-
公开(公告)号：CN114678030B
公开(公告)日：2024-09-06
申请号：CN202210304443.4
申请日：2022-03-17
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
Abstract: 本发明涉及一种基于深度残差网络和注意力机制的声纹识别方法、装置及计算机可读存储介质，属于语音识别技术领域，包括步骤：S1：对采集到的音频数据进行预处理，得到能够模拟人耳某些特性的MFCC特征；S2：构建FAM，将S1得到的特征经过帧级注意力模块对每帧的重要性进行加权运算，得到加权后的MFCC特征；S3：构建声纹识别网络并进行声纹识别；引入MobileNet的设计思想，将普通卷积替换为深度可分离卷积以降低网络参数量；在ResNet50的每一个layer后加入通道域注意力模块建模各个特征通道的重要程度，针对不同的说话人增强或抑制不同的通道，最后将特征输入网络中的分类器进行分类，实现声纹识别。
-
公开(公告)号：CN114678030A
公开(公告)日：2022-06-28
申请号：CN202210304443.4
申请日：2022-03-17
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
Abstract: 本发明涉及一种基于深度残差网络和注意力机制的声纹识别方法、装置及计算机可读存储介质，属于语音识别技术领域，包括步骤：S1：对采集到的音频数据进行预处理，得到能够模拟人耳某些特性的MFCC特征；S2：构建FAM，将S1得到的特征经过帧级注意力模块对每帧的重要性进行加权运算，得到加权后的MFCC特征；S3：构建声纹识别网络并进行声纹识别；引入MobileNet的设计思想，将普通卷积替换为深度可分离卷积以降低网络参数量；在ResNet50的每一个layer后加入通道域注意力模块建模各个特征通道的重要程度，针对不同的说话人增强或抑制不同的通道，最后将特征输入网络中的分类器进行分类，实现声纹识别。
-
公开(公告)号：CN112256964A
公开(公告)日：2021-01-22
申请号：CN202011140311.X
申请日：2020-10-22
Applicant: 重庆邮电大学 , 重庆市住房公积金管理中心
IPC: G06F16/9535 , G06F16/951 , G06K9/62 , G06N3/08
Abstract: 本发明涉及一种基于多维度数据学习的金融机构潜在客户推荐方法，属于数据处理技术领域。通过数据获取模块获取初始样本数据，根据预设的数据结构将所述样本数据建立初始数据集并存储至服务器主体中；数据处理模块对数据进行清洗，去除唯一属性，进行缺失值处理和异常值处理，最后对数据标准化，保证数据集中的数据全都真实有效；数据筛选模块对所述数据集进行筛选，用PCA对数据降维，方便之后数据的可视化；推荐模型模块先获取上述经过处理之后的多维数据，然后将多维数据送入推荐模型中进行数据分析得到分析结果，并为每个客户进行等级预测。本发明在保证数据分析速度时同时兼顾精度，提高数据分析的效率。
-
公开(公告)号：CN118691488A
公开(公告)日：2024-09-24
申请号：CN202410721103.0
申请日：2024-06-05
Applicant: 重庆邮电大学
IPC: G06T5/60 , G06T5/70 , G06T5/77 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于伪孪生编码器的图像雨滴去除方法；包括：获取并预处理得到待去除雨滴图像和无雨滴图像；对两种雨滴图像进行特征提取，得到待去除雨滴图像的雨滴特征和干净背景特征、无雨滴图像的干净背景特征；对雨滴特征和待去除雨滴图像的干净背景特征进行联合解码，得到雨滴去除图像；对两种干净背景特征进行联合解码，得到干净背景重建图像；将雨滴去除图像和无雨滴图像组成第一样本对并将其输入到雨滴去除图像判别器中，得到第一判别结果；将干净背景重建图像和无雨滴图像组成第二样本对并将其对输入到干净背景重建图像判别器中，得到第二判别结果；计算网络训练总损失并调整网络参数，得到训练好的雨滴去除网络；本发明提高了网络整体的性能，可实现更好图像雨滴去除性能。
-
公开(公告)号：CN114677200B
公开(公告)日：2024-06-21
申请号：CN202210368272.1
申请日：2022-04-01
Applicant: 重庆邮电大学
IPC: G06Q30/0601 , G06F16/9535 , G06F16/958 , G06F21/60 , G06N20/10
Abstract: 本发明涉及一种基于多方高维数据纵向联邦学习的商业信息推荐方法及装置，属于大数据技术领域，包括以下步骤：S1：创建同态加密的密钥对。进行多方数据的预处理和加密样本对齐；S2：构建纵向联邦LightGBM模型；S3：将纵向联邦LightGBM模型转换成神经网络，作为纵向联邦ECA‑DeepGBM模型的GBDT2NN部分；S4：纵向联邦ECA‑DeepGBM模型CatNN部分前馈过程计算；S5：构建损失函数及模型整体训练，基于训练好的高维数据分类预测模型，实现基于多方高维数据的商业信息推荐。本发明通过多方数据增加特征维度的方式，以达到进行精准商业信息推荐的目的。
