-
公开(公告)号：CN114821669B
公开(公告)日：2024-05-31
申请号：CN202210597200.4
申请日：2022-05-26
Applicant: 重庆大学
IPC: G06V40/10 , G06V40/20 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的细粒度行为识别方法，包括如下步骤：选用公开数据集，构建细粒度行为识别模型M，该模型包括基础行为识别模型TSN/TSM和行为扩展模型DFLM两部分；通过M中的基础行为识别模型对公开数据集中的视频进行特征提取，然后根据特征及相应标签构建得到三条支流结构；通过行为扩展模型DFLM执行自底向上和自顶向下两个阶段得到元素级和集合级的新特征；构建损失函数并通过损失函数对模型M进行训练，得到训练好的细粒度行为识别模型；通过将元素级和集合级的新特征输入到现有的分类器模型中，得到最终的细粒度行为识别结果。本发明方法能够对实际中行为间的差异性引起的更为复杂多变的更细粒度行为进行准确的识别。
-
公开(公告)号：CN111767952B
公开(公告)日：2024-03-29
申请号：CN202010608458.0
申请日：2020-06-30
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/44 , G06V10/52 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种可解释的肺结节良恶性分类方法，具体包括：S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱；S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类。本发明利用传统图像特征方法提取肺结节特征集，即图像特征谱，并建立医学征象谱与图像特征谱之间的内在关系，然后设计可解释的卷积神经网络进行的结节征象属性学习和良恶性预测，为结节的预测结果提供可解释性。
-
公开(公告)号：CN117270946A
公开(公告)日：2023-12-22
申请号：CN202311228815.0
申请日：2023-09-22
Applicant: 重庆大学
Abstract: 本发明涉及一种基于关联规则与深度学习结合的集成演化方法，使用分类器组件将修改前版本代码和修改后版本代码进行处理后，得到方法体信息序列Einput与方法名信息序列作为样本输入，并依据修改的方法体的token数量，将样本分类为单个方法体令牌修改的样本和多个方法体令牌修改的样本。将单个方法体令牌修改的样本输入到启发式规则组件当中，经过定位存在修改的令牌、构建替换对和匹配更新三个步骤后生成新方法名。如果没能匹配成功，则将样本输入到深度学习模型组件当中。深度学习模型组件负责处理启发式规则组件未能更新的样本以及多个方法体令牌修改的样本。经过文本嵌入，编码以及解码后，生成新方法名，最终实现方法名更新。
-
公开(公告)号：CN112465009B
公开(公告)日：2023-10-31
申请号：CN202011340593.8
申请日：2020-11-25
Applicant: 重庆大学
IPC: G06F18/2431 , G06F18/214 , G06F11/36
Abstract: 本发明公开了一种软件崩溃故障位置定位方法，该方法基于谱聚类的算法将崩溃实例的原始特征集划分为若干个簇，基于最大信息系数方法计算每个簇中的特征和标签之间的相关性，然后每个簇只保留最大信息系数值最大的特征作为最终的特征子集的成员，最后基于简化的深度森林构建分类模型，对新的软件崩溃实例的位置进行预测，给出实例位置在堆栈迹中的概率值，从而识别出崩溃故障的位置。利用新颖的混合特征选择方法和简化的深度森林构建分类模型来识别崩溃故障的位置，可以运用至实际的软件测试场景，提高崩溃故障位置识别的效果，为提高软件的质量和加速测试效率做出贡献。
-
公开(公告)号：CN116486159A
公开(公告)日：2023-07-25
申请号：CN202310457562.8
申请日：2023-04-26
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明提出一种基于掩码的数字病理图像分类方法，MHIM‑MIL框架在训练阶段采用Siamese结构即孪生结构。该框架的主要组成部分是一个基于通用注意力的MIL模型，称为学生模型S(·)。学生模型被用于聚合实例特征。为了增加学生模型的判别能力并强制其关注难分类的实例，本框架引入了一个动量教师模型T(·)。教师模型主要用于挖掘困难实例，利用基于掩码操作的困难实例挖掘策略遮盖简单的实例，同时保留困难实例作为学生模型的输入。Siamese结构能够使得模型训练更加稳定和高效，并且具有较少的训练参数。在挖掘出困难实例后，所有被挖掘的实例特征都被输入到学生模型中，用于推断出包标签。
-
Patent Agency Ranking
公开(公告)号：CN110796080B
