融合特征转移与注意力机制，在不明显增加模型参数量的前提下可显著提升检测精度。
-
公开(公告)号：CN115471757A
公开(公告)日：2022-12-13
申请号：CN202211161558.9
申请日：2022-09-23
Applicant: 重庆邮电大学
Abstract: 本发明属于图像分类领域，涉及基于卷积神经网络和注意力机制的高光谱图像分类方法。该方法包括以下步骤：S1)将所用的数据进行预处理；S2)采用3DCNN提出数据的光谱空间联合特征；S3)将联合特征输入到注意力插件模块；S4)将带有注意力权重的特征图输入到2DCNN模块进一步细化空间特征；S5)提取到的特征图通过Softmax分类层进行分类。提出一种基于卷积神经网络和注意力机制的高光谱图像分类方法，该方法根据高光谱图像数据具有“图谱合一”的特性，从不同角度充分提取特征信息，相对于传统的高光谱图像分类方法具有更优的分类性能。
-
公开(公告)号：CN115459996A
公开(公告)日：2022-12-09
申请号：CN202211083386.8
申请日：2022-09-06
Applicant: 重庆邮电大学
Abstract: 本发明属于入侵检测领域，涉及基于门控卷积和特征金字塔的网络入侵检测方法。该方法包括以下步骤：S1)将所用的数据进行预处理；S2)采用门控卷积神经网络按深度提取出网络数据不同程度的语义特征；S3)采用特征金字塔网络将模型深层的特征图进行融合；S4)对融合后的各模型深层特征图应用全连接神经网络进行分类判决；S5)采用FocalLoss损失函数对整体模型进行多监督训练。本发明能实现高性能的入侵检测，相比与其他方法，该发明在多分类入侵检测中的查准率、查全率以及综合指标F1‑score上取得的效果更佳，在提升入侵检测系统性能的同时实现对少数类样本F1‑score的巨大提升。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
