“杨绿溪”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果299个，建议您升级VIP下载更多相关专利

[发明专利]一种基于知识图谱因果效应估计的无线通信网络优化方法-CN202310406751.2在审
发明人： 杨绿溪;张彪;高振;李春国;黄永明 -专利权人：东南大学
申请日： 2023-04-17 - 公布日： 2023-10-17 - 主分类号： H04W24/02 文献下载
摘要：本发明公开了基于知识图谱因果效应估计的无线通信网络参数调优方法。方法包括：从无线通信网络参数测量数据出发，根据无线通信网络协议的内生因素构建相应的局部知识图谱，从测量数据中分离出研究对象、干预变量、协变量、观测结果，利用观察数据构造随机试验，使用反事实推理的方法评估干预变量对网络性能指标的影响效果，推广到整个图谱，能够得到各个可调参数对各个网络性能指标的影响效果，从而给出无线通信网络性能调整的方向，在现有网络基础上给出网络优化的调整选项。系统包括知识图谱构建模块、环境交互模块以及因果推理模块。本发明在有限的计算资源和人工成本下，从无线通信网络全局最优出发对无线通信网络参数进行辅助优化。
一种基于知识图谱因果效应估计无线通信网络优化方法

[发明专利]一种5G基站快速组装的多功能装配方法-CN202311012013.6在审
发明人：冀保峰;魏世忠;王毅;宋康;黄永明;穆煜;陈韵然;李春国;邢玲;陶发展;杨璐;张高远;张晓辉;文红;金石;杨绿溪 -专利权人：河南科技大学
申请日： 2023-08-11 - 公布日： 2023-10-10 - 主分类号： H01Q1/12 文献下载
摘要：一种5G基站快速组装的多功能装配方法，涉及5G基站建设技术领域，包括S1：测量并平整场地，并安装机房，S2：安装天线支架，并用螺栓进行固定，S3：在天线支架上安装5G通讯设备，S4：用馈线将天线支架上的5G通讯设备和5G机房内的5G通讯设备进行连接，S5：通电调试并调整5G天线角度和S6：验收；本发明实用性强，使用起来非常的方便，通过设置天线支架，便于上方5G通讯设备的快速安装；通过在支撑架上分布设置吊装装置，便于进行5G天线的排布；通过在吊装装置上设置风机，可以有效对其安装的通讯设备进行降温；通过在撑脚上设置支撑板，在支撑板上设置转运装置，方便5G通讯设备的搬运，降低安装人员劳动强度。
一种基站快速组装多功能装配方法

[发明专利]一种基于多尺度大卷积神经网络的图像修复方法-CN202310363514.2在审
发明人：李春国;冷天然;刘周勇;高振;杨绿溪 -专利权人：东南大学
申请日： 2023-04-07 - 公布日： 2023-09-12 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于多尺度大卷积神经网络的图像修复方法，可用来实现对受损图像的纹理和语义修复，从而达到修复缺损图像且符合人类感官感受的效果。该方法包括：根据原始图像数据和图像掩膜，预处理获得被掩膜遮挡的待修复图像，进而构建训练数据集；构建基于多尺度大卷积神经网络的图像修复MSLK‑GAN生成对抗网络模型；将构建的训练数据集输入到MSLK‑GAN网络的生成器并且输出修复后的RGB图像；将已修复的RGB图像输入MSLK‑GAN网络的判别器得到此图像各个部分判别为原始图像的概率并通过加权损失函数对生成器和判别器联合训练；在测试集上评估模型MSLK‑GAN的训练效果。本发明相比于当前主流模型，在L1误差、峰值信噪比和结构相似性这三项指标中取得了更好的恢复效果。
一种基于尺度卷积神经网络图像修复方法