公开(公告)日：2023-06-16
申请号：CN201911036294.2
申请日：2019-10-29
Applicant: 重庆大学
IPC: G06V40/10 , G06V10/774 , G06V10/764 , G06T3/00 , G06N3/0464 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种基于生成对抗网络的多姿态行人图像合成算法，包括以下步骤：S1：通过行人重识别任务数据集Market‑1501中获取训练数据集和测试数据集；S2：根据预设方法通过训练数据集构建生成对抗网络模型；S3：采用预设方法向生成对抗网络模型输入中加入姿态信息潜码；S4：基于姿态信息潜码构建生成对抗网络模型的目标函数，并利用带有目标函数的生成对抗网络模型合成多姿态的行人图像；S5：根据合成的多姿态行人图像进行实验结果分析。有益效果：本发明有效地缩小了生成器的解空间，使得生成对抗网络训练更加平稳，从而可以生成高质量的多姿态行人图片。
-
公开(公告)号：CN110569353B
公开(公告)日：2023-04-07
申请号：CN201910593644.9
申请日：2019-07-03
Applicant: 重庆大学
IPC: G06F16/35 , G06F16/335 , G06F40/186 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的Bi‑LSTM的标签推荐方法，该基于注意力机制的Bi‑LSTM的标签推荐方法包括以下步骤：采集实验数据集；从实验数据集中解析出特定的文本数据；对文本数据进行预处理；从预处理后的问题文本描述中提取语义特征；构建多标签分类模型；通过构建的多标签分类模型为新问题推荐合适的标签；对标签推荐的结果进行评估与分析。本发明的有益效果为：通过基于注意力机制的Bi‑LSTM模型主要将标签推荐任务转化为多标签分类问题，根据问题的文本描述内容自动推荐标签，提高标签推荐的准确性。
-
公开(公告)号：CN111274494B
公开(公告)日：2022-09-23
申请号：CN202010062726.3
申请日：2020-01-20
Applicant: 重庆大学
IPC: G06F16/9536 , G06F16/9538 , G06F16/955 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明涉及结合深度学习和协同过滤技术的复合标签推荐方法，包括如下步骤：从目标软件信息站点收集历史软件项目，进行预处理得到规范化描述的矩阵；建立TagDC‑DL模型和TagDC‑CF模型，将所有规范化描述的矩阵作为输入，分别得到所有标签的多标签可信度列表和基于相似度的置信概率列表，利用线性加权模块得到每个标签的最终置信概率列表；给定新的软件项目，先进行预处理再输入上述两个模型，计算新的软件项目中每个标签的最终置信概率列表，通过得到的最终置信概率列表中的概率值进行排序，概率值最大的N个标签则为推荐标签。该方法利用软件项目之间的语义相似性及其自身的深层语义特征可获得更准确的标签推荐。
-
公开(公告)号：CN114254398A
公开(公告)日：2022-03-29
申请号：CN202111559213.4
申请日：2021-12-16
Applicant: 重庆大学
Abstract: 本发明公开了一种基于区块链的联邦学习系统及参数聚合方法。该系统包括用户层、边缘层和云端层；用户层包括至少一个分区，每个分区至少具有一个移动设备；边缘层包括至少一个边缘服务器，每个边缘服务器管辖一个分区，每个边缘服务器对其管辖区域内移动设备输出的模型参数进行区域聚合获得区域聚合结果，并将区域聚合结果发送至云端层；云端层的云服务器对接收的区域聚合结果进行全局聚合；构建以边缘服务器为共识节点，以移动设备和云服务器为参与节点的区块链，在区块链上部署智能合约为边缘服务器分发第一掩码和/或为移动设备分发第二掩码。采用智能合约分发掩码，减少联邦学习参数聚合过程中移动设备间的通信轮次，节省通信成本和计算开销。
-
公开(公告)号：CN112802054A
公开(公告)日：2021-05-14
申请号：CN202110152658.4
申请日：2021-02-04
Applicant: 重庆大学
Abstract: 本发明涉及一种从序列图像或视频流中将运动物体从背景中分离出来的前景检测方法和系统，具体是涉及一种融合图像分割的混合高斯模型前景检测方法。首先，接受一个待检测视频作为数据输入；将此待检测视频作为一个视频图像帧序列，针对视频图像帧序列上的每个视频图像帧进行超像素分割，每个视频图像帧的构成元素由原来的像素转变为超像素；对超像素构成的视频图像帧序列进行混合高斯模型处理，使得前景图像和背景图像进行分离；最后对前景图像进行形态学后处理，输出需要的前景图像序列。
-
-
-
-
-
-
-
-
-
Search Results
169
records
(took 0.065 seconds)
