-
公开(公告)号：CN119224812A
公开(公告)日：2024-12-31
申请号：CN202411381320.6
申请日：2024-09-29
Applicant: 广州大学
Abstract: 本申请涉及导航定位领域，其具体地公开了一种多源传感器高精度位置测量装置，该装置包括：初始化模块，用于对多源传感器进行初始化操作；初始位姿确定模块，用于确定整个装置的初始位姿；周围环境特征获取模块，用于对测量点周围环境特征进行扫描和测量，绘制出周围环境特征的高精度三维空间位置和颜色信息；高精度位姿确定模块，用于综合处理多源传感器融合数据，从而获得在卫星导航信号受限情况下的设备位姿。本发明能够高效率的完成导航卫星信号受限条件下的特定目标的厘米级定位和待测目标特征环境的三维点云和色彩纹理信息。
-
公开(公告)号：CN118337481A
公开(公告)日：2024-07-12
申请号：CN202410545327.0
申请日：2024-04-30
Applicant: 广州大学
IPC: H04L9/40 , G06N3/0464 , G06N3/045 , G06N3/08 , H04L67/12
Abstract: 本发明公开了一种基于知识蒸馏的轻量级车联网入侵检测方法及系统，其中方法步骤如下：S1：获取车联特征数据集，并对数据进行预处理；S2：将经过预处理的数据按照预设比例划分为初始训练集、初始验证集和初始测试集，对初始训练集进行数据平衡，得到平衡训练集，对平衡训练集、初始验证集和测试集进行特征选择；S3：使用所述模型训练集和所述模型验证集训练得到教师模型；S4：并使用所述教师模型、所述模型训练集和模型验证集进行蒸馏训练得到学生模型；S5：测试所述学生模型的大小、复杂度和学生模型的性能，通过测试的学生模型保存为轻量化车联网入侵检测模型；S6：将所述轻量化车联网入侵检测模型部署进车联网中，进行入侵检测。
-
公开(公告)号：CN119649401A
公开(公告)日：2025-03-18
申请号：CN202411632060.5
申请日：2024-11-14
Applicant: 广州大学
IPC: G06V40/10 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/096
Abstract: 本发明属于身份识别领域，公开了基于伪标签半监督学习的刷耳身份识别方法，包括：1，构建用于训练的数据集以及对数据集进行标注，获得有标签训练集、无标签训练集及有标签验证集；S2，确定需要使用的卷积神经网络模型，并将其训练流程与检测流程根据改进后的算法和识别原理进行修改；S3，采用改进的MeanTeacher算法对卷积神经网络模型进行训练，获得训练好的神经网络模型；S4，使用训练好的神经网络模型对待识别的人耳图像进行计算，获得特征向量；S5，采用最近邻搜索算法将S4中获得的特征向量与已经录入数据库中需要用于识别的人耳特征向量进行匹配，实现端到端的人耳身份识别。本发明显著提升了小型目标和尾部类别的检测性能。
-
公开(公告)号：CN118337456A
公开(公告)日：2024-07-12
申请号：CN202410495166.9
申请日：2024-04-23
Applicant: 广州大学
IPC: H04L9/40 , H04L67/12 , G06F18/211 , G06F18/2135 , G06F18/2415 , G06F18/2431 , G06F18/25 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06F123/02
Abstract: 本发明公开了一种基于多级混合特征分析的车联网入侵检测方法及系统，其中方法步骤如下：S1：获取车联网流量数据，从中提取网络流特征作为特征数据集，并将所述特征数据集按照预设比例划分为训练集、验证集和测试集；S2：对所述训练集、所述验证集和所述测试集进行预处理，获得模型训练集、模型验证集和模型测试集；S3：使用所述模型训练集和模型验证集进行模型训练，得到入侵检测模型，使用模型测试集对所述入侵检测模型进行性能测试，得到通过测试的模型作为最终部署模型；S4：使用所述最终部署模型对车联网进行入侵检测。
-
公开(公告)号：CN117787403A
公开(公告)日：2024-03-29
申请号：CN202311494302.4
申请日：2023-11-09
Applicant: 广州大学
IPC: G06N5/025 , G06N5/02 , G06N3/0455 , G06N3/0442 , G06F16/36 , G06F40/211 , G06F40/284 , G06F40/30 , H04L9/40
Abstract: 本发明提供了一种基于深度学习的网络威胁情报关系三元组联合提取方法,基于深度神经网络构建一种网络威胁情报关系三元组联合提取模型，采用如下技术方案：(a)使用联合提取的方法来同时提取实体和关系，解决了实体和关系提取任务之间交互缺失的问题；(b)使用基于跨度的方法，解决了重叠实体的问题；(c)使用BERT大规模预训练模型对文本进行向量表示。由于预训练模型包含了从大规模语料库中学习到的上下文信息，可以极大丰富模型对威胁情报文本的语义表达；(d)融合多种模态信息，如时序、依赖关系、跨度、标签等，增强多模态信息之间的交互，缓解了文本跨度长、实体语义相似度高、实体之间相关性弱的问题。