-
Patent Agency Ranking
公开(公告)号：CN118037593A
公开(公告)日：2024-05-14
申请号：CN202410188320.8
申请日：2024-02-20
Applicant: 重庆邮电大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种图像阴影去除方法，包括利用特征分离重建网络分离阴影图像和无阴影图像的直射光和环境光，并利用联合解码器对分离特征进行重建获得初步阴影去除结果；对掩膜进行膨胀，以获取阴影区域边界和局部非阴影区域先验；利用非阴影信息引导网络，对阴影边缘伪影进行修复，并将先验信息传递至阴影区域，以减少去除结果存在的伪影和两区域间的色差；本发明利用非对称编码器分离环境光和直射光的思想，将学习复杂映射转化为学习环境光和直射光的单一映射问题，并使用局部非阴影先验缓解去除结果的伪影和色差，从而得到高质量的无阴影图像。
-
公开(公告)号：CN115378702B
公开(公告)日：2024-04-02
申请号：CN202211004258.X
申请日：2022-08-22
Applicant: 重庆邮电大学
IPC: H04L9/40
Abstract: 本发明属于计算机安全技术领域，具体涉及一种基于Linux系统调用的攻击检测方法与系统，包括：获取系统生成的系统调用，将系统调用序列截取成等长的子序列作为待检测的序列，并转换为词向量形式的检测序列；通过深度学习检测模型初步判定词向量形式的检测序列的类别，若判定为异常序列，则将该序列放入攻击库，更新检测匹配库，若判定为正常序列；将初步判定为正常的序列通过与检测匹配库进行匹配度对比；采用集群计算判断匹配库不能判定类别的序列，得到检测结果。本发明对于派生攻击检测采用深度学习模型和匹配库的方式，对于未知攻击，采用集群检测的方式，解决了系统调用序列存在冗余调用以及序列过长和入侵检测的漏报率。
-
公开(公告)号：CN117437677A
公开(公告)日：2024-01-23
申请号：CN202311398873.8
申请日：2023-10-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于跨模态融合的多模态人脸防伪检测方法、装置、设备及介质，属于人脸防伪技术领域。该检测方法通过包括RGB、IR以及深度在内的多模态人脸图像进行处理，以获得融合特征的跨模态特征图，具体地，对RGB、IR、深度人脸图像进行多尺度特征提取得到多尺度特征图，再对不同模态的多尺度特征图进行跨模态特征融合处理得到跨模态特征图，基于跨模态特征图进行拼接处理得到目标跨模态特征图，即可根据目标跨模态特征图判断多模态人脸图像是否为真实人脸图像。本发明通过将不同模态间的人脸图像进行跨模态的特征融合处理，能够获得全面、多尺度、具有互补性的目标跨模态特征图，有利于提升人脸防伪技术的准确率。
-
公开(公告)号：CN116778570A
公开(公告)日：2023-09-19
申请号：CN202310508297.1
申请日：2023-05-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种针对小样本场景的行为迁移学习识别方法，属于机器视觉技术领域，包括以下步骤：S1：构建正样本数据集，其包括数据丰富的源域正样本数据集和小样本的目标域正样本数据集；S2：将正样本数据集进行空间信息变换和时序信息打乱，以构建负样本数据集；S3：构建基于SlowFast改进的行为识别迁移学习模型，增强视频的时序信息并实现从源域向目标域迁移的功能；S4：使用源域和目标域的正样本数据集与负样本数据集对所述基于SlowFast改进的行为识别迁移学习模型进行训练，以获得在目标域上泛化的行为识别模型；S5：利用训练完成行为识别模型在实际场景中进行行为识别。
-
公开(公告)号：CN114356213B
公开(公告)日：2023-07-21
申请号：CN202111431298.8
申请日：2021-11-29
Applicant: 重庆邮电大学
IPC: G06F3/06
Abstract: 本发明公开了一种NUMA架构下NVM磨损均衡的并行空间管理方法，克服了现有的磨损均衡策略直接应用在NUMA架构中时，由于磨损策略中的空间管理没有考虑NUMA多节点处理器和存储器管理架构，将导致三方面的问题：1)节点内多条非易失性内存非均匀磨损；2)节点间非易失性内存存储空间非均衡磨损；3)多个处理器请求空间分配时的扩展性问题。采用了节点内磨损均衡机制、并行分配回收机制和节点间磨损均衡机制，旨在实现NUMA架构中节点内和节点间多个非易失性内存条磨损均衡并提升空间分配的并行性能。
-
-
-
-
-
-
-
-
-
Search Results
98
records
(took 0.053 seconds)
