-
公开(公告)号：CN119579951A
公开(公告)日：2025-03-07
申请号：CN202411521287.2
申请日：2024-10-29
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06V10/774 , G06V10/26 , G06V20/70 , G06N3/045 , G06V10/44 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于Co‑Detr模型和SAM大模型的车辆场景图像数据自动标注方法和系统，方法包括以下步骤：获取待识别车辆场景图像；利用车辆场景目标检测模型对待识别车辆场景图像进行目标检测，输出车辆目标粗标注框；将车辆目标粗标注框输入至车辆场景语义分割模型中，得到目标掩码；将所述目标掩码转换为目标矩形包围框和多边形包围框，完成车辆自动标注；系统包括数据集获取和预处理单元、模型构建单元、模型训练单元、车辆场景图像识别单元；本发明使用已经标定的车辆场景图片训练Co‑Detr模型以及进行微调SAM大模型，以更好处理车辆场景自动标注任务。
-
公开(公告)号：CN116843016B
公开(公告)日：2025-02-14
申请号：CN202310580633.3
申请日：2023-05-22
Applicant: 重庆大学
Abstract: 本发明公开一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质，方法步骤为：所述边缘服务器通过基站将待训练的机器学习模型下载至用户设备；每个用户设备利用本地数据对机器学习模型进行训练，获得机器学习模型参数wi(k)，并通过基站上传到边缘服务器中；根据待聚合设备的本地数据量，所述边缘服务器对所有待聚合设备的机器学习模型参数进行聚合，得到机器学习模型参数聚合值#imgabs0#并通过基站下载至加入联邦学习的用户设备；系统包括边缘服务器和用户设备。介质存储有计算机程序。本发明综合考虑联邦学习过程中的能量消耗和任务模型的损失函数值来优化联邦聚合策略，在保证任务模型精度的同时减少能量的消耗。
-
公开(公告)号：CN118428368B
公开(公告)日：2024-10-22
申请号：CN202410543664.6
申请日：2024-04-30
Applicant: 重庆大学
IPC: G06F40/295 , G06F16/35 , G06F18/214 , G06F16/36 , G06F40/30 , G06N3/0464 , G06N3/09
Abstract: 本发明提供了一种汽车系统故障知识图谱命名实体识别重组方法及系统，该方法包括：获取汽车故障数据集中处理结果字段的原始文本集；去除所述原始文本集中的冗余信息获得预处理文本集；对所述预处理文本集进行语义抽取获得语义位置向量集；利用多策略动态赋权识别模型对每个预处理文本的语义位置向量进行处理，识别出每个预处理文本中的故障部位实体和失效形式实体；对每个预处理文本的故障部位实体和失效形式实体进行重组，将每个重组结果作为汽车系统故障知识图谱的一个命名实体。本发明加快了命名实体识别速度、准确性，完整地提取命名实体，能适用于复杂句子结构的命名实体识别。
-
公开(公告)号：CN118228782A
公开(公告)日：2024-06-21
申请号：CN202410175179.8
申请日：2024-02-07
Applicant: 重庆大学
IPC: G06N3/0495 , G06N3/092 , G06N5/04
Abstract: 一种边云协同下DNN推理加速方法，包括以下步骤：1)获取边缘设备的资源信息、云服务器的资源信息以及预训练的DNN模型信息；2)设定分区点，并基于所述分区点将预训练的DNN模型信息划分为两个部分，分别记为第一DNN子模型、第二DNN子模型；3)计算第一DNN子模型各层的压缩率，对第一DNN子模型进行压缩，得到第一DNN压缩模型；将第一DNN子模型、第二DNN子模型分别部署在边缘设备和云服务器上；4)执行DNN模型推理。本发明综合考虑了推理中模型的准确性和推理过程中的延迟来优化模型划分和压缩的策略，在保证模型准确率的同时减少推理延迟。本发明可以满足DNN模型不同的准确率需求，以最小化延迟。
-
公开(公告)号：CN117014439A
公开(公告)日：2023-11-07
申请号：CN202310756688.5
申请日：2023-06-26
Applicant: 重庆大学
Abstract: 一种移动边缘计算网络下服务放置与请求调度联合优化方法及系统，方法包括：1)建立移动边缘计算系统；2)获取当前系统的信息数据；3)初始化移动设备轨迹，清空边缘服务器，令时间t＝0；4)构建服务放置神经网络SpNet和请求调度神经网络RsNet；5)生成t时刻的服务放置状态和请求调度状态；6)将步骤5)的状态输入步骤4)的神经网络中，输出若干服务放置动作和请求调度动作；7)计算步骤6)中动作对应的奖励和t+1时刻对应的状态；8)重复步骤6)‑步骤7)，直至完成移动边缘计算系统的服务放置与请求调度。系统包括：云层、边缘层、设备层。本发明通过深度Q网络来进行决策，最大化系统效率。
-
Patent Agency Ranking
公开(公告)号：CN116431326A
