-
公开(公告)号：CN114970853B
公开(公告)日：2024-09-06
申请号：CN202210260332.8
申请日：2022-03-16
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
IPC分类号： G06N3/0495 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种跨范围量化的卷积神经网络压缩方法，包括以下步骤：确定量化卷积神经网络的量化比特和该量化比特下的量化范围，以及基于步长量化的量化函数；训练一个全精度卷积神经网络，并使用全精度卷积神经网络初始化量化卷积神经网络以及量化步长；前向传播阶段，对卷积神经网络的权重参数以及激活值进行量化，对于量化阈值范围内的值，采取常规量化方式；对于量化阈值范围外的值，先减去量化阈值，再进行常规量化；反向传播阶段，使用梯度近似让不可导的量化函数变为可导。本发明在常规量化的基础上对量化范围外的值采取了不同的量化方式，在保留图像识别精度的同时，实现了卷积神经网络的压缩和加速。
-
公开(公告)号：CN112998652B
公开(公告)日：2022-07-19
申请号：CN202110200404.5
申请日：2021-02-23
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
摘要： 本发明涉及模式识别领域，为光电容积脉搏波压力识别方法及系统，其方法包括：建立原始训练样本集，并对其进行若干种信号变换，构建信号变换样本集；搭建信号变换识别网络，使用信号变换样本集训练信号变换识别网络，获得信号变换识别网络的卷积层权重；在信号变换识别网络中加入时域注意力模块，学习到脉搏波信号中不同时间区域的重要程度；使用自监督学习搭建脉搏波的压力识别网络，将信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重，用原始训练样本集训练压力识别网络，得到最终的压力识别模型，对脉搏波压力信号进行识别。本发明的模型关注到产生压力的区域，泛化能力强、性能好，有效提高压力识别效果。
-
公开(公告)号：CN113057633A
公开(公告)日：2021-07-02
申请号：CN202110324847.5
申请日：2021-03-26
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
摘要： 本发明提供了一种多模态情绪压力识别方法、装置、计算机设备及存储介质，该方法包括：获取多模态数据并进行预处理，得到训练样本集；其中，所述多模态数据包括人脸视频图像数据和光电容积脉搏波数据；利用注意力卷积神经网络、门控循环单元和全连接层，构建深度学习模型；利用训练样本集对深度学习模型进行训练，直至深度学习模型收敛；将待识别样本输入至训练好的深度学习模型，得到情绪压力的识别结果。本发明选取的多模态数据在表征情绪压力时存在内在关联，并通过深度学习模型充分挖掘多模态数据中的空间信息和时间信息并将其融合，使得深度学习模型更关注数据中最能表征情绪压力的部分，从而提高情绪压力识别的准确率。
-
公开(公告)号：CN114970853A
公开(公告)日：2022-08-30
申请号：CN202210260332.8
申请日：2022-03-16
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
摘要： 本发明公开了一种跨范围量化的卷积神经网络压缩方法，包括以下步骤：确定量化卷积神经网络的量化比特和该量化比特下的量化范围，以及基于步长量化的量化函数；训练一个全精度卷积神经网络，并使用全精度卷积神经网络初始化量化卷积神经网络以及量化步长；前向传播阶段，对卷积神经网络的权重参数以及激活值进行量化，对于量化阈值范围内的值，采取常规量化方式；对于量化阈值范围外的值，先减去量化阈值，再进行常规量化；反向传播阶段，使用梯度近似让不可导的量化函数变为可导。本发明在常规量化的基础上对量化范围外的值采取了不同的量化方式，在保留图像识别精度的同时，实现了卷积神经网络的压缩和加速。
-
公开(公告)号：CN114757828A
公开(公告)日：2022-07-15
申请号：CN202210346886.X
申请日：2022-04-02
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
IPC分类号： G06T3/40
摘要： 本发明公开了基于Transformer的视频时空超分辨率方法。所述方法包括以下步骤：采集视频时空超分辨率的模型训练样本；构建高帧率低分辨率视频序列生成模型，基于Transformer注意力机制的时域特征融合的生成中间帧，生成高帧率低分辨率视频序列；构建高帧率高分辨率视频序列生成模型，基于Transformer注意力机制的时空域特征融合，重建高帧率高分辨率视频序列；构建基于Transformer的视频时空超分辨率模型并训练，根据训练好的基于Transformer的视频时空超分辨率模型对视频序列进行视频时空超分辨率重建。本发明结合了Transformer注意力机制获取了视频序列中的时空联系，实现了视频在时空上的超分辨率增强。