[发明专利]一种基于知识蒸馏的铁路货车钢地板破损检测方法-CN202310399454.X在审
发明人： 杨绿溪;谢昂;郑志刚;李春国;黄永明 -专利权人：东南大学
申请日： 2023-04-14 - 公布日： 2023-09-05 - 主分类号： G06T7/00 文献下载
摘要：本发明提供一种基于知识蒸馏的铁路货车钢地板破损检测方法，包括以下步骤：获取铁路货车钢地板区域图像，构建训练集；搭建钢地板破损检测教师网络和学生网络，并进行训练，利用教师网络对学生网络进行蒸馏，通过调整参数得到最终的故障检测模型；获取待检测图像，处理后输入所述故障检测模型，得到钢地板破损检测结果。以深度卷积神经网络和知识蒸馏为基础，采取了编码器与解码器的结构，通过渐进式多级知识蒸馏建立查询之间的预测匹配，以逐步向学生模型传递有用的知识。本发明准确率高、精度高的自动化检测方法，其解决了现阶段只能通过动态检车员肉眼识别图像判断故障带来的视觉疲劳造成误检漏检的问题。
一种基于知识蒸馏铁路货车地板破损检测方法

[发明专利]基于多任务的自动驾驶实时环境感知系统及方法-CN202310410865.4在审
发明人：刘升恒;李腾飞;黄永明;杨绿溪 -专利权人：东南大学
申请日： 2023-04-18 - 公布日： 2023-09-05 - 主分类号： G06V20/56 文献下载
摘要：本发明公开了一种基于多任务的自动驾驶实时环境感知系统及方法，属于自动驾驶领域，其中，系统包括：特征提取模块，用于提取道路图像的多个特征信息；特征融合模块，用于根据不同目标任务对多个特征信息进行特征融合；检测头模块，用于利用不同目标任务对应的检测头对融合后的特征信息进行检测，得到不同目标任务对应的环境感知结果，由此，能够实时检测自动驾驶车辆周围环境信息。
基于任务自动驾驶实时环境感知系统方法

[发明专利]一种基于频域卷积和大卷积的图像修复方法-CN202310362947.6在审
发明人：李春国;冷天然;刘周勇;孙希茜;杨绿溪 -专利权人：东南大学
申请日： 2023-04-07 - 公布日： 2023-08-22 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于频域卷积和大卷积的图像修复方法，可用来实现将缺损图像完整的修复，并保持纹理的连续性与语义的合理性，符合人类的感知。该方法包括：根据原始图像数据和图像掩膜，预处理获得被掩膜遮挡待修复图像，构建训练数据集；构建基于频域卷积和大卷积的图像修复LKFFC‑GAN生成对抗网络模型；将构建的训练数据集输入到LKFFC‑GAN网络的生成器并且输出修复后的图像；将已修复图像输入LKFFC‑GAN网络的判别器得到此图像各个部分判别为原始图像的概率并通过加权损失函数对生成器和判别器联合训练；在测试集上评估模型LKFFC‑GAN的训练效果。本发明相比于当前主流模型，在L1误差、峰值信噪比(Peak Signal‑to‑Noise Ratio，PSNR)、和结构相似性(Structural Similarity Index，SSIM)这三项指标中取得了更好的恢复效果。
一种基于卷积图像修复方法

[发明专利]一种基于元学习方法的小样本目标检测方法-CN202310365243.4在审
发明人： 杨绿溪;许诺;刘周勇;俞科栋;王潇祎 -专利权人：东南大学
申请日： 2023-04-07 - 公布日： 2023-08-15 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于元学习方法的小样本目标检测方法，可实现小样本条件下的精确目标检测。发明主要包括：获取公开的目标检测数据集，进而构建训练集和测试集；构建基于元学习(Meta Learning)的小样本目标检测网络；使用训练集和测试集对基于元学习的小样本目标检测算法进行训练、验证与测试。本发明与当前主要的小样本目标检测算法相比，能够克服训练过程中对某些特定的样本类别的过拟合和欠拟合，同时在所有样本类别上有更高的检测精度，是一种更加高效及精确的小样本目标检测算法。
一种基于学习方法样本目标检测方法

