-
公开(公告)号：CN118212654A
公开(公告)日：2024-06-18
申请号：CN202410299786.5
申请日：2024-03-15
申请人： 南通大学
IPC分类号： G06V40/10 , G06V10/40 , G06V10/82 , G06V10/80 , G06N3/0464 , G06V10/764
摘要： 本发明提供了一种基于改进FCOS算法的实时行人检测方法，属于图像处理和机动车道路安全行驶技术领域。解决了复杂场景下遮挡行人、小目标行人检测精度和实时性不高的技术问题。其技术方案为：首先对FCOS算法进行改进，对于数据集使用数据增强模拟行人身体被遮挡场景并间接添加小行人目标丰富数据集；其次，引入轻量级主干网络替换原特征提取网络轻量化网络模型，减少网络参数，调整特征金字塔和头部网络；最后，使用轻量级注意力网络并对主干网络特征融合进行调整。本发明的有益效果为：有效实现遮挡和小目标较多的实时行人检测。
-
公开(公告)号：CN115115082B
公开(公告)日：2024-06-14
申请号：CN202111650392.2
申请日：2021-12-30
申请人： 南通大学
IPC分类号： G06Q10/04 , G06Q50/40 , G06N3/0442 , G06N3/045 , G06N3/098
摘要： 本发明提供了一种基于联邦学习的长距离高速公路交通流量预测方法，属于交通预测和信息安全技术领域。解决了现有交通预测模型对长距离高速公路进行交通流量预测，准确率不高，监测点使用损耗较大，浪费能源，且未考虑交通数据信息安全的问题。其技术方案为：包括以下步骤：步骤一、LSTM‑RNN搭建；步骤二、数据处理；步骤三、联邦学习；步骤四、模型预测。本发明的有益效果为：本发明提高交通流量预测的准确率，防止信息泄露，降低能源消耗，降低监测点的使用损耗。
-
公开(公告)号：CN116797835A
公开(公告)日：2023-09-22
申请号：CN202310758952.9
申请日：2023-06-26
申请人： 南通大学
IPC分类号： G06V10/764 , G06V10/42
摘要： 本发明属于计算机视觉技术领域，具体涉及一种基于渐进采样的层级式图像分类方法。包括以下步骤：S1：将图片送入第一个阶段的分层模块中，利用特征金字塔的结构将图片的分辨率由低到高依次输出不同的特征图，分别作为阶段1，阶段2，阶段3，阶段4的特征图；S2：将各层的特征图分别送入到对应阶段中的渐进采样模块中，对判别位置进行定位；S3：将采样步长的嵌入馈送到Transformer编码层，预测下一组采样偏移，更新下一组的采样位置；S4：重复进行S2和S3，从最后一次迭代中得到最后的输出令牌；S5：将不同层的特征图分别通过分类器单元将最终的输出向量转化成概率表示，完成各层的图像分类；S6：利用最大值法，结合最后的分类结果，得出最后的图像分类。
-
公开(公告)号：CN111354427B
公开(公告)日：2022-04-29
申请号：CN202010117158.2
申请日：2020-02-25
申请人： 南通大学
摘要： 本发明公开一种用于大规模电子健康档案知识协同约简的最近邻多粒度利润方法，首先在Spark云平台上将大规模电子健康档案数据集分割至不同的多粒度进化子种群中；接着构建一种基于最近邻多粒度利润模型，在最近邻半径中构造协同化的最近邻向量；然后求出超级精英的共享最近邻利润权重及其权重利润向量，执行超级精英权重利润矩阵的自适应动态调整策略；最后求出大规模电子健康档案数据知识协同约简集及其核属性，并将电子健康档案知识约简集存储至Spark云平台。本发明能高效取得大规模电子健康档案中不完备和模糊数据知识约简集，对电子健康档案决策支持分析具有重要意义与价值。
-
公开(公告)号：CN112535349A
公开(公告)日：2021-03-23
申请号：CN202011540988.2
申请日：2020-12-23
申请人： 南通大学
IPC分类号： A47B21/04 , A47B21/013 , A47B21/00
摘要： 本发明提供了一种笔记本电脑升降装置及升降方法，属于笔记本电脑技术领域。其技术方案为：一种笔记本电脑升降装置，包括基板，基板包括前端部以及后端部，基板的后端部设置有升降机构，升降机构上设置伸缩机构，伸缩机构一端跨接在升降机构上，另一端设置有电脑架，电脑架底部设置有支撑机构；本发明的有益效果为：将升降机构设置在基板的后端部，不占用基板的空间，升降机构能在高度上间接调整笔记本电脑的位置，伸缩机构可以在升降机构上摘下，不占用空间，电脑架能有效防止笔记本电脑摔落，支撑机构起到支撑的作用，防止因为对电脑架一端用力造成伸缩机构断裂。
-
公开(公告)号：CN111354427A
公开(公告)日：2020-06-30
申请号：CN202010117158.2
申请日：2020-02-25
申请人： 南通大学