-
公开(公告)号：CN114638868A
公开(公告)日：2022-06-17
申请号：CN202210081042.7
申请日：2022-01-24
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
摘要： 本发明提供了一种自然场景中高分辨率三维人脸纹理生成方法，包括以下步骤：1、采用人脸检测网络去除人脸图像背景；利用三维人脸重建模型生成相应的三维人脸信息，随后对输入图像进行重采样生成不完整的高分辨率人脸纹理图；2、将不完整的高分辨率人脸纹理图进行降采样，通过一个高分辨率网络模型提取其特征，并预测图像变形场；3、对低分辨率人脸纹理图进行变形处理，得到完整的低分辨率人脸纹理贴图；通过人脸数据集对高分辨率网络模型进行训练，4、将图像变形场上采样为高分辨率变形场，并对不完整的高分辨率人脸纹理进行变形得到完整的高分辨率人脸纹理。本发明利用变形场的可插值性质能使生成的人脸纹理具有更高的分辨率和强真实感。
-
公开(公告)号：CN113057633B
公开(公告)日：2022-11-01
申请号：CN202110324847.5
申请日：2021-03-26
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
摘要： 本发明提供了一种多模态情绪压力识别方法、装置、计算机设备及存储介质，该方法包括：获取多模态数据并进行预处理，得到训练样本集；其中，所述多模态数据包括人脸视频图像数据和光电容积脉搏波数据；利用注意力卷积神经网络、门控循环单元和全连接层，构建深度学习模型；利用训练样本集对深度学习模型进行训练，直至深度学习模型收敛；将待识别样本输入至训练好的深度学习模型，得到情绪压力的识别结果。本发明选取的多模态数据在表征情绪压力时存在内在关联，并通过深度学习模型充分挖掘多模态数据中的空间信息和时间信息并将其融合，使得深度学习模型更关注数据中最能表征情绪压力的部分，从而提高情绪压力识别的准确率。
-
公开(公告)号：CN112998652A
公开(公告)日：2021-06-22
申请号：CN202110200404.5
申请日：2021-02-23
申请人： 华南理工大学 , 中山市华南理工大学现代产业技术研究院
摘要： 本发明涉及模式识别领域，为光电容积脉搏波压力识别方法及系统，其方法包括：建立原始训练样本集，并对其进行若干种信号变换，构建信号变换样本集；搭建信号变换识别网络，使用信号变换样本集训练信号变换识别网络，获得信号变换识别网络的卷积层权重；在信号变换识别网络中加入时域注意力模块，学习到脉搏波信号中不同时间区域的重要程度；使用自监督学习搭建脉搏波的压力识别网络，将信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重，用原始训练样本集训练压力识别网络，得到最终的压力识别模型，对脉搏波压力信号进行识别。本发明的模型关注到产生压力的区域，泛化能力强、性能好，有效提高压力识别效果。
-
公开(公告)号：CN116013371A
公开(公告)日：2023-04-25
申请号：CN202211594613.3
申请日：2022-12-13
申请人： 华南理工大学
IPC分类号： G10L25/63 , G10L25/30 , G10L15/08 , G10L15/26 , G10L15/16 , G10L25/24 , G10L15/06 , G16H50/20
摘要： 本发明公开了一种神经退行性疾病监测方法、系统、装置及存储介质，其中方法包括：获取说话人的语音信息；根据语音信息识别说话人的身份信息，以及识别说话人的情感，将语音信息转换为文本信息；根据识别获得的说话情感以及文本信息生成对话文本，将对话文本转换为语音并输出；根据识别获得的身份信息对语音信息进行处理，将同一个说话人的语音信息存储在同一个语音存储模块中；根据身份信息，在语音存储模块中获取对应说话人的语音语料进行神经退行性疾病诊断，并判断说话人是否患病。本发明将神经退行性疾病筛查与智能家居相结合，利用基于神经退行性疾病导致患者语音发音出现的问题，来检测疾病，可广泛应用于病症识别技术领域。
-
公开(公告)号：CN111460728B
公开(公告)日：2022-08-12
申请号：CN202010156709.6
申请日：2020-03-09
申请人： 华南理工大学
摘要： 本发明提供了一种工业设备剩余寿命预测方法、装置、存储介质及设备；其中方法包括如下步骤：获取工业设备的传感器监测数据，对传感器监测数据进行数据预处理并获取训练样本；注意力循环神经网络的模型构建与训练：使用lstm网络和输出全连接层构建注意力循环神经网络；在训练过程中，通过注意力层和lstm网络对多维传感器时间序列中各类传感器时间序列赋予不同权重，将带不同权重的多维传感器时间序列输入lstm网络获取高维特征，最后通过输出全连接层获取预测结果；通过注意力循环神经网络预测剩余寿命。本发明能够对不同的传感器时间序列赋予不同的权重，使模型更加关注与工业设备剩余寿命相关度高的传感器输入，从而提高预测准确率。
-
-
-
-
-
-
-
-
-
搜索结果
110 条记录 (耗时 0.239 秒)