[发明专利]基于注意力机制和自适应特征融合的航拍目标检测方法-CN202310436543.7在审
发明人： 杨绿溪;郑志刚;谢昂;王潇祎;张亚中;李春国;黄永明 -专利权人：东南大学
申请日： 2023-04-21 - 公布日： 2023-08-01 - 主分类号： G06V20/17 文献下载
摘要：本发明公开了一种基于注意力机制和自适应特征融合的航拍目标检测方法，包括：获取待检测的航拍图像数据；将待检测的航拍图像数据输入预先训练的航拍小目标检测模型，得到待检测的航拍图像数据的目标检测结果，其中，航拍小目标检测模型为在YOLO算法框架中设置轻量级自适应特征融合模块和混洗坐标注意力层，并利用训练航拍图像数据及其对应的目标检测结果训练得到。本发明在航拍视角小目标检测上，能够达到更高的识别精度。对于无人机平台的航拍小目标检测，网络速度快精度搞，能够以较低参数和计算复杂度表现出更好的检测效果。
基于注意力机制自适应特征融合航拍目标检测方法

[发明专利]基于轻量级密度估计网络的航拍目标计数与检测方法-CN202310439540.9在审
发明人： 杨绿溪;郑志刚;刘周勇;谢昂;俞科栋;陈延润;李春国;黄永明 -专利权人：东南大学
申请日： 2023-04-23 - 公布日： 2023-07-25 - 主分类号： G06V20/17 文献下载
摘要：本发明公开了一种基于轻量级密度估计网络的航拍目标计数与检测方法，属于目标检测领域，包括：将航拍图像数据输入目标密度估计网络得到目标密度图，对目标密度图中的元素值进行求和，获得航拍图像数据中的目标数量；通过裁剪高密度区域得到局部区域裁剪图像块；分别对全局航拍图像数据和局部区域裁剪图像块进行目标检测，将局部区域裁剪图像块的检测框根据位置关系映射到全局的航拍图像数据上，并通过软性非极大值抑制算法对全局的航拍图像数据的检测框和映射的局部区域裁剪图像块的检测框进行融合处理，得到航拍图像数据的目标检测结果。由此，通过空间位置数量分布特征获取高密度裁剪图像块进行放大检测，显著提高了航拍目标的检测精度。
基于轻量级密度估计网络航拍目标计数检测方法

[发明专利]基于变换器和跳跃路径聚合FPN的航拍目标检测方法-CN202310436011.3在审
发明人： 杨绿溪;郑志刚;谢昂;张翅;王潇祎;徐琴珍;俞菲 -专利权人：东南大学
申请日： 2023-04-21 - 公布日： 2023-07-18 - 主分类号： G06V20/17 文献下载
摘要：本发明公开了一种基于变换器和跳跃路径聚合FPN的航拍目标检测方法，包括：获取待检测的航拍图像数据；将待检测的航拍图像数据输入预先训练好的航拍小目标检测网络模型进行目标检测，得到待检测的航拍图像数据的目标检测结果；其中，航拍小目标检测网络模型为利用可变形卷积和变换器模块结合的深度聚合残差变换网络进行特征提取，利用跳跃路径聚合特征金字塔网络进行特征融合，利用双路路解耦检测头进行目标检测。在无人机航拍视角拍摄的图片中，能够达到更高的检测精度，尤其是在有大量小目标存在的场景中。
基于变换器跳跃路径聚合 fpn 航拍目标检测方法

[发明专利]一种基于多尺度融合和可变形卷积的跨域故障检测方法-CN202310366161.1在审
发明人：俞菲;俞科栋;王潇祎;许诺;郑志刚;谢国烜;杨绿溪 -专利权人：东南大学
申请日： 2023-04-07 - 公布日： 2023-07-18 - 主分类号： G06V10/82 文献下载
摘要：本发明提供一种基于多尺度融合和可变形卷积的跨域故障检测方法，解决火车故障图像跨域目标检测中相应的问题。包括如下步骤：准备正常场景下的火车故障数据集作为源域数据集和雾天场景下的火车故障数据集作为目标域数据集；设计一个域自适应特征金字塔，加入到RetinaNet目标检测网络中，来实现源域和目标域的特征对齐；在目标检测网络中的backbone加入可变形卷积模块来实现对形态差异大的故障的适应能力；在原有检测网络中的FPN加入ASFF模块，解决FPN网络中不同尺度学习目标不一致的问题；将RetinaNet网络的回归子网络损失函数改为CIOU loss，优化模型的损失。该基于多尺度融合和可变形卷积的跨域故障检测方法是解决目标检测模型在有雾场景下对火车故障检测结果较差的问题。
一种基于尺度融合变形卷积故障检测方法

