-
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。
-
Patent Agency Ranking
公开(公告)号：CN111553929A
公开(公告)日：2020-08-18
申请号：CN202010397833.1
申请日：2020-05-12
Applicant: 重庆邮电大学
Abstract: 本发明属于机器视觉、缺陷检测领域，特别涉及基于融合网络的手机屏幕缺陷分割方法、装置及设备；所述方法包括采集手机屏幕图像，包括缺陷图像和无缺陷图像；利用缺陷图像使用迁移学习方法对预先建立的缺陷检测网络进行训练，并获得缺陷图像对应的缺陷候选框；利用无缺陷图像对预先建立的图像重构网络进行训练，并恢复出背景重构图像；将缺陷图像和背景重构图像进行差值运算，采用阈值分割的方式得到缺陷分割图；在所述缺陷分割图上利用对应的缺陷候选框的位置坐标，提取出缺陷分割图在位置坐标下对应的缺陷部分，并获得最终的缺陷分割结果；本发明将缺陷检测网络与图像重构网络进行结合，不仅能够实现缺陷小目标的检测，还能准确分割出缺陷图像。
-
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：CN111553929B
公开(公告)日：2022-08-09
申请号：CN202010397833.1
申请日：2020-05-12
Applicant: 重庆邮电大学
Abstract: 本发明属于机器视觉、缺陷检测领域，特别涉及基于融合网络的手机屏幕缺陷分割方法、装置及设备；所述方法包括采集手机屏幕图像，包括缺陷图像和无缺陷图像；利用缺陷图像使用迁移学习方法对预先建立的缺陷检测网络进行训练，并获得缺陷图像对应的缺陷候选框；利用无缺陷图像对预先建立的图像重构网络进行训练，并恢复出背景重构图像；将缺陷图像和背景重构图像进行差值运算，采用阈值分割的方式得到缺陷分割图；在所述缺陷分割图上利用对应的缺陷候选框的位置坐标，提取出缺陷分割图在位置坐标下对应的缺陷部分，并获得最终的缺陷分割结果；本发明将缺陷检测网络与图像重构网络进行结合，不仅能够实现缺陷小目标的检测，还能准确分割出缺陷图像。
-
公开(公告)号：CN111311302A
公开(公告)日：2020-06-19
申请号：CN202010017939.4
申请日：2020-01-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于多源数据驱动的房产智能评估方法，属于大数据与数据挖掘领域。该方法包括：S1：数据获取：从多源数据中获取房产交易数据、房产配套数据以及房产周边数据，并对其进行归一化处理；S2：特征构造：根据获取的数据构造目标房产特征，包括房产建筑特征、房产品质特征以及房产区域特征；S3：模型构建：利用步骤S2构造的特征，训练多个子模型，采用多层级融合策略和贝叶斯优化算法，构建基于多源数据驱动的房产智能评估模型；S4：评估结果：基于步骤S3构建的房产智能评估模型，根据目标房产特征，对房价进行智能评估。本发明能实现智能房产评估，解决了传统房产评估带来的估价不精准、人力成本高等问题。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.087 seconds)
