-
公开(公告)号：CN118965105A
公开(公告)日：2024-11-15
申请号：CN202411001090.6
申请日：2024-07-25
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/25 , G06F18/213 , G06F11/36
Abstract: 本发明属于深度学习领域，特别涉及一种基于大数据的软件缺陷类别预测方法，包括从不同源域中采集软件的运行数据，对数据进行预处理操作；计算每个源域数据的权重，同时将预处理后的数据利用特征完全提取技术提取每个源域的数据特征；使用注意力机制对不同源域的特征加权得到第一融合特征，将不同域数据和其对应的注意力权重输入通过Flort模板融合得到第二融合特征；将第一融合特征和第二融合特征进行最后的融合得到最终融合特征，将最终融合特征作为多源域融合分类器模型的输入；多源域融合分类器模型考虑源域与目标源、源域与源域之间的关系对预测输入的特征是否存在目标域中的缺陷类型。本发明提高了软件缺陷类别预测的准确性和稳定性。
-
公开(公告)号：CN107425898A
公开(公告)日：2017-12-01
申请号：CN201710305729.3
申请日：2017-05-03
Applicant: 重庆邮电大学
IPC: H04B7/0456 , H04B7/0426 , H04L25/03
Abstract: 本发明请求保护一种基于优化比特分配的多小区MIMO有限反馈干扰对齐方法，涉及无线通信系统。首先，为克服低SNR时频谱效率的损失，通过最大化用户的信号功率与泄漏到其他小区的干扰与噪声功率之和的比值来求取预编码，通过最大化每个数据流的信干噪比来设计干扰抑制矩阵。其次，由于传统的比特分配算法是基于干扰泄露均值的，会使系统实际用到的比特总数小于系统提供的总比特数目，而并非最优，因此本文给出了一种新颖的比特分配方案来提高系统比特利用率，以减小量化误差的影响。最后，仿真实验表明，采用本发明所提出的方案能有效减少量化误差对系统性能的影响并显著提高系统的比特利用率，使有限反馈CSI时的性能得以提升。
-
公开(公告)号：CN111091045A
公开(公告)日：2020-05-01
申请号：CN201911023322.7
申请日：2019-10-25
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于时空注意力机制的手语识别方法，首先将手语视频采样为具有统一长度的连续手语序列作为模型的输入。然后将视频帧序列输入到由3D残差块构成的空间注意力网络中，使得网络能够自动关注空间中的显著区域。随后将提取的卷积特征经过ConvLSTM卷积长短时记忆网络解析后提取出长时间的序列特征，同时分配不同视频帧的时间注意力权重生成视频的特征表示。最后，生成的特征表示经过Softmax分类器，以向量的形式输出分类类别。本发明能够降低冗余信息对识别的干扰，提高识别准确率。
-
公开(公告)号：CN110246154A
公开(公告)日：2019-09-17
申请号：CN201910376926.3
申请日：2019-05-07
Applicant: 重庆邮电大学
IPC: G06T7/246
Abstract: 本发明请求保护一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，该方法首先利用微调后的VGG-m网络得到深度调整，并结合参考独立成分分析的方法(Independent Component Analysis with Reference,ICA-R)，将其与传统手工特征信息融合，得到更具判别性的特征。其次，在模型更新阶段，提出一种基于图像块中心移位欧式距离的自适应更新策略。最后在OTB-2015，VOT-2016两个标准跟踪数据集上进行测试，实验结果表明，利用深度特征与传统手工特征融合的方法能够很好地区分背景与目标，提出的视觉目标跟踪算法在应对目标超出视野、运动模糊、遮挡等因素的干扰下均表现出很好的鲁棒性与准确性，其中在OTB-2015中的成功率达到65.2％,准确率达到86.3％，在VOT-2016中的准确率排在第一。
-
公开(公告)号：CN118966167A
公开(公告)日：2024-11-15
申请号：CN202410943682.3
申请日：2024-07-15
Applicant: 重庆邮电大学
IPC: G06F40/169 , G06F40/194 , G06F40/279 , G06F40/30 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0442 , G06N3/08
Abstract: 本发明属于自然语言处理技术领域，具体涉及一种基于用户评论的APP软件缺陷识别方法；该方法包括：获取用户对软件的评论数据并对其进行预处理，得到预处理好的用户评论数据；计算用户评论数据中所有关键词的重要分数；选择重要分数最高的n个关键词，并根据n个关键词和用户评论数据构建评论的多维度特征；采用训练好的自适应多维特征动态网络对多维度特征进行处理，得到APP软件缺陷识别结果；本发明不仅可以提高识别软件问题的效率，而且还可以捕捉到传统测试可能遗漏的细微缺陷，从而为软件开发者提供更全面的质量保证工具。
-
Patent Agency Ranking
公开(公告)号：CN118410132A
公开(公告)日：2024-07-30
申请号：CN202310362407.8