[发明专利]一种基于自监督学习与深度特征重构的图像异常检测方法-CN202310421371.6在审
发明人：徐琴珍;陈延润;杨绿溪 -专利权人：东南大学
申请日： 2023-04-19 - 公布日： 2023-07-14 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于自监督学习与深度特征重构的图像异常检测方法，包括生成伪异常、特征提取、特征重构、优化卷积自编码器等步骤。本发明采用特征重构代替传统的图像重构，并使用预训练模型提取图像的深度特征，避免了现有方法重构泛化性过高的问题。此外，本发明通过模拟异常图像，以自监督学习的方式训练模型，使得模型能更好地适应异常检测任务。本发明是一种端到端的图像异常检测方法，具有检测效果好、存储空间占用少、推理速度快的优点，能够满足实际应用的需要。
一种基于监督学习深度特征图像异常检测方法

[发明专利]一种基于动态锚框和Transformer的小尺寸目标检测方法-CN202310406746.1在审
发明人： 杨绿溪;谢昂;郑志刚;李春国;徐琴珍;俞菲 -专利权人：东南大学
申请日： 2023-04-17 - 公布日： 2023-07-07 - 主分类号： G06V10/82 文献下载
摘要：本发明公开了一种基于动态锚框和Transformer的小尺寸目标检测方法，属于图像处理、模式识别及计算机视觉领域，解决现有基于Transformer中小尺寸目标检测任务检测精度低且网络效率低的问题。本发明依次构建主干网络模块、编码器模块、解码器模块和预测输出模块作为目标检测网络；基于公开COCO图像数据，对提取的小尺寸目标样本图像数据进行预处理；得到预处理的小尺寸目标样本图像数据输入初始化了参数的小尺寸目标检测网络中进行训练，得到训练好后的小尺寸目标检测网络；将待预测的小尺寸目标图像输入已经训练好的小尺寸目标检测网络，通过前向传播，实现端到端地输出小尺寸目标的预测框位置与类别信息。
一种基于动态 transformer 尺寸目标检测方法

[发明专利]一种基于深度学习的大规模MIMO混合波束赋形方法-CN202310386768.6在审
发明人：李春国;高振;张彪;冷天然;张翅;孙希茜;徐澍;杨绿溪 -专利权人：东南大学
申请日： 2023-04-12 - 公布日： 2023-07-07 - 主分类号： H04B7/06 文献下载
摘要：本发明公开了一种基于深度学习的大规模MIMO混合波束赋形方法，可以实现不完美信道状态信息的混合波束赋形。该方法适用于单基站多用户场景，采用SV毫米波信道模型，生成大量的完美的信道状态信息作为数据集；将完美信道状态信息采用稀疏重构的信道估计算法进行信道估计，获得不完美信道状态信息；构建神经网络模型，网络输入为不完美信道状态信息和噪声功率，网络输出为数字波束赋形矩阵和模拟波束赋形矩阵，以负的系统总下行速率作为损失函数，进行无监督的训练，对收敛的神经网络模型输入不完美信道状态信息和噪声功率进行测试，与传统的OMP算法相比，具有更低的时间复杂度和更好的性能。
一种基于深度学习大规模 mimo 混合波束赋形方法

[发明专利]一种基于深度学习增强的大规模MIMO下行CSI反馈方法-CN202310393588.0在审
发明人：李春国;高振;张彪;冷天然;孙希茜;张翅;杨绿溪 -专利权人：东南大学
申请日： 2023-04-12 - 公布日： 2023-07-07 - 主分类号： H04B7/0413 文献下载
摘要：本发明公开了一种基于深度学习增强的大规模MIMO下行CSI反馈方法，在现有的自编码网络CsiNet基础上修改了编码器网络、解码器网络和反馈内容，增强了对CSI矩阵的特征提取能力、减少了网络复杂度、让深度学习网络的输入与CSI矩阵处于同一个数量级。增加了拼图解谜训练策略来平衡深度学习中压缩任务和识别任务的关系，既保留CSI矩阵物理信息的完整性又不丢失其可区分性，增强下行CSI反馈性能。
一种基于深度学习增强大规模 mimo 下行 csi 反馈方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 299 条