-
Patent Agency Ranking
公开(公告)号：CN116912789A
公开(公告)日：2023-10-20
申请号：CN202310655174.0
申请日：2023-06-02
Applicant: 广州大学
IPC: G06V20/56 , G06V10/26 , G06V10/774
Abstract: 本发明公开了一种基于ResNet18网络的车道线识别方法，基于行间距锚框将图片分行提取车道线图片的信息，再利用ResNet18网络提取车道线图片数据中各特征之间和特征在空间维度之间的相关性，并结合辅助分割网络增强视觉特征强化训练效果，通过多分类网络定位每条车道线的位置，可以有效实现对车道线的识别，并解决了车道线检测技术中速度慢和精确度低的痛点。
-
公开(公告)号：CN119360320A
公开(公告)日：2025-01-24
申请号：CN202411381305.1
申请日：2024-09-29
Applicant: 广州大学
IPC: G06V20/54 , G06V20/10 , G06V10/774 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/045 , G06N3/0985
Abstract: 本申请是一种基于YOLOv8算法的舰船检测模型训练方法和舰船检测方法，包括：S1、获取舰船遥感图像数据集，并将所述舰船遥感图像数据集划分为舰船遥感图像训练集和舰船遥感图像测试集；S2、基于YOLOv8算法构建舰船检测模型；S3、在所述舰船检测模型中设置Neck层；S4、定义目标框损失函数。本申请重新定义的目标框损失函数在舰船检测模型的训练中，能够快速准确地计算预测的边界框和真实边界框之间的距离，一方面能够增强对中等质量锚点的检测能力；另一方面也能够应用不同尺寸的辅助边界框，来适应不同的舰船数据集进行训练。
-
公开(公告)号：CN119003785A
公开(公告)日：2024-11-22
申请号：CN202411019755.6
申请日：2024-07-26
Applicant: 广州大学
IPC: G06F16/36 , G06F16/35 , G06F40/30 , G06F40/16 , G06F40/295 , G06N3/0455 , G06F16/953
Abstract: 本发明提出一种基于注意力上下文映射和关系匹配的网络威胁情报关系抽取方法，该方法基于深度神经网络，采用如下技术方案：(a)使用大规模通用文本数据预训练过的BERT模型对输入文本进行向量编码，得到初步的文本向量表示。通过大规模通用文本数据预训练过的BERT模型，已经获取到了文本的一些潜在语义信息，所以将其对威胁情报文本进行编码得到的向量表示已经包含了丰富的通用先验知识和潜在语义。(b)通过基于注意力的上下文映射方法，缓解了实体语义抽象和实体特征易混淆的问题。(c)通过关系匹配机制来缓解实体之间相关性弱的问题。
-
公开(公告)号：CN116994151B
公开(公告)日：2024-06-04
申请号：CN202310655171.7
申请日：2023-06-02
Applicant: 广州大学
IPC: G06V20/13 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于SAR图像和YOLOv5s网络的海上舰船目标识别方法，将关于船舶的数据集按照一定比例划分后，分别对训练集中的图像和标签做垂直翻转，水平翻转，顺时针旋转90度，顺时针旋转180度，得到更多用于训练的SAR图像，随后在YOLOv5s网络backbone模块的第九层加入CBAM注意力机制并将目标框回归损失函数修改为EIOU，训练模型以提高模型的泛化能力和识别精度，改善基于深度学习的方法存在的识别精度不高、漏检严重的问题。
-
公开(公告)号：CN118034811A
公开(公告)日：2024-05-14
申请号：CN202410197024.4
申请日：2024-02-21
Applicant: 广州大学
Abstract: 本发明提供一种边缘智能控制器中联邦学习的差分隐私保护加速卸载方法，包括如下步骤：S1、获取t‑1轮FL中每台设备的计算能力，向各所述设备确定扰动后的卸载策略；S2、经范围受限拉普拉斯分布，对所述设备被确定的扰动卸载策略模糊处理至预设范围内；S3、经安全处理后将所述设备的初始卸载策略映射至t轮中的每个所述设备中。本发明优化基于DRL的卸载技术，为设备生成最优的卸载策略，从而显著减少模型训练时间，通过充分利用ES硬件的加速效果，实现了高效的卸载加速。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.016 seconds)