申请日：2023-04-07
Applicant: 重庆邮电大学
IPC: G06F16/332 , G06F17/18 , G06F17/16 , G06N3/04 , G06N3/08
Abstract: 本发明属于自然语言处理领域，具体涉及一种基于大数据的智能政务问答系统，包括：文本解析模块、特征提取模块、信息交互模块、答案预测模块；文本解析模块计算用户的问题Q与文档之间的相关性，选取相关性最高的前K个文档作为召回文档P；特征提取模块提取召回文档P与用户问题Q之间的依存关系特征；所述信息交互模块将召回文档P、用户问题Q以及依存关系特征进行多重注意力信息交互，得到最终的文本向量表示；所述答案预测模块将最终的文本向量表示通过全连接层来预测最终答案的起止位置。本发明通过融入依存关系特征，深入挖掘问题与文档中答案的联系，从而提高了问答系统中标准答案的定位，提升了用户体验。
-
公开(公告)号：CN110246154B
公开(公告)日：2022-12-27
申请号：CN201910376926.3
申请日：2019-05-07
Applicant: 重庆邮电大学
IPC: G06T7/246
Abstract: 本发明请求保护一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，该方法首先利用微调后的VGG‑m网络得到深度调整，并结合参考独立成分分析的方法(Independent Component Analysis with Reference,ICA‑R)，将其与传统手工特征信息融合，得到更具判别性的特征。其次，在模型更新阶段，提出一种基于图像块中心移位欧式距离的自适应更新策略。最后在OTB‑2015，VOT‑2016两个标准跟踪数据集上进行测试，实验结果表明，利用深度特征与传统手工特征融合的方法能够很好地区分背景与目标，提出的视觉目标跟踪算法在应对目标超出视野、运动模糊、遮挡等因素的干扰下均表现出很好的鲁棒性与准确性，其中在OTB‑2015中的成功率达到65.2％,准确率达到86.3％，在VOT‑2016中的准确率排在第一。
-
公开(公告)号：CN118965105B
公开(公告)日：2025-05-13
申请号：CN202411001090.6
申请日：2024-07-25
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/25 , G06F18/213 , G06F11/3604
Abstract: 本发明属于深度学习领域，特别涉及一种基于大数据的软件缺陷类别预测方法，包括从不同源域中采集软件的运行数据，对数据进行预处理操作；计算每个源域数据的权重，同时将预处理后的数据利用特征完全提取技术提取每个源域的数据特征；使用注意力机制对不同源域的特征加权得到第一融合特征，将不同域数据和其对应的注意力权重输入通过Flort模板融合得到第二融合特征；将第一融合特征和第二融合特征进行最后的融合得到最终融合特征，将最终融合特征作为多源域融合分类器模型的输入；多源域融合分类器模型考虑源域与目标源、源域与源域之间的关系对预测输入的特征是否存在目标域中的缺陷类型。本发明提高了软件缺陷类别预测的准确性和稳定性。
-
公开(公告)号：CN118410132B
公开(公告)日：2024-12-06
申请号：CN202310362407.8
申请日：2023-04-07
Applicant: 重庆邮电大学
IPC: G06F16/332 , G06F17/18 , G06F17/16 , G06N3/04 , G06N3/08
Abstract: 本发明属于自然语言处理领域，具体涉及一种基于大数据的智能政务问答系统，包括：文本解析模块、特征提取模块、信息交互模块、答案预测模块；文本解析模块计算用户的问题Q与文档之间的相关性，选取相关性最高的前K个文档作为召回文档P；特征提取模块提取召回文档P与用户问题Q之间的依存关系特征；所述信息交互模块将召回文档P、用户问题Q以及依存关系特征进行多重注意力信息交互，得到最终的文本向量表示；所述答案预测模块将最终的文本向量表示通过全连接层来预测最终答案的起止位置。本发明通过融入依存关系特征，深入挖掘问题与文档中答案的联系，从而提高了问答系统中标准答案的定位，提升了用户体验。
-
公开(公告)号：CN111091045B
公开(公告)日：2022-08-23
申请号：CN201911023322.7
申请日：2019-10-25
Applicant: 重庆邮电大学
IPC: G06V40/20 , G06V10/77 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/46 , G06N3/04
Abstract: 本发明公开了一种基于时空注意力机制的手语识别方法，首先将手语视频采样为具有统一长度的连续手语序列作为模型的输入。然后将视频帧序列输入到由3D残差块构成的空间注意力网络中，使得网络能够自动关注空间中的显著区域。随后将提取的卷积特征经过ConvLSTM卷积长短时记忆网络解析后提取出长时间的序列特征，同时分配不同视频帧的时间注意力权重生成视频的特征表示。最后，生成的特征表示经过Softmax分类器，以向量的形式输出分类类别。本发明能够降低冗余信息对识别的干扰，提高识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.025 seconds)