摘要： 本发明公开一种用于大规模电子健康档案知识协同约简的最近邻多粒度利润方法，首先在Spark云平台上将大规模电子健康档案数据集分割至不同的多粒度进化子种群中；接着构建一种基于最近邻多粒度利润模型，在最近邻半径中构造协同化的最近邻向量；然后求出超级精英的共享最近邻利润权重及其权重利润向量，执行超级精英权重利润矩阵的自适应动态调整策略；最后求出大规模电子健康档案数据知识协同约简集及其核属性，并将电子健康档案知识约简集存储至Spark云平台。本发明能高效取得大规模电子健康档案中不完备和模糊数据知识约简集，对电子健康档案决策支持分析具有重要意义与价值。
-
公开(公告)号：CN110867224A
公开(公告)日：2020-03-06
申请号：CN201911030948.0
申请日：2019-10-28
申请人： 南通大学
IPC分类号： G16H10/60 , G06F40/205 , G06F40/279 , G06N3/00
摘要： 本发明公开一种用于大规模脑病历分割的多粒度Spark超信任模糊方法，首先在Spark云平台上将大规模脑病历数据属性集分割至不同的多粒度进化子种群Granu-populationi中；设计一种基于多粒度Spark超信任模型，构建多粒度种群内不同超级精英之间信任度；调整多粒度中心阈值，对超级精英使用多粒度子种群均衡调整策略进行动态更新，对大规模脑病历进行全局搜索分割与局部精化分割，超级精英在各自区域内能协同提取知识约简子集；最后求得大规模脑病历最优分割特征集并存储至Spark云平台中。本发明能稳定分割大规模脑病历知识约简集,为脑部疾病智能诊断和辅助治疗提供重要的诊断依据。
-
公开(公告)号：CN118629006A
公开(公告)日：2024-09-10
申请号：CN202410744217.7
申请日：2024-06-11
申请人： 南通大学
IPC分类号： G06V20/58 , G06V10/82 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/082
摘要： 本发明提供了一种基于稀疏时空图Transformer网络的行人轨迹预测方法，属于计算机视觉技术领域。解决了行人在拥挤环境下和长距离轨迹预测效率低的技术问题。其技术方案为：包括以下步骤：S1：从图像帧中获取行人的位置信息；S2：使用动态空间Transformer，利用多头注意力机制对空间依赖的多种模型进行联合建模；S3：利用自注意力机制实现跨多个时间步的双向时间依赖性建模；S4：得到具有稀疏变换的时空Transformer网络；S5：设计一种基于时空Transformer的时空块链的模型框架。本发明的有益效果为：本发明提高行人在拥挤环境下和长距离轨迹预测的准确性。
-
公开(公告)号：CN118606785A
公开(公告)日：2024-09-06
申请号：CN202410729231.X
申请日：2024-06-06
申请人： 南通大学
IPC分类号： G06F18/241 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08 , G06F123/02
摘要： 本发明提供一种构造原型特征进行人类活动识别的高效深度学习方法，属于深度学习技术领域。解决了测试域数据与训练域数据分布不同导致的性能下降与降低TransformerO(L^2)复杂度的技术问题。其技术方案为：计算QK特征与均值特征的距离构建两组一维矩阵并由这两个矩阵计算注意力矩阵降低复杂度、初始化原型特征池通过门网络决赋值权重并挑选原型样本与非关注特征进行融合，新构造出来的特征再与关注特征进行加权融合，原型损失函数的设计保证构造特征的有效性与识别的准确性。本发明的有益效果为：本发明方法与现有的一些基于深度学习方法相比，具有更高的识别准确率与鲁棒性。
-
公开(公告)号：CN118141324A
公开(公告)日：2024-06-07
申请号：CN202410168485.9
申请日：2024-02-06
申请人： 南通大学
IPC分类号： A61B5/00 , G06F18/2131 , G06F18/241 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B5/346
摘要： 本发明提供了一种基于深度卷积自动编码器的睡眠分期模式识别的方法，属于深度学习技术领域。解决了人类睡眠分期及睡眠异常识别效率不高，及识别成本较高的技术问题。其技术方案为：包括以下步骤：步骤一：数据预处理；步骤二：多比例的自动编码器：步骤三：逐层跳过连接；步骤四：多尺度解码器；步骤五：损失函数。本发明的有益效果为：本发明通过添加与多层卷积网络相结合的多尺度编码、新的逐层跳跃连接和解码器的多尺度特征融合，提高了其性能，具有更好的识别准确性。
-
-
-
-
-
-
-
-
-
搜索结果
36 条记录 (耗时 0.026 秒)