公开(公告)日：2023-07-14
申请号：CN202310185892.6
申请日：2023-03-01
Applicant: 重庆大学
Abstract: 本发明公开一种基于边缘计算和深度强化学习的多用户依赖性任务卸载方法，步骤包括：1)建立多用户移动边缘计算系统；2)获取边缘计算网络信息，包括云端服务器、边缘服务器、无线移动设备产生的任务信息；3)对于无线移动设备第n个应用程序，建立有向非循环图，以表示应用程序中I个依赖性子任务之间的依赖关系；4)根据有向非循环图，建立依赖性任务卸载时延和能耗模型；5)根据依赖性任务卸载时延和能耗模型，建立任务卸载决策模型，并利用马尔可夫决策方式对任务卸载决策模型进行解算，得到任务卸载决策。本发明大大降低了无线移动设备的通信时延和能量成本，满足了用户需求，节约了链路成本。
-
公开(公告)号：CN117933388B
公开(公告)日：2025-04-15
申请号：CN202311688354.5
申请日：2023-12-11
Applicant: 重庆大学
IPC: G06N5/04 , G06N3/098 , G06F9/50 , H04W28/086 , H04W28/084 , H04W28/08 , H04L41/16 , H04L67/10
Abstract: 一种边缘计算网络下分布式模型推理加速方法及系统，方法包括：1)建立边缘计算系统；2)获取边缘计算系统中所有边缘服务器、移动设备和DNN推理任务的信息数据；3)构建DNN推理任务划分模型，并对DNN推理任务划分模型进行初始化处理；4)建立DNN推理延迟模型和DNN推理能耗模型；5)构建状态空间、动作空间和奖励函数；6)基于多任务学习的异步优势演员‑评论家算法求解DNN推理任务划分模型，得到划分后的DNN推理任务。系统包括：M个边缘基站、N个移动设备和模型划分控制器。本发明确保计算节点之间的高效通信和协作，加速整个DNN模型推理过程。本发明在边缘计算网络下实现高效的分布式模型推理，提供低延迟的推理服务并节省网络带宽资源。
-
公开(公告)号：CN116431326B
公开(公告)日：2025-03-04
申请号：CN202310185892.6
申请日：2023-03-01
Applicant: 重庆大学
Abstract: 本发明公开一种基于边缘计算和深度强化学习的多用户依赖性任务卸载方法，步骤包括：1)建立多用户移动边缘计算系统；2)获取边缘计算网络信息，包括云端服务器、边缘服务器、无线移动设备产生的任务信息；3)对于无线移动设备第n个应用程序，建立有向非循环图，以表示应用程序中I个依赖性子任务之间的依赖关系；4)根据有向非循环图，建立依赖性任务卸载时延和能耗模型；5)根据依赖性任务卸载时延和能耗模型，建立任务卸载决策模型，并利用马尔可夫决策方式对任务卸载决策模型进行解算，得到任务卸载决策。本发明大大降低了无线移动设备的通信时延和能量成本，满足了用户需求，节约了链路成本。
-
公开(公告)号：CN118337780A
公开(公告)日：2024-07-12
申请号：CN202410261192.5
申请日：2024-03-07
Applicant: 重庆大学
Abstract: 一种车辆边缘计算网络下面向密集异构任务的竞争与协作计算卸载方法，包括：1)构建车辆边缘计算网络系统；2)获取当前系统中的信息数据；3)初始化系统的参数和迭代次数；4)初始化所有车辆的状态和时间片；5)通过对应的策略选取动作，车辆执行动作后生成经验元组，将经验元组存放至回放池；6)利用回放池中的数据更新系统的目标网络，时间片加一，返回步骤5)，直至时间片达到预设阈值；7)迭代次数加一，返回步骤4)，直至迭代次数达到预设阈值，输出车辆计算卸载方法。本发明相较于其他任务卸载方法，表现出了更低的任务执行延迟和更高的任务完成率，为车辆边缘计算领域的任务卸载决策问题提供了一种创新的解决思路。
-
公开(公告)号：CN115484314B
公开(公告)日：2024-04-02
申请号：CN202210956961.4
申请日：2022-08-10
Applicant: 重庆大学
IPC: H04L67/568 , H04L67/1097 , H04L67/10 , H04L67/12 , H04W28/14
Abstract: 本发明公开一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，步骤包括：1)建立可推荐边缘缓存系统；2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据；3)初始化可推荐边缘缓存系统参数；4)确定t时刻的内容推荐策略#imgabs0#5)计算t时刻的内容推荐策略#imgabs1#的资源分配代价；6)建立基于强化学习的内容替换模型，并利用基于强化学习的内容替换模型更新边缘服务器的缓存内容；7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容#imgabs2#T为运行周期。本发明解决了边缘服务端缓存内容利用率低，传输时间过长用户体验感不好等情况。减低了系统成本，提高了用户的服务质量。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.024 seconds